【技术实现步骤摘要】
一种基于Cell
‑
Free mMIMO网络的联邦学习设备端能耗优化方法
[0001]本专利技术涉及无线通信
,尤其涉及一种基于Cell
‑
Free mMIMO网络的联邦学习设备端能耗优化方法。
技术介绍
[0002]随着终端设备智能化的发展,越来越多的隐私数据被要求发送到云端服务器作为机器学习的源数据集。用户文本数据、图像数据、视频数据等隐私数据上传到云服务器的过程中存在泄露风险,会给用户带来不必要的困扰和损失。为了保护用户的数据隐私,联邦学习支持用户在本地训练模型,用户仅需上传本地模型的参数即可参与全局训练。
[0003]然而,为了使全局模型收敛,参与联邦学习的海量用户设备需要在训练过程中通过无线通信链路频繁更新模型参数。用户设备通常采用锂电池供电,设备端进行本地训练模型以及上传模型参数所消耗的能量不容忽视。在本地模型训练阶段,用户设备的CPU工作频率和本地模型的训练精度是影响用户设备端功耗的关键优化变量。在本地模型参数上传阶段,海量用户设备进行联邦学习的数据上传导致了无线信道的复杂性,总有一部分用户受到严重的通信干扰并使得其通信质量降低。另一方面,参与训练的所有用户上传本地模型之后才可以完成一轮全局训练,因此一轮全局训练的时延由通信质量最低的用户设备决定,这就是落后者效应。通信质量较差的设备需要更长的上传时间,这增加了该设备的上行通信功耗,并导致其他设备在等待过程中消耗更多能量维持待机状态,因此抑制落后者效应是优化设备端上行功耗的关键。
[0004]为了 ...
【技术保护点】
【技术特征摘要】
1.一种基于Cell
‑
Free mMIMO网络的联邦学习设备端能耗优化方法,其特征在于,具体步骤如下:S0:初始化系统参数,初始化全局模型;S1:服务器分发全局模型给用户设备;S2:用户设备采集数据生成本地数据集;S3:构建用户设备进行本地训练的功耗模型,迭代优化用户设备的CPU工作频率和本地模型精度;S4:用户设备依据S3步骤得到的最优参数使用本地数据集训练本地模型;S5:构建用户设备进行模型参数上传的上行功耗模型;S6:根据上行功耗模型优化用户设备延迟,得到最优功率分配方案;S7:用户设备依据S6步骤得到的最优功率分配方案传输本地模型的模型参数到服务器,服务器聚合模型得到全局模型;S8:重复上述S1
‑
S7直至全局模型收敛为止。2.根据权利要求1所述的一种基于Cell
‑
Free mMIMO网络的联邦学习设备端能耗优化方法,其特征在于,所述步骤S0中:初始化的系统参数包括K个用户设备的CPU所支持的工作频率范围,即用户设备k的CPU所支持的最小工作频率和最大工作频率初始化的系统参数包括K个用户设备的本地模型支持的训练精度范围,即用户设备k的所支持的最小训练精度和最大训练精度初始化的全局模型为w
(0)
,在第i轮全局训练中,服务器下发的全局模型为w
(i)
。3.根据权利要求1所述的一种基于Cell
‑
Free mMIMO网络的联邦学习设备端能耗优化方法,其特征在于,所述步骤S1中:服务器向所有用户设备分发全局模型,或是向部分用户设备分发全局模型。4.根据权利要求1所述的一种基于Cell
‑
Free mMIMO网络的联邦学习设备端能耗优化方法,其特征在于,所述步骤S2中:用户设备k采集数据得到本地数据集{x
k
∈S
u
,y
k
},其中S
u
为本地数据集的大小,x
k
和y
k
分别表示本地数据集的输入参数与输出参数。5.根据权利要求2所述的一种基于Cell
‑
Free mMIMO网络的联邦学习设备端能耗优化方法,其特征在于,所述步骤S3中:在联邦学习的第i轮全局训练过程中,用户设备k使用本地数据集训练全局模型w
(i)
得到本地模型对于一个给定的本地模型精度θ,模型在本地训练得到最优模型需要的迭代次数为其中取决于数据集的大小和本地模型的规模;用户设备k在本地训练的时间延迟可以表示为:
其中c
k
表示用户设备k的CPU处理一个数据样本所需的周期数,c
k
是通过离线测量预先知晓的常数,D
k
和f
k
分别为本地数据集的大小和用户设备k的CPU工作频率;用户设备k在本地训练模型所消耗的能量可以表示为:其中α表示用户设备k的CPU的电容系数,α是通过离线测量预先知晓的常数;根据用户设备本地训练的功耗模型建立以下本地模型训练阶段的功耗优化问题:其中,表示用户k的本地训练功耗,表示用户设备进行模型上传的次数,即全局训练次数,其中和
ò
为全局模型参数,为已知常数;解决用户设备k本地模型训练阶段的功耗优化问题的迭代优化算法如下:算法1:本地模型训练阶段的功耗优化问题的迭代优化算法输入:最小工作频率最大工作频率最小训练精度最大训练精度本地训练延迟t
c,k
,算法精度
ò
,算法迭代次数索引ω,算法最大迭代次数ω
max
;初始化:算法精度
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。