一种面向无线分层联邦学习系统的多准则用户选择方法技术方案

本发明专利技术公开了一种面向无线分层联邦学习系统的多准则用户选择方法，该方法由位于无线分层联邦学习系统中层的各边缘服务器执行，具体包括：各边缘服务器利用基于模糊逻辑理论的多准则用户评分机制获取其覆盖范围内所有用户的模糊评分，各边缘服务器根据模糊评分排序进行用户选择，被多边缘服务器重复选择的用户反向选择边缘服务器，以及边缘服务器选择替补用户等。本发明专利技术方法将用户地理位置、电池现有电量和可调动计算资源等诸多因素考虑在内，能够在用户选择时综合考量上述多种因素之间的相互影响，选择出综合能力更强的用户参与联邦学习，进而减少用户的多维异构性对联邦学习系统性能的负面影响。统性能的负面影响。统性能的负面影响。

【技术实现步骤摘要】
一种面向无线分层联邦学习系统的多准则用户选择方法


[0001]本专利技术属于无线通信
，具体涉及一种面向无线分层联邦学习系统的多准则用户选择方法。

技术介绍

[0002]联邦学习是一种分布式机器学习模型训练架构，与传统的集中式机器学习模型训练架构相比，联邦学习不需要将所有原始数据都汇总至中央服务器，而是将原始数据留在产生它们的智能终端(以下称“用户”)处，进而充分利用各用户的计算资源和数据进行本地模型训练，各用户通过共享本地训练后的模型参数以协同完成全局模型训练。在完成机器学习模型训练任务的前提下，联邦学习技术可以将各用户处产生的原始数据保留在本地，无需与第三方服务器共享，这使得各用户的数据隐私得到保护；其次，由于仅需传输本地训练后的模型参数等有效信息，不需传输数量庞大的原始数据，联邦学习可以有效节省有限的通信资源，提升数据传输和更新效率。分层联邦学习对两层联邦学习在系统架构和算法等层面进行了革新，它充分吸收了基于云服务器或边缘服务器的两层联邦学习架构的优势，能够在覆盖大范围用户的同时减少无线通信时间，有效提升机器学习模型的训练性能。
[0003]在分层联邦学习架构下，机器学习模型的协同训练需要大量用户通过无线通信的方式参与。实际的应用场景中，不同用户在地理位置、电量、可用计算资源、本地数据类型和数据量等多个方面存在较大差别，即用户的多维异构性。这种异构性对于联邦学习过程的时延和能耗以及所训练模型的收敛性和精度均存在非常大的影响。因此，在总体用户数量远大于参与联邦学习的用户数量时，分层联邦学习架构下的用户选择方案变得尤为重要。
[0004]现有技术中，在随机用户选择方案中，各边缘服务器按照预定数目从自身范围内随机选择用户参与联邦学习模型训练任务，随机选择方案的执行复杂度最低，但同时也是性能最差的方案。这种方案无法根据用户的多维异构性进行有效地筛选以优化联邦学习性能；另一种基于单一准则的用户选择方案，边缘服务器通常依据距离、信噪比、本地数据等指标进行用户选择，或者以最大化系统能效、最小化模型训练时延等为目标选择用户，这类用户选择方案可以实现某一准则意义上的性能最优，但无法有效平衡用户在其他维度的异构性，往往造成联邦学习在其他方面的性能损失。

技术实现思路

[0005]本专利技术针对上述问题，提供了一种面向无线分层联邦学习系统的多准则用户选择方法，旨在基于模糊逻辑理论的多准则用户评分机制，将用户地理位置、电池现有电量和可调动计算资源等诸多因素考虑在内，以有效应对用户的多维异构性所带来的联邦学习性能损害。
[0006]本专利技术的技术方案如下：
[0007]一种面向无线分层联邦学习系统的多准则用户选择方法，包括以下步骤:
[0008]构建无线分层联邦学习系统，所述系统包括一个云服务器、N个边缘服务器和M个
用户，每个边缘服务器在覆盖范围内可选择K个用户参与联邦学习；
[0009]每个边缘服务器利用基于模糊逻辑理论的多准则用户评分机制获取覆盖范围内所有用户的模糊评分，根据模糊评分排序进行用户选择；
[0010]其中，所述基于模糊逻辑理论的多准则用户评分机制具体包括：
[0011]将用户m与对应边缘服务器的距离、用户电量、用户算力分别进行归一化处理；
[0012]将归一化处理后的数值输入模糊器进行模糊化处理，分别得到所述用户与对应边缘服务器的距离、所述用户电量和所述用户算力对应的模糊输入集；
[0013]将所述模糊输入集输入模糊推理器，所述模糊推理器根据模糊规则对所述模糊输入集进行模糊推理得到模糊输出集；
[0014]将所述模糊输出集利用解模糊器进行去模糊化处理，得到用户m的模糊评分。
[0015]本专利技术的进一步技术方案是：所述将用户m与对应边缘服务器的距离、用户电量、用户算力分别进行归一化处理时的归一化因子分别为边缘服务器范围内与所有用户的距离最小值以及用户电量、用户算力的最大值。
[0016]本专利技术的进一步技术方案是：所述模糊器根据隶属度函数将归一化处理后的数值转化为相应的模糊输入集，所述模糊输入集中的每个元素都包含有对应的隶属度。
[0017]本专利技术的进一步技术方案是：所述模糊推理器的模糊规则具体包括：根据所述模糊输入集中的每个元素包含的对应的隶属度进行评级，评级的隶属度为模糊输入集中各元素隶属度的最小值，将相同的评级及其隶属度进行合并，得到模糊输出集。
[0018]本专利技术的进一步技术方案是：所述解模糊器去模糊化过程采用加权平均去模糊化，各评级的权重为其所对应的非零归一化数值输出范围的中值。
[0019]本专利技术的进一步技术方案是：边缘服务器获取覆盖范围内所有用户的模糊评分，根据所述模糊评分对所有用户进行降序排列，选取模糊评分最高的K个用户参与执行联邦学习模型训练任务。
[0020]本专利技术的进一步技术方案是：当某一用户同时被多个边缘服务器选中，则所述用户选择加入距离最近的边缘服务器；其余边缘服务器则在各自的剩余用户排序队列中选取模糊评分最高的用户作为替补，直至其选中的用户数达到K。
[0021]本专利技术的进一步技术方案是：所述方法还包括定义用户m的归一化适合度υ
m
用于对用户m执行联邦学习任务的综合能力进行衡量，所述用户m的归一化适合度υ
m
为归一化距离、归一化电量和归一化算力的加权和，具体表达式为：
[0022][0023]其中，ρ
dis
，ρ
bat
和ρ
cop
分别为用户归一化距离、电量和算力的权重因子；d
n,norm
，e
n,norm
，f
n,norm
分别为用户m与对应边缘服务器的距离、用户电量、用户算力的归一化因子，分别设置为边缘服务器范围内所有用户距离的最小值、用户电量和用户算力的最大值，d
n,m
表示用户m与边缘服务器n的距离d
n,m
，e
m
表示用户m的电量，f
m,max
表示用户m的算力。
[0024]本专利技术的进一步技术方案是：对用户m与对应边缘服务器的距离进行归一化处理时，使用的是边缘服务器n范围内所有用户距离的最小值d
n,norm
除以用户与边缘服务器n的距离d
n,m
。
[0025]本专利技术提供的一种面向无线分层联邦学习系统的多准则用户选择方法，基于模糊
逻辑理论的多准则用户评分机制将用户地理位置、电池现有电量和可调动计算资源等诸多因素考虑在内，能够在用户选择时综合考量上述多种因素之间的相互影响，选择出综合能力更强的用户参与联邦学习，进而减少用户的多维异构性对联邦学习系统性能的负面影响。
附图说明
[0026]图1是本专利技术实施例中无线分层联邦学习系统结构示意图；
[0027]图2是本专利技术实施例中基于模糊逻辑的多准则用户选择方法流程示意图；
[0028]图3是本专利技术实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向无线分层联邦学习系统的多准则用户选择方法，其特征在于，包括以下步骤:构建无线分层联邦学习系统，所述系统包括一个云服务器、N个边缘服务器和M个用户，每个边缘服务器在覆盖范围内可选择K个用户参与联邦学习；每个边缘服务器利用基于模糊逻辑理论的多准则用户评分机制获取覆盖范围内所有用户的模糊评分，根据模糊评分排序进行用户选择；其中，所述基于模糊逻辑理论的多准则用户评分机制具体包括：将用户m与对应边缘服务器的距离、用户电量、用户算力分别进行归一化处理；将归一化处理后的数值输入模糊器进行模糊化处理，分别得到所述用户与对应边缘服务器的距离、所述用户电量和所述用户算力对应的模糊输入集；将所述模糊输入集输入模糊推理器，所述模糊推理器根据模糊规则对所述模糊输入集进行模糊推理得到模糊输出集；将所述模糊输出集利用解模糊器进行去模糊化处理，得到用户m的模糊评分。2.根据权利要求1所述的面向无线分层联邦学习系统的多准则用户选择方法，其特征在于，所述将用户m与对应边缘服务器的距离、用户电量、用户算力分别进行归一化处理时的归一化因子分别为边缘服务器范围内与所有用户的距离最小值以及用户电量、用户算力的最大值。3.根据权利要求1所述的面向无线分层联邦学习系统的多准则用户选择方法，其特征在于，所述模糊器根据隶属度函数将归一化处理后的数值转化为相应的模糊输入集，所述模糊输入集中的每个元素都包含有对应的隶属度。4.根据权利要求3所述的面向无线分层联邦学习系统的多准则用户选择方法，其特征在于，所述模糊推理器的模糊规则具体包括：根据所述模糊输入集中的每个元素包含的对应的隶属度进行评级，评级的隶属度为模糊输入集中各元素隶属度的最小值，将相同的评级及其隶属度进行合并，得到模糊输出集。5.根据权利要求4所述的面向无线分层联邦学习系统的多准则用户选择方法，其特征在于，所述解模糊器去模糊化过程采用加权平均去模糊化。6.根据权利要求1所述的面向无线分层联邦学习系统的多准则用户选择方法，其特征在于...

【专利技术属性】
技术研发人员：朱旭，董志浩，蒋宇飞，
申请(专利权)人：哈尔滨工业大学深圳，
类型：发明
国别省市：