【技术实现步骤摘要】
一种基于数字孪生辅助的经济高效联邦学习方法
[0001]本专利技术属于数字孪生和联邦学习领域，涉及一种基于数字孪生辅助的经济高效联邦学习方法。
技术介绍
[0002]在智能驾驶场景中包含多种任务需要车辆协同完成训练，如碰撞预警。为得到高精度的全局模型，联邦学习是一种有效的技术方案。但部分资源受限的车辆执行联邦学习难以保证模型质量，且联邦学习过程的时延和能耗也不可忽视。
[0003]6G中的数字孪生(Digital Twin,DT)实现了虚拟对象和物理实体之间的极度可靠和即时连接。具体来说，DT可以在数字空间中创建从物理世界映射的虚拟对象，且虚拟对象通过实时传感器数据不断更新。在智能驾驶场景中，资源受限的车辆可选择在边缘服务器中创建其DT，则该车辆DT可借助边缘服务器的计算资源参与联邦学习训练机器学习模型。
[0004]由于在通过实时传感器数据不断演变的数字空间中车辆的虚拟对象非常耗费能源，且道路中车辆不仅数量巨大，还具有高移动性，则为参与联邦学习的所有车辆部署其DT是不可行的。另一方面，直接减少通信、计算和能...
【技术保护点】
【技术特征摘要】
1.一种基于数字孪生辅助的经济高效联邦学习方法，其特征在于：包括以下步骤：S1：在智能驾驶场景中，构建数字孪生辅助的联邦学习框架，包括具有有限计算和存储资源的车辆和具有监测能力的基础设施、具有边缘服务器的基站，以及具有参数服务器的云中心；S2：车辆和边缘服务器将其资源信息和任务列表告知云中心；S3：云中心根据车辆和边缘服务器的资源状态和运行状态做出决策，利用边缘选择模型判断是否借助边缘服务器进行模型训练以及选择在哪个边缘服务器中创建车辆数字孪生模型DT；S4：车辆根据边缘选择结果，分别在本地进行模型训练或其DT借助边缘服务器的计算资源进行模型训练；S5：边缘服务器聚合车辆模型，得到局部模型，再将模型上传给云中心；S6：云中心进行全局聚合，得到全局模型；S7：系统更新资源状态和运行状态，云中心采用参数化深度Q网络P
‑
DQN求解数字孪生辅助的经济高效联邦学习模型的优化问题，为下一轮联邦学习探索边缘选择策略和资源分配策略；S8：循环执行步骤S2
‑
S7，直至全局模型收敛至预设精度。2.根据权利要求1所述的基于数字孪生辅助的经济高效联邦学习方法，其特征在于：所述构建数字孪生辅助的联邦学习框架包括终端层、边缘层和云层；所述终端层由具有有限计算和存储资源的车辆和具有监测能力的基础设施组成，通过无线信道连接到边缘层中的基站，其中N辆车辆的集合表示为所述边缘层中，包含K个具有边缘服务器的基站，其集合表示为用于执行计算任务以及建立和维护多个物理实体或多个物理子系统的数字孪生体；所述云层中包含具有参数服务器的云中心，用于聚合边缘服务器上传的局部模型得到全局模型。3.根据权利要求1所述的基于数字孪生辅助的经济高效联邦学习方法，其特征在于：步骤S3中所述利用边缘选择模型判断是否借助边缘服务器进行模型训练以及选择在哪个边缘服务器中创建车辆数字孪生模型，具体包括：采用二进制变量表示车辆n的边缘选择策略，表示为：参数表示车辆n选择在边缘服务器k中创建和维护其数字孪生体，每个边缘服务器首先将融合数字空间中虚拟对象训练的局部模型和通信范围内其它车辆所上传的局部模型，再将融合后的模型参数上传到云中心进行全局融合，得到全局模型；表示车辆n在本地完成模型训练，并将模型参数上传给最近的边缘服务器进行局部融合；表示车辆n是否关联到边缘服务器k，具体表示为：
创建DT所消耗的能量表示为4.根据权利要求1所述的基于数字孪生辅助的经济高效联邦学习方法，其特征在于：步骤S4中，所产生的计算时延和能耗包括：车辆n在本地训练的计算时延和能耗分别为：和边缘服务器使用数字...
【专利技术属性】
技术研发人员：唐伦，文明艳，单贞贞，陈前斌，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
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。