一种无人机辅助的联邦学习资源分配方法组成比例

本发明专利技术公开了一种无人机辅助的联邦学习资源分配方法，针对无人机辅助的联邦学习无线网络场景，考虑到无人机高度对覆盖范围的影响，以实现用户总能耗与联邦学习性能之间的均衡。该方法同时考虑用户总能耗与联邦学习性能，定义了系统总代价函数，其中总代价函数由用户总能耗与参加联邦学习用户数的倒数加权组成，并形成了总代价函数最小化的优化问题，分解为无人机水平位置、本地精度和通信与计算资源三个优化子问题，分别采用逐次凸逼近、Dinkelbach Method方法、二分法与KKT条件对三个子问题进行求解，最终通过三个子问题迭代得到合理的资源分配方案，以实现保障联邦学习性能的同时，降低用户总能耗。降低用户总能耗。降低用户总能耗。

【技术实现步骤摘要】
一种无人机辅助的联邦学习资源分配方法


[0001]本专利技术涉及通信
，具体涉及一种基于无人机辅助的联邦学习联合学习性能与资源分配方法。

技术介绍

[0002]近几年来，智能设备的普及以及物联网规模的不断扩大，数据的数量呈现出指数增长的趋势。通过分析处理这些数据，一些智能应用(人脸识别、智能驾驶、语音识别)得到了光速的发展，但也引起了数据的安全性与隐私问题，并随着人们逐渐对隐私问题的日益关注，越来越多的实体开始强调数据的归属权和使用权，降低了不同实体之间的数据交流，使各实体逐渐成为“数据孤岛”。为了解决上述问题，使数据的价值得到更大的发挥，提高人工智能算法的性能，联邦学习(Federated Learning，FL)应运而生。
[0003]联邦学习能够在不暴露各方数据的前提下，协调各方进行联合学习，与传统的集中式学习相比，提高了资源利用率，保障了用户的隐私性。在联邦学习的过程中，各参与者不需要上传本地的原始数据，仅需要上传与数据相关的神经网络模型参数，后由主服务器将模型参数进行安全聚合，并反馈给参与者，参与者根据自身所拥有的数据集对全局模型进行更新，有效保证了各参与者敏感数据的安全性和隐私性。为了进一步提升联邦学习的性能，无人机开始作为空中基站与联邦学习结合，无人机作为空中移动基站，能够快速构建区域无线网络，提供应急通信服务。无人机与联邦学习的结合，与固定基站的场景相比，无人机可以找到一个合适的位置，以减少用户的能耗，在一定程度上缓解了用户对无线资源的竞争，同时，合理的资源分配方案能够有效的降低用户的能耗，并且提升联邦学习的效率。

技术实现思路

[0004]本专利技术目的：在于提出一种无人机辅助的联邦学习资源分配方法。该方法考虑无人机飞行高度对覆盖范围的影响，提出了一种资源分配机制，以保障学习性能的同时，减少了用户的总能耗。
[0005]为实现以上功能，本专利技术设计一种无人机辅助的联邦学习资源分配方法，构建总代价函数最小化的优化问题P，根据用户状态与本地精度确定最佳无人机水平位置决策，根据无人机与用户的状态确定最优本地精度，根据无人机位置与本地精度决定最优用户资源分配的决策，改变无人机的飞行高度，重复上述迭代步骤，得到无人机的最优高度，以降低参加学习用户总能耗。
[0006]技术方案：为解决上述技术问题，本专利技术采用的技术方案为：
[0007]第一方面，本专利技术提供一种无人机辅助的联邦学习资源分配方法，包括：
[0008]S1.根据参加联邦学习用户的总能耗以及参加学习用户数的倒数确定系统总代价函数及约束条件，构建总代价函数最小化的优化问题P；
[0009]S2.利用所述优化问题P进行求解，得到最优无人机的水平位置q
m
，最优本地精度
η，最优用户资源分配决策，最优无人机的高度h；
[0010]S3.无人机飞行至求解得到的最优无人机的水平位置q
m
和高度h，处于无人机范围内的用户按照求解得到最优用户资源分配决策和最优本地精度η决策参加联邦学习。
[0011]在一些实施例中，所述步骤S1，构建总代价函数最小化的优化问题P，包括：
[0012]S11.用户的集合表示为无人机m服务范围内的用户用集合表示共N
m
个用户；用户i与无人机m的距离为：
[0013][0014]其中h表示无人机的高度，q
m
＝{x
m
，y
m
}表示为无人机m的水平位置，q
i
＝{x
i
，y
i
}表示用户i的位置，用户i的信道增益为：
[0015][0016]其中g0为d0＝1m时的信道干扰功率，α为路径损耗指数；
[0017]S12.联邦学习过程中用户终端的能耗包括训练能耗和通信能耗；
[0018]S13.用D
i
表示用户i的数据量，f
i
表示用户i的CPU每秒转的圈数，C
i
表示用户i处理一个样本数据CPU转的圈数，I
l
表示本地精度达到η时当本地训练的轮数；
[0019][0020]其中L、γ是关于神经网络损失函数的相关参数，δ是联邦学习训练学习步长；
[0021]用户i在联邦学习一轮迭代中训练能耗表示为：
[0022][0023]S14.用户完成当地训练后，通过FDMA的方式将训练完的模型上传到无人机；用b
i
表示分配给用户i的带宽，p
i
表示用户i的发送功率，N0表示噪声功率谱密度，根据香农公式，用户i可达到的传输速率R
i
为：
[0024][0025]假设神经网络模型w数据大小为s，用户i通信能耗为：
[0026][0027]S15.当要求全局模型精度达到ε0时，通信轮数I
g
为：
[0028][0029]其中ξ表示本地神经网络训练中的相关参数，所以整个联邦学习过程的总能耗E
total
为：
[0030][0031]S16.总的代价函数C定义为：
[0032][0033]目标函数为：
[0034][0035]其中，表示定值，ρ表示加权系数；
[0036]S17.考虑到用户总能耗与联邦学习的性能，系统的优化问题P为：
[0037][0038]约束条件为：
[0039]C1:0≤f
i
≤f
imax
[0040]C2:
[0041]C3:
[0042]C4:
[0043]C5:
[0044]C6:h
min
≤h≤h
max
[0045]C7:
[0046]C8:0≤η≤1
[0047]其中T为联邦学习完成时间总预算，B表示无人机所拥有的总带宽，f
imax
表示用户i的最大计算频率，表示用户i的最大传输功率，h
min
、h
max
分别表示无人机飞行的最低和最高高度；在联邦学习允许最大时延的限制条件下，通过联合优化无人机的位置(水平位置q
m
＝{x,y}和高度h)、用户的传输功率计算频率传输带宽传输时间及本地精度η，最小化目标函数；约束C1、C2表示用户计算频率和传输功率的约束；约束C3表示参加联邦学习的用户总时延不能超过预设的最大
值；约束C4为对传输时延的约束，即在规定传输时间内必须完成模型的传输，R
i
为用户i可达到的传输速率；约束C5表示无人机的位置约束，用户与无人机的距离不能超过无人机的覆盖范围；约束C6限制了无人机的飞行高度范围；约束C7表示分配给无人机覆盖范围内所有用户的带宽总和不能超过总带宽B；约束C8规定了本地训练精度η的约束范围。
[0048]在一些实施例中，所述S2.利用所述优化问题P进行求解，包括：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机辅助的联邦学习资源分配方法，其特征在于，包括：S1.根据参加联邦学习用户的总能耗以及参加学习用户数的倒数确定系统总代价函数及约束条件，构建总代价函数最小化的优化问题P；S2.利用所述优化问题P进行求解，得到最优无人机的水平位置，最优本地精度，最优用户资源分配决策，最优无人机的高度；S3.无人机飞行至求解得到的最优无人机的水平位置和高度，处于无人机范围内的用户按照求解得到最优用户资源分配决策和最优本地精度决策参加联邦学习。2.如权利要求1所述的一种无人机辅助的联邦学习资源分配方法，其特征在于，所述步骤S1，构建总代价函数最小化的优化问题P，包括：S11.用户的集合表示为无人机m服务范围内的用户用集合表示共N
m
个用户；用户i与无人机m的距离为：其中h表示无人机的高度，q
m
＝{x
m
，y
m
}表示为无人机m的水平位置，q
i
＝{x
i
，y
i
}表示用户i的位置，用户i的信道增益为：其中g0为d0＝1m时的信道干扰功率，α为路径损耗指数；S12.联邦学习过程中用户终端的能耗包括训练能耗和通信能耗；S13.用D
i
表示用户i的数据量，f
i
表示用户i的CPU每秒转的圈数，C
i
表示用户i处理一个样本数据CPU转的圈数，I
l
表示本地精度达到η时当本地训练的轮数；其中L、γ是关于神经网络损失函数的相关参数，δ是联邦学习训练学习步长；用户i在联邦学习一轮迭代中训练能耗表示为：S14.用户完成当地训练后，通过FDMA的方式将训练完的模型上传到无人机；用b
i
表示分配给用户i的带宽，p
i
表示用户i的发送功率，N0表示噪声功率谱密度，根据香农公式，用户i可达到的传输速率R
i
为：假设神经网络模型w数据大小为s，用户i通信能耗为：S15.当要求全局模型精度达到ε0时，通信轮数I
g
为：
其中ξ表示本地神经网络训练中的相关参数，所以整个联邦学习过程的总能耗E
total
为：S16.总的代价函数C定义为：目标函数为：其中，表示定值，ρ表示加权系数；S17.考虑到用户总能耗与联邦学习的性能，系统的优化问题P为：约束条件为：C1:0≤f
i
≤f
imax
C2:0≤p
i
≤p
imax
C3:C4:C5:C6:h
min
≤h≤h
max
C7:C8:0≤η≤1其中T为联邦学习完成时间总预算，B表示无人机所拥有的总带宽，f
imax
表示用户i的最大计算频率，表示用户i的最大传输功率，h
min
、h
max
分别表示无人机飞行的最低和最高高度；在联邦学习允许最大时延的限制条件下，通过联合优化无人机的位置(水平位置q
m
＝{x,y}和高度h)、用户的传输功率计算频率传输带宽
传输时间及本地精度η，最小化目标函数；约束C1、C2表示用户计算频率和传输功率的约束；约束C3表示参加联邦学习的用户总时延不能超过预设的最大值；约束C4为对传输时延的约束，即在规定传输时间内必须完成模型的传输，R
i
为用户i可达到的传输速率；约束C5表示无人机的位置约束，用户与无人机的距离不能超过无人机的覆盖范围；约束C6限制了无人机的飞行高度范围；约束C7表示分配给无人机覆盖范围内所有用户的带宽总和不能超过总带宽B；约束C8规定了本地训练精度η的约束范围。3.如权利要求1所述的一种无人机辅助的联邦学习资源分配方法，其特征在于，所述S2.利用所述优化问题P进行求解，包括：S2.1.设定初始无人机水平飞行位置q
m
和最小飞行高度h；S2.2.设定无人机覆盖范围内的初始用户资源分配决策和本地精度η，其中用户资源分配决策包括计算频率f、传输时间t、传输功率p和传输带宽b；S2.3.根据h，f，t，p，b，η，利用所述优化问题P进行求解得到最优无人机水平位置q
m
；S2.4.根据h，f，t，p，b和S2.3得到的最优无人机水平位置q
m
，利用所述优化问题P进行求解得到最优本地精度η；S2.5.根据h、S2.3得到的最优无人机水平位置q
m
和S2.4得到的η，利用所述优化问题P进行求解得到最优用户资源分配决策f、t、p和b...

【专利技术属性】
技术研发人员：朱琦，刘超艺，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：