基于端节点剩余能量感知的联邦学习服务部署方法、系统、设备及介质技术方案

基于端节点剩余能量感知的联邦学习服务部署方法、系统、设备及介质，其方法包括根据联邦学习过程，为每个端节点构建对应的联邦学习时间模型和端节点能耗模型；根据联邦学习时间模型和端节点能耗模型进行云端博弈；对参与训练的端节点进行边端匹配；其系统、设备及介质用于基于端节点剩余能量感知的联邦学习服务部署方法；在端节点选择阶段中，设计云端博弈算法和边端匹配算法，确定参与分布式训练的端节点及其计算资源分配量，并将端节点剩余能量引入博弈收益函数，使剩余能量少的端节点选择较低的CPU频率，确定端节点接入的边节点以及端节点的发射功率分配，并将端节点剩余能量引入端节点偏好函数，从而降低端节点计算能耗，实现端节点能量保护。实现端节点能量保护。实现端节点能量保护。

【技术实现步骤摘要】
基于端节点剩余能量感知的联邦学习服务部署方法、系统、设备及介质


[0001]本专利技术属于联邦学习
，尤其涉及基于端节点剩余能量感知的联邦学习服务部署方法、系统、设备及介质。

技术介绍

[0002]联邦学习通过联合多源数据，在数据不离开本地的条件下构建可用的机器学习模型，能有效解决隐私泄露的问题；在联邦学习常见架构中，云
‑
边
‑
端三层式架构具有训练效率高、模型性能好的优点，受到了广泛研究。云
‑
边
‑
端三层式联邦学习服务部署包含两个阶段，端节点选择与边端关联。在端节点选择阶段，端节点自主决定是否参与联邦学习训练，且进行模型训练会消耗节点计算资源并降低节点电池容量，需要设计激励机制来激励端节点参加模型训练。在边端关联阶段，边缘节点拥有的网络资源有限，太多端节点接入同一个边缘节点会导致网络拥塞，降低边端通信效率及局部聚效率。另外，当剩余能量过低时，端节点将无法进行模型训练并将联邦学习模型上传，进而导致联邦学习训练停滞，因此需要在联邦学习部署的两个阶段引入端节点剩余能量保本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于端节点剩余能量感知的联邦学习服务部署方法，其特征在于，具体步骤如下：步骤S1、根据联邦学习过程，为每个端节点构建对应的联邦学习时间模型和端节点能耗模型；步骤S2、根据步骤S1中得到的联邦学习训练时间模型和端节点计算能耗模型进行云端博弈；步骤S3、根据步骤S1得到的联邦学习通信时间模型和端节点通信能耗模型，对步骤S2得到的参与联邦训练的端节点进行边端匹配。2.根据权利要求1所述的基于端节点剩余能量感知的联邦学习服务部署方法，其特征在于，所述步骤S1中联邦学习时间模型和端节点能耗模型构建具体操作如下：构建联邦学习训练时间模型，将端节点i训练时间记为将端节点i进行模型训练使用的CPU周期数记为c
i
，将端节点i使用的CPU频率记为f
i
，其中可表示为：构建联邦学习通信时间模型，将端节点i与边缘节点j之间的通信时间记为将端节点i与边缘节点j之间的信道增益记为h
ij
，模型参数大小记为w，将通信带宽记为B，端节点i的发射功率记为p
i
，其中可以表示为：构建端节点计算能耗模型，使用表示端节点i的计算能耗，使用k表示端节点i的有效电容系数，其中表示为：构建端节点通信能耗模型，使用表示端节点i接入边缘节点j的通信能耗，p
i
表示端节点i的发射功率，则表示为：3.根据权利要求1所述的基于端节点剩余能量感知的联邦学习服务部署方法，其特征在于，所述步骤S2具体操作如下：步骤S2.1、根据联邦学习时间模型，构建云节点时延最小收益函数；步骤S2.2、根据端节点能耗模型和端节点剩余能量，构建端节点收益函数；步骤S2.3、对云节点和端节点收益函数进行求解，得到参与训练的端节点及其计算资源分配方案。4.根据权利要求3所述的基于端节点剩余能量感知的联邦学习服务部署方法，其特征在于，所述步骤S2.2中的端节点收益函数具体为：使用U
i
(q
i
,f
i
)表示端节点i进行模型训练所得报酬，使用q
i
表示云节点付给端节点i的
CPU频率单价，使用cost
i
表示端节点i能耗开销因子，E
i,res
表示端节点i在完成当前联邦学习训练周期后的剩余能量，E
i,max
表示端节点i的最大可用能量，使用α表示节点剩余能量因子，其大小表示端节点剩余能量对端节点进行决策的影响程度，将U
i
(q
i
,f
i
)表示为：5.根据权利要求3所...

【专利技术属性】
技术研发人员：马英红，张悦萌，焦毅，李红艳，刘伟，张琰，刘勤，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：