一种基于联邦学习的数字孪生网络模型的能耗优化方法技术

本发明专利技术涉及物联网技术领域，具体涉及一种基于联邦学习的数字孪生网络模型的能耗优化方法。通过在通信安全条件和模型训练时延以及无线设备发射功率约束下，以最小化数字孪生网络模型进行全局训练过程中的总能耗为优化目标建立优化问题P，对本地模型准确率、全局模型准确率、高空操作平台发射功率和本地模型上传时延进行了联合优化，并通过将该非凸优化问题P垂直分层来分别优化不同变量的思路来解决非凸性优化问题P，实现了在保护各无线设备的数据隐私并且满足训练数字孪生网络模型所需要的各项约束条件的同时，通过联合优化多维资源实现数字孪生网络模型进行全局训练过程中的总能耗最小化，达到了绿色节能、提高企业经济效益的效果。效益的效果。效益的效果。

【技术实现步骤摘要】
一种基于联邦学习的数字孪生网络模型的能耗优化方法


[0001]本专利技术涉及物联网
，具体涉及一种基于联邦学习的数字孪生网络模型的能耗优化方法。

技术介绍

[0002]数字孪生技术作为一种极具潜力的新兴技术，通过构建物理实体的虚拟表示将物理实体和数字空间连接起来，在物理实体和数字空间之间进行数据交互，实时更新状态和环境。应用数字孪生技术构建的数字孪生网络模型能够对实际系统进行全面的建模和仿真分析，以提高实际系统的效率和可靠性，达到监测、控制和优化实际系统的目标。
[0003]数字孪生网络模型最初用于军事和航空领域，主要用于飞行器和导弹的设计和测试，保密工作相对较为容易。但随着数字孪生网络模型在航空、汽车、机械等领域的应用不断拓展，保密工作变得更加复杂。为了保护企业的商业机密，开始出现了一些带有保密条款的数字孪生网络模型。随着企业的商业机密和用户数据隐私的保护需求的不断增加，保密技术不断升级，逐渐采用了一些先进的技术手段，如加密算法、访问控制技术、联邦学习等，以实现数字孪生网络模型的保密和安全。
[0004]相较于基于加密算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的数字孪生网络模型的能耗优化方法，其特征在于，包括以下步骤：步骤S1，构建数字孪生网络模型，所述数字孪生网络模型包括一个高空操作平台、一个窃听者和若干个无线设备，并构建高空操作平台、窃听者以及每个无线设备对应的数字孪生体，将数字孪生体保存在高空操作平台中；步骤S2，将所述数字孪生网络模型进行全局训练的过程分为本地模型训练阶段、本地模型上传阶段、本地模型聚合阶段以及全局模型广播阶段，分别计算所述数字孪生网络模型进行全局训练过程中各个阶段的能耗；步骤S3，以模型训练时延、通信安全要求以及无线设备发射功率为约束条件，以本地模型准确率、全局模型准确率、高空操作平台发射功率和本地模型上传时延为优化变量，以最小化数字孪生网络模型进行全局训练过程中的总能耗为优化目标建立优化问题P；步骤S4，利用优化问题P与高空操作平台发射功率和本地模型上传时延之间的单调性，求解出高空操作平台发射功率和本地模型上传的时延的最优解；步骤S5，将求解出的最优解代入优化问题P，得到优化问题P
‑
1；步骤S6，采用启发式算法对优化问题P
‑
1进行求解，从而得到优化问题P的最优解。2.如权利要求1所述的一种基于联邦学习的数字孪生网络模型的能耗优化方法，其特征在于，步骤S2中，所述数字孪生网络模型进行全局训练的过程具体包括：步骤S201，本地模型训练阶段中，每个无线设备均采用联邦学习的方式使用本地数据训练本地模型；步骤S202，本地模型上传阶段中，所有无线设备将训练后的本地模型上传至高空操作平台；步骤S203，本地模型聚合阶段中，高空操作平台对接收到的本地模型进行聚合，产生全局模型；步骤S204，全局模型广播阶段中，高空操作平台向各无线设备广播所述全局模型，并对广播信号进行混沌扩频处理；步骤S205，各无线设备根据所述全局模型更新本地模型。3.如权利要求2所述的一种基于联邦学习的数字孪生网络模型的能耗优化方法，其特征在于，步骤S2中，计算所述数字孪生网络模型进行全局训练过程中各个阶段的能耗的方法包括：本地模型训练阶段的能耗为：其中，i表示无线设备，I表示无线设备的总数，表示本地模型训练阶段的能耗，η
i
表示无线设备的CPU的能量效率，ρ
i
表示无线设备每处理一个本地数据所需要的CPU周期数，D
i
表示无线设备训练本地模型时使用的本地数据量，u
i
表示无线设备的数据计算能力，M表示一次全局训练中需要进行本地模型训练的次数，其中A表示本地模型训练
中损失函数的预设参数，φ表示本地模型准确率；本地模型上传阶段的能耗为：其中，表示本地模型上传阶段的能耗，t
U
表示本地模型上传的时延，p
i
表示第i个无线设备的发射功率；本地模型聚合阶段的能耗为：其中，表示本地模型聚合阶段的能耗，η
H
表示高空操作平台的CPU的能量效率，ρ
H
表示高空操作平台每处理1bite数据所需要的CPU周期数，u
H
表示高空操作平台的数据计算能力，S
i
表示无线设备上传的本地模型的数据量；全局模型广播阶段的能耗为：其中，表示全局模型广播阶段的能耗，表示下行链路中全局模型广播的时延，p
H
表示高空操作平台的发射功率。4.如权利要求3所述的一种基于联邦学习的数字孪生网络模型的能耗优化方法，其特征在于，步骤S3中，优化问题P的表达式为：P：min E
tot
上式为优化问题P的目标函数，表示最小化数字孪生网络模型进行全局训练过程中的总能耗，其中，E
tot
表示数字孪生网络模型进行全局训练过程中的总能耗，N表示全局训练的次数；优化变量包括：{φ}、{ε}、{p
H
}、{t
U
}，其中，φ表示本地模型准确率，ε表示全局模型准确率，p
H
表示高空操作平台的发射功率，t
U
表示本地模型上传阶段的时延；上式为优化问题P的约束条件1，表示数字孪生网络模型进行全局训练过程中的总时延不能超过物联网最低要求的最大总时延,其中，表示本地模型训练阶段的时延，t
U
表示本地模型上传阶段的时延，表示本地模型聚合阶段的时延，表示全局模型广播阶段的时延，T表示物联网最低要求的最大总时延，N表示全局训练的次数，其中，B表示全局训练次数的变化参数；上式为优化问题P的约束条件2，表示通信安全要求约束，其中，Pr()表示置信区间，w表
示全局模型的数据量，表示安全通信吞吐量，C0表示通信安全概率的预设阈值；上式为优化问题P的约束条件3，表示无线设备发射功率的取值范围，p
i
表示第i个无线设备的发射功率，表示第i个无线设备的发射功率上限；0≤φ≤φ
max
，0≤ε≤ε
max
，上式分别为优化问题P的约束条件4—6，表示优化变量{φ}、{ε}以及{p
H
}的取值范围，其中，φ
max
表示本地模型的最大准确率，ε
max
表示全局模型的最大准确率，表示高空操作平台的发射功率上限。5.如权利要求4所述的一种基于联邦学习...

【专利技术属性】
技术研发人员：王倩如，钱丽萍，李明青，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：