【技术实现步骤摘要】
本专利技术属于无线通信网络，尤其涉及一种面向6g网络的基于联邦学习的最小化网络延迟方法和系统。
技术介绍
1、随着未来海量数据增长，大数据挖掘技术进一步发展以及动态应用场景的通信需求，学术界以及工业界已启动第6代(6g)移动通信研究计划，进而完成无线网络从“连接物”到“智能物”的演变进程。然而，网络延迟、智能终端和网元节点激增、个性化服务定制、多场景多业务动态叠加等问题都将给网络优化和管理带来严峻挑战。如何引入人工智能技术用以满足6g网络严格的低延迟要求，已经成为目前无线网络智能化升级发展的一个重要问题。
2、6g网络中的无线终端设备有限的计算能力和通信资源，成为了实现6g网络低延迟要求的关键限制因素，如果采用传统的机器学习方法按照集中的方式收集生成的数据并执行训练，这一运行机理将无法应对规模庞大和复杂性空前的6g网络，联邦学习(federallearning,fl)是一种很有前途的去中心化机器学习技术，它采用了新型的分布式机器学习架构，其显著特点是将本地生成的数据保留在无线终端设备上，无需将终端设备的任何原始数据上传到服务器即可在本地进行数据训练，由于没有大量原始数据传输，一方面可以节省通信流量，同时也可以减少网络延迟。
3、目前将联邦学习技术应用在改进无线网络延迟的方法主要有以下三种：1)通过联合优化计算资源和用户调度策略，在满足能量需求前提下最大限度的减少训练损失。2)通过优化移动设备的发送功率和智能反射面的相移，用以最小化联邦学习聚合模型平均均方误差。3)构建深度强化学习激励机制，获得任务发布者的
4、面向6g网络的最小化网络延迟问题是一个在无线终端设备获得最大回报和加快联邦学习进程之间取得平衡的难题，其研究难点在于无线终端设备通过加快联邦学习进程来获得最大回报，也将导致无线终端设备在联邦学习进程中为实现低延时而增加能量消耗，而服务器的全局收敛时间反映了无线终端设备完成联邦学习进程的用时，是6g网络中低延迟服务的一个重要指标。因此，设计一种既可以最大化无线终端设备回报率，又能够加快联邦学习进程，即最小化服务器全局收敛时间的方法，在最小化6g网络延时上具有重要的理论意义和应用价值。但是，现有技术中尚无相关描述。
技术实现思路
1、本专利技术针对现有技术中的不足，提供一种面向6g网络的基于联邦学习的最小化网络延迟方法和系统。
2、第一方面，本专利技术提供一种面向6g网络的基于联邦学习的最小化网络延迟方法，包括：
3、构建6g网络中无线终端设备和服务器之间的交互行为的联邦学习模型，并进行基于联邦学习的多轮局部模型训练，以最小化无线终端设备本地数据集的局部损失函数；其中联邦学习模型包括多个无线终端设备和一个服务器；
4、根据多轮局部模型训练的时间和能耗，构建斯塔克尔伯格模型中作为追随者的无线终端设备的效用函数，以使无线终端设备对最大化效用函数感兴趣，并确定斯塔克尔伯格模型中作为领导者的服务器的全局收敛时间；
5、在最大化无线终端设备的效用函数的前提下，最小化服务器的全局收敛时间，以实现最小化6g网络延迟。
6、进一步地，所述构建6g网络中无线终端设备和服务器之间的交互行为的联邦学习模型，并进行基于联邦学习的多轮局部模型训练，以最小化无线终端设备本地数据集的局部损失函数，包括：
7、构建无线终端设备本地数据集的局部损失函数f(w)表达式：
8、
9、其中，dk为第k个无线终端设备的本地数据集；dk＝{xn,k,yn,k}；xn,k为第k个无线终端设备的第n个输入数据向量；yn,k为xn,k的输出标签；f(w,xn,k,yn,k)为输入输出对(xn,k,yn,k)的损失函数；w为全局模型参数；
10、构建每轮局部模型训练的全局模型参数表达式：
11、
12、其中，wi+1为第i+1轮局部模型训练的全局模型参数；i+1∈{1,2,3,…,n}；n为局部模型训练的总轮数；dk'为第k'个参与局部模型训练的无线终端设备的本地数据集；k'为参与局部模型训练的无线终端设备的总数；为第i+1轮局部模型训练中第k'个无线终端设备的局部模型训练参数；
13、进行n轮局部模型训练，得到最小化无线终端设备本地数据集的局部损失函数。
14、进一步地，所述根据多轮局部模型训练的时间和能耗，构建斯塔克尔伯格模型中作为追随者的无线终端设备的效用函数，以使无线终端设备对最大化效用函数感兴趣，并确定斯塔克尔伯格模型中作为领导者的服务器的全局收敛时间，包括：
15、构建斯塔克尔伯格模型中作为追随者的无线终端设备的效用函数uk'的表达式：
16、
17、其中，uk'＞0时，无线终端设备才会参与局部模型训练；uk'≤0时，无线终端设备不愿意参与局部模型训练；t为无线终端设备和服务器一次交互过程中服务器允许的最大时延；ck'为局部模型训练中第k'个参与局部模型训练的无线终端设备执行一个数据样本所需cpu周期数；dk为第k个无线终端设备的本地数据集；fk'为第k'个参与局部模型训练的无线终端设备的cpu主频；tk'为将第k'个参与局部模型训练的无线终端设备更新后的局部模型训练参数传回服务器的时间；q1为无线终端设备完成局部模型训练单位时间内收到的奖励；ξ为无线终端设备的硬件结构系数；pk'为第k'个参与局部模型训练的无线终端设备的发射功率；q2为无线终端设备完成局部模型训练的能耗成本；ak'为二元变量，用于表示无线终端设备是否参与局部模型训练；
18、根据以下公式计算全局收敛时间ts：
19、
20、其中，β为反映无线终端设备之间数据分布特征的参数；θ为联邦学习进程中设置的无线终端设备参数；k'为参与局部模型训练的无线终端设备的总数；为服务器与无线终端设备交互的次数；为参与局部模型训练的无线终端设备数量。
21、进一步地，所述在最大化无线终端设备的效用函数的前提下，最小化服务器的全局收敛时间，以实现最小化6g网络延迟，包括：
22、构建fk'的最优解fk′*的表达式：
23、
24、其中，ξ为无线终端设备的硬件结构系数；q1为无线终端设备完成局部模型训练单位时间内收到的奖励；q2为无线终端设备完成局部模型训练的能耗成本；为第k'个参与局部模型训练的无线终端设备cpu主频的最大值；
25、构建tk'的最优解tk′*的表达式：
26、
27、其中，sk'表示局部模型参数的传输量；gk'表示第k'个参与局部模型训练的无线终端设备的信道增益；hk'为小尺度衰落；dk'为第k'个参与局部模型训练的无线终端设备与通信基站之间的距离；b为可用宽带；n0为功率本文档来自技高网...
【技术保护点】
1.一种面向6G网络的基于联邦学习的最小化网络延迟方法，其特征在于，包括：
2.根据权利要求1所述的面向6G网络的基于联邦学习的最小化网络延迟方法，其特征在于，所述构建6G网络中无线终端设备和服务器之间的交互行为的联邦学习模型，并进行基于联邦学习的多轮局部模型训练，以最小化无线终端设备本地数据集的局部损失函数，包括：
3.根据权利要求1所述的面向6G网络的基于联邦学习的最小化网络延迟方法，其特征在于，所述根据多轮局部模型训练的时间和能耗，构建斯塔克尔伯格模型中作为追随者的无线终端设备的效用函数，以使无线终端设备对最大化效用函数感兴趣，并确定斯塔克尔伯格模型中作为领导者的服务器的全局收敛时间，包括：
4.根据权利要求3所述的面向6G网络的基于联邦学习的最小化网络延迟方法，其特征在于，所述在最大化无线终端设备的效用函数的前提下，最小化服务器的全局收敛时间，以实现最小化6G网络延迟，包括：
5.一种面向6G网络的基于联邦学习的最小化网络延迟系统，其特征在于，包括：
6.根据权利要求5所述的面向6G网络的基于联邦学习的最小化网络
7.根据权利要求5所述的面向6G网络的基于联邦学习的最小化网络延迟系统，其特征在于，所述构建模块包括：
8.根据权利要求7所述的面向6G网络的基于联邦学习的最小化网络延迟系统，其特征在于，所述最小化时间模块包括：
9.一种计算机设备，其特征在于，包括处理器和存储器；其中，处理器执行存储器中保存的计算机程序时实现权利要求1-4任一项所述的面向6G网络的基于联邦学习的最小化网络延迟方法的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序；计算机程序被处理器执行时实现权利要求1-4任一项所述的面向6G网络的基于联邦学习的最小化网络延迟方法的步骤。
...【技术特征摘要】
1.一种面向6g网络的基于联邦学习的最小化网络延迟方法，其特征在于，包括：
2.根据权利要求1所述的面向6g网络的基于联邦学习的最小化网络延迟方法，其特征在于，所述构建6g网络中无线终端设备和服务器之间的交互行为的联邦学习模型，并进行基于联邦学习的多轮局部模型训练，以最小化无线终端设备本地数据集的局部损失函数，包括：
3.根据权利要求1所述的面向6g网络的基于联邦学习的最小化网络延迟方法，其特征在于，所述根据多轮局部模型训练的时间和能耗，构建斯塔克尔伯格模型中作为追随者的无线终端设备的效用函数，以使无线终端设备对最大化效用函数感兴趣，并确定斯塔克尔伯格模型中作为领导者的服务器的全局收敛时间，包括：
4.根据权利要求3所述的面向6g网络的基于联邦学习的最小化网络延迟方法，其特征在于，所述在最大化无线终端设备的效用函数的前提下，最小化服务器的全局收敛时间，以实现最小化6g网络延迟，包括...
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。