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方案

本发明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和系统，方法中，对6G网络的无线终端设备和服务器的交互行为建立联邦学习模型，进行基于联邦学习的多轮局部模型训练。再构建斯塔克尔伯格模型中的追随者无线终端设备的效用函数，建立激励机制促使无线终端设备对最大化效用函数感兴趣。然后，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，达到博弈均衡。本发明专利技术能够增加无线终端设备的有效回报，同时缩短联邦学习进程中服务器的全局收敛时间，减少6G网络延迟。

【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...

【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...

【专利技术属性】
技术研发人员：邱鹏，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：