CN114553661B - 一种面向无线联邦学习的移动用户设备分簇训练方法 - Google Patents

一种面向无线联邦学习的移动用户设备分簇训练方法 Download PDF

Info

Publication number
CN114553661B
CN114553661B CN202210109912.7A CN202210109912A CN114553661B CN 114553661 B CN114553661 B CN 114553661B CN 202210109912 A CN202210109912 A CN 202210109912A CN 114553661 B CN114553661 B CN 114553661B
Authority
CN
China
Prior art keywords
user equipment
mobile user
cluster
edge server
representation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210109912.7A
Other languages
English (en)
Other versions
CN114553661A (zh
Inventor
赵海涛
张晨虎
陈泽超
夏文超
倪艺洋
孔志鹏
彭敏鑫
徐婧
徐林林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202210109912.7A priority Critical patent/CN114553661B/zh
Publication of CN114553661A publication Critical patent/CN114553661A/zh
Application granted granted Critical
Publication of CN114553661B publication Critical patent/CN114553661B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/04—Network management architectures or arrangements
    • H04L41/042—Network management architectures or arrangements comprising distributed management centres cooperatively managing the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/04—Network management architectures or arrangements
    • H04L41/044—Network management architectures or arrangements comprising hierarchical management structures
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/12—Shortest path evaluation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向无线联邦学习的移动用户设备分簇训练方法，无线网络中有1台边缘服务服务器和多个移动用户设备，每个用户设备拥有属于本地数据集。首先利用DBSCAN算法以及LEACH算法将用户分为多个簇并选出簇头。然后每个用户利用本地数据训练各自的模型参数并上传至其所在簇的簇头进行聚合，簇头将聚合后的模型进一步上传至边缘服务器聚合。边缘服务器将聚合后的模型参数分发到簇头，并由簇头进一步分发到簇内用户设备进行下一轮训练。如此重复，直至收敛。利用该分簇训练方法，可以降低无线联邦学习的通信开销和训练时延。

Description

一种面向无线联邦学习的移动用户设备分簇训练方法
技术领域
本发明面向物联网环境下联邦学习的技术领域，特别针对改善联邦学习集中式聚合服务器可能会由于物理损坏或恶意用户的安全攻击而停止工作，从而中断训练进程的情况。
背景技术
当下，人工智能(AI)已经进入生活的方方面面，众所周知，支撑AI训练的核心是数据，尤其是精确且具有分布代表性的优质数据。现实生活中，除了少数巨头公司能够满足，绝大多数企业都存在数据量少，数据质量差的问题，不足以支撑人工智能技术的实现；同时国内外监管环境也在逐步加强数据保护，陆续出台相关政策，如欧盟最近引入的新法案《通用数据保护条例》(GDPR)，我国国家互联网信息办公室起草的《数据安全管理办法(征求意见稿)》，在未来，数据信息会成为越来越重要的私有财产，因此数据在安全合规的前提下自由流动，成了大势所趋。面对商业公司所拥有的巨大的潜在价值的数据，两个公司甚至公司间的部门都要考虑利益的交换，往往这些机构不会提供各自数据与其他公司做直接的聚合，导致即使在同一个公司内，数据也往往以孤岛形式出现。基于以上不足以支撑实现、不允许粗暴交换、不愿意贡献价值三点，导致了现在大量存在的数据孤岛，以及隐私保护问题，联邦学习应运而生。
基于联邦学习(FL)的边缘智能可以被认为是许多新兴的、严格的延迟物联网(物联网)应用程序的一个很有前途的范例，预计在可预见的未来，物联网设备的数量将迅速激增。如何在用户加入时分配与其信道资源匹配较好的边缘端，以减少其与边缘段交互延迟显得格外重要。此外，传统的集中式FL聚合服务器可能会由于安全攻击或物理损坏而停止工作，并且伴随客户端训练延时以及客户端上传延时的而造成机器学习收敛速度慢的困扰，采用分布式架构的服务器可以提高系统的高并发，高可用，以及可扩展性能。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种物联网联邦学习中移动用户设备分簇方法，通过DBSCAN密度分簇以及LEACH算法将用户多层区分，再通过评分加权选出簇头，使得每个用户将本地训练模型传输至最近的簇头进行聚合，以此减小整个分布式联邦学习的通信时延和本地训练时延，达到快速收敛。
本发明为解决上述技术问题采用以下技术方案：
假设无线网络中联邦学习模型由1台边缘服务器和N个移动用户设备组成，用户设备集合为Ψ＝{UEn|1≤n≤N}，每个用户设备UEn的本地训练数据集为Dn。
一种面向无线联邦学习的移动用户设备分簇训练方法的具体步骤如下：
步骤a.第n个移动用户设备UEn将各自的指示信息上传至边缘服务器，其中sn代表第n个移动用户设备的位置坐标，/>代表第n个移动用户设备的速度矢量(单位米/秒)，/>代表第n个移动用户设备的CPU算力(单位：cycle/秒)以及Pn代表第n个移动用户设备的发射功率。
步骤b.边缘服务器根据所有用户设备的位置坐标，采用DBSCAN算法将用户设备划分为K个不同的类别其中/>代表第k个类别，/>代表/>内的用户数目，未被划分至类别的用户集合为/>
步骤c.边缘端服务器计算内第i个用户设备/>的评分值。
步骤d.根据步骤c计算得到的评分值，确定簇头以及簇内成员，对用户设备进行分簇。
步骤e.每个簇内的用户设备分别进行本地训练，通过梯度下降法得到各自的本地模型参数。
步骤f.每个簇内用户设备将本地模型参数上传至所在簇的簇头进行聚合，通过加权平均计算簇模型参数。所有簇头将各自的簇模型参数上传至边缘服务器进行聚合，获得全局模型参数
步骤g.边缘服务器计算全局模型损失函数若/>则模型训练结束，否则返回步骤a，其中ε0表示设定精度，是一个极小的常数。
作为本发明所述的一种面向无线联邦学习的移动用户设备分簇训练方法进一步优化方案，所述步骤c包括步骤：
步骤c01.将内第i个用户设备表示为/>定义/>的位置坐标为/>和/>的位置坐标为/>边缘端服务器计算/>的位置度量/>
其中，表示/>内除/>以外的用户集合。
步骤c02.定义的速度矢量/>和/>的速度矢量其中/>和/>分别是/>和/>的速率，α和β分别是/>和/>的运动方向。边缘端服务器计算/>的速度度量/>计算公式如下：
其中， 分别表示第/>次记录的/>和/>的速度矢量，/>表示本轮联邦学习内记录/>速度矢量的次数。
步骤c03.边缘端服务器计算的链路保持时间度量/>计算公式如下：
其中，
其中，
L表示自定义链路长度。
步骤c04.边缘端服务器计算用户的时延，计算公式如下：
其中，η为权值，表示/>本地训练模型所需要的时延，/>表示/>和/>之间通信所需要的时延，计算公式如下：
其中，表示/>和/>通信的数据量，/>表示它们之间的信道传输速率，/>表示用户设备间信道带宽，/>表示用户间噪声功率谱密度，/>表示/>的功率，/>计算公式如下：
其中，Ei,k表示本地训练模型所需计算内存的大小，/>用户/>的CPU运行速率。
步骤c05.边缘端服务器计算的评分/>的公式如下：
其中， 分别表示/> 的权值。
作为本发明所述的一种面向无线联邦学习的移动用户设备分簇训练方法进一步优化方案，所述步骤d包括步骤：
步骤d01.边缘端服务器设置第τ轮联邦学习的阈值/>用户设备/>从边缘端服务器下载自己的评分值/>和自己所属类别的阈值/>评分值/>小于阈值/>的用户设备选入簇头集合，大于等于该阈值的选入簇内成员集合，其中/>表达式如下所示：
其中，pk表示预设的选为簇头概率百分比，G表示最近轮没有成为簇头的用户设备集合，[]为取整。该表达式的含义为：若/>内任意一个用户设备均不属于集合G，则否则/>
步骤d02.将簇内成员集合内的用户设备分配给与其欧氏距离最近的簇头，将集合中的用户设备分配给与其欧氏距离最近的簇头，完成移动用户设备的分簇。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
(1)本方法在保证联邦学习性能的同时，兼顾物联网环境下用户的移动性，在每轮联邦学习的过程中调整对移动用户的分簇参数，使得用户集群划分合理，用户间总的传输路径最短。
(2)本方法在物联网中用户上传参数时，通过对用户各个指标加权评分的方式，选择最佳中心簇头，减少传输时延和训练时延，以此减小联邦学习训练收敛时间。
附图说明
图1为一种面向无线联邦学习的移动用户设备分簇训练方法的网络架构图；
图2为一种面向无线联邦学习的移动用户设备分簇训练方法的步骤b01流程图；
图3为一种面向无线联邦学习的移动用户设备分簇训练方法的训练延时和loss值的仿真图；
图4为一种面向无线联邦学习的移动用户设备分簇训练方法的训练延时和准确率的仿真图；
图5为一种面向无线联邦学习的移动用户设备分簇训练方法的时间仿真图；
图6为一种面向无线联邦学习的移动用户设备分簇训练方法的功率损耗仿真图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。
根据本发明提出的一种物联网边缘环境中面向无线联邦学习的移动用户设备分簇方法，通过DBSCAN密度分簇以及LEACH算法将用户多层区分，再通过评分加权选出簇头，使得每个用户将本地训练参数传输至最合理的簇头进行聚合，以此减小整个分布式联邦学习的通信时延和本地训练时延，达到快速收敛。
本例中的物联网下分布式联邦学习架构参与用户分布如图1所示，假设在无线网络中，有N个用户设备，集合表示为：Ψ＝{UEn|1≤n≤N}，每个用户设备都拥有属于自己的本地数据集Dn，它们通过边缘服务器实现数据共享。
本例中的用户设备划分集群流程图如图2所示，假设UEi在第τ轮联邦学习的位置坐标为根据用户分设备位置密度分布采用DBSCAN算法将它们第一次粗略划分为不同的类别，具体流程如图2所示，以/>表示在第τ轮联邦学习所划分的第k个类别，该方法包括以下步骤：
步骤1：初始化在第τ轮联邦学习的核心用户设备集合Ωτ＝φ，簇群数量kτ＝0，未访问的用户设备集合为Γτ＝Ψ，类别给定变量ε，MinPts。
步骤2：对任意的UE∈Ψ，通过距离度量方式找到所有与之距离小于ε的用户设备，用集合Nτ表示，即Nτ＝{UEj|d(UEi,UEj)≤ε}，其中d表示设备间距离。
步骤3：如果集合Nτ元素个数满足|Nτ|≥MinPts，则将UEi加入集合Ωτ中，转至步骤4，否则重新选择用户设备UE，转至步骤2。
步骤4：如果集合Ωτ＝φ，则算法结束，否则转至步骤5。
步骤5：随机在集合Ωτ里选择一个核心用户设备UEo，初始化一个当前核心用户设备集合初始化簇内成员集合/>更新kτ＝kτ+1，更新未访问样本集合Γτ＝Γτ-UEo。
步骤6：如果当前簇内核心用户集合则更新/> 转至步骤4，否则更新集合/>转至步骤7。
步骤7：在集合取出一个核心用户UEo'，找出其集合/>令/>更新当前集群/>更新未访问用户集合Γτ＝Γτ-M，更新/>转至步骤6。
最终，得到第τ轮联邦学习的用户设备簇群
此时类别内第i个用户设备表示为/>未被划入类别内的用户设备集合表示为/>对/>计算其位置度量/>速度度量/>链路保持时间度量/>与时延/>
根据位置坐标/> 的位置坐标/>计算/>计算公式如下：
其中，表示/>内除/>以外的用户集合。
假设第τ轮联邦学习从用户开始本地训练模型到上传模型参数进行聚合的时间为期间每隔时间长度/>记录一次/>此刻位置坐标/>总共记录/>次，可得在/>次记录的位移为：
由此可得的速率值和位移角度如下式所示：
可得在/>时间内的速度集合如下式所示：
接着计算和簇/>内其他用户的相对速度，如下式所示：
最后计算的速度度量/>如下式所示：
用户和/>的速度矢量为/>和/> 和/>分别表示/>和/>的速率，α和β分别表示/>和/>的运动方向。
设置一个链路长度L，带入如下公式得到链路保持时间度量
其中，的计算公式如下所示：
的计算公式如下所示：
的计算公式如下所示
对于的时延/>由用户设备执行训练任务运行时延/>和上传参数时延/>构成，边缘服务器已知用户间信道噪声功率谱密度N和信道带宽/>每个用户设备执行的程序内存大小为Ei,k，/>的计算公式如下：
其中，表示/>和/>之间通信所需要的时延，/>表示/>执行程序所需要的时延，/>计算公式如下：
其中，表示/>和/>发送的数据量，/>表示它们之间的信道传输速率，/>表示用户设备间信道带宽，/>表示用户间噪声功率谱密度，/>表示/>的功率。
可得的计算公式如下：
其中，η为权值。
计算的得分值/>
其中， 为权值，保证和为1。
假设此时处于第τ轮联邦学习中，那么该轮的评分阈值如下式所示：
其中，pk表示预设的选为簇头概率百分比，G表示最近轮没有成为簇头的用户集合。
若评分值小于阈值/>则用户设备/>选入簇头集合，否则选入簇内成员集合。将簇内成员集合内的用户设备分配给与其欧氏距离最近的簇头，将集合/>中的用户设备分配给与其欧氏距离最近的簇头，完成移动用户设备的分簇。
第t个簇ζt内第s个用户设备通过梯度下降法(参见A Graph FederatedArchitecture with Privacy Preserving Learning公式1-公式3)，将本轮训练好的本地模型参数/>先上传至其所属簇的簇头进行聚合，得到所属簇上的聚合模型参数(即簇模型参数)/>
其中，通过边缘服务器与其它簇头共享，更新全局模型，更新后的全局模型如下式所示：
其中，λ为权值。
边缘服务器将以广播方式传回用户设备，若模型准确率和loss未收敛，开始下一轮联邦学习，否则结束联邦学习。
本例中的仿真由图3-6所示，可以看出，物联网边缘环境中面向无线联邦学习的移动用户设备分簇方法(DL-Cluster)相比于随机分簇(Rd-Cluster)和传统集中式联邦学习(Base-FL)，在准确率收敛和loss收敛速度上明显增加，每轮联邦学习消耗的时间也显著减少。随着用户数的增多，无论是功率消耗的稳定性和数量值，该方法也比随机分簇和传统集中式联邦学习具有更好的表现。

Claims (6)

1.一种面向无线联邦学习的移动用户设备分簇训练方法，其特征在于，将移动用户设备划分为多个簇并选出簇头，簇头负责收集簇内成员的模型参数并通过边缘服务器与其它簇交互，实现联邦学习快速收敛；该方法具体包括如下步骤：
步骤a.每个移动用户设备将各自的指示信息上传至边缘服务器，其中指示信息包括移动用户设备的位置坐标、速度矢量、CPU算力以及发射功率；
步骤b.边缘服务器根据所有移动用户设备的位置坐标，采用DBSCAN算法将移动用户设备划分为K个不同的类别；
步骤c.边缘服务器计算步骤b每个类别内移动用户设备的评分值；
步骤d.根据步骤c计算得到的评分值，确定簇头以及簇内成员，对移动用户设备进行分簇；
步骤e.每个簇内的移动用户设备分别进行本地训练，并通过梯度下降法得到各自的本地模型参数；
步骤f.每个簇内的移动用户设备依次将各自的本地模型参数上传至所在簇的簇头进行聚合，得到对应的簇模型参数；
步骤g.所有簇头将各自对应的簇模型参数上传至边缘服务器进行聚合，获得全局模型参数；
步骤h.边缘服务器根据全局模型参数，计算全局模型损失函数，若全局模型损失函数小于设定精度，则训练结束，否则返回步骤a。
2.根据权利要求1所述的一种面向无线联邦学习的移动用户设备分簇训练方法，其特征在于，所述步骤c包括步骤：
步骤c01.边缘服务器计算第k个类别内第i个移动用户设备/>的位置度量/>计算公式如下：
其中，表示/>的位置坐标，/>表示/>内第j个移动用户设备/>的位置坐标，/>表示/>内除/>以外的移动用户设备集合，/>表示/>内的移动用户数目；
步骤c02.边缘服务器计算的速度度量Vi k，计算公式如下：
其中，分别表示第/>次记录的/>和/>的速度矢量，/>表示本轮联邦学习内记录移动用户设备速度矢量的次数；
步骤c03.边缘服务器计算的链路保持时间度量/>计算公式如下：
其中，
L表示链路长度；
步骤c04.边缘服务器计算的时延/>计算公式如下：
其中，η为权值，表示/>本地训练模型所需要的时延，/>表示/>和/>之间通信所需要的时延；
步骤c05.边缘服务器计算的评分值/>计算公式如下：
其中， 分别表示/>Ti k的权值。
3.根据权利要求2所述的一种面向无线联邦学习的移动用户设备分簇训练方法，其特征在于，的计算公式为：/>其中/>表示/>和通信的数据量，/>表示/>和/>之间的信道传输速率，/>表示/>和/>间信道带宽，N0表示用户间噪声功率谱密度，/>表示/>的功率。
4.根据权利要求2所述的一种面向无线联邦学习的移动用户设备分簇训练方法，其特征在于，Ti k,run的计算公式为：其中Ei,k表示/>本地训练模型所需计算内存的大小，/>表示/>的CPU运行速率。
5.根据权利要求2所述的一种面向无线联邦学习的移动用户设备分簇训练方法，其特征在于，所述步骤d包括步骤：
步骤d01.边缘服务器设置每个类别每轮联邦学习的阈值，每个类别内的移动用户设备从边缘服务器下载各自的评分值和所属类别的阈值，评分值小于对应阈值的移动用户设备选入簇头集合，大于等于该阈值的移动用户设备选入簇内成员集合；
步骤d02.将簇内成员集合内的移动用户设备分配给与其欧氏距离最近的簇头，同时将步骤b中未划分至类别的移动用户设备分配给与其欧氏距离最近的簇头，完成移动用户设备的分簇。
6.根据权利要求5所述的一种面向无线联邦学习的移动用户设备分簇训练方法，其特征在于，第k个类别第τ轮联邦学习的阈值/>的表达式为：
其中，pk表示预设的选为簇头概率百分比，G表示最近轮没有成为簇头的移动用户设备集合，[]为取整。
CN202210109912.7A 2022-01-29 2022-01-29 一种面向无线联邦学习的移动用户设备分簇训练方法 Active CN114553661B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210109912.7A CN114553661B (zh) 2022-01-29 2022-01-29 一种面向无线联邦学习的移动用户设备分簇训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210109912.7A CN114553661B (zh) 2022-01-29 2022-01-29 一种面向无线联邦学习的移动用户设备分簇训练方法

Publications (2)

Publication Number Publication Date
CN114553661A CN114553661A (zh) 2022-05-27
CN114553661B true CN114553661B (zh) 2023-08-18

Family

ID=81674472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210109912.7A Active CN114553661B (zh) 2022-01-29 2022-01-29 一种面向无线联邦学习的移动用户设备分簇训练方法

Country Status (1)

Country Link
CN (1) CN114553661B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115150918A (zh) * 2022-06-06 2022-10-04 西北农林科技大学 一种分簇网络架构下的可靠联邦学习方法、系统、设备及终端
CN115118591B (zh) * 2022-06-08 2023-07-25 南京邮电大学 一种基于联盟博弈的簇联邦学习方法
CN115099419B (zh) * 2022-08-26 2022-11-18 香港中文大学（深圳） 一种面向无线联邦学习的用户协同传输方法
CN115757076B (zh) * 2022-12-09 2023-10-27 国网湖北省电力有限公司信息通信公司 一种基于设备运行特征和性能指标的簇管理适应度计算方法
CN116991587B (zh) * 2023-08-14 2024-04-12 北京百度网讯科技有限公司 联邦学习中的设备调度方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112532451A (zh) * 2020-11-30 2021-03-19 安徽工业大学 基于异步通信的分层联邦学习方法、装置、终端设备及存储介质
CN113988314A (zh) * 2021-11-09 2022-01-28 长春理工大学 一种选择客户端的分簇联邦学习方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210406782A1 (en) * 2020-06-30 2021-12-30 TieSet, Inc. System and method for decentralized federated learning

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112532451A (zh) * 2020-11-30 2021-03-19 安徽工业大学 基于异步通信的分层联邦学习方法、装置、终端设备及存储介质
CN113988314A (zh) * 2021-11-09 2022-01-28 长春理工大学 一种选择客户端的分簇联邦学习方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于学习自动机理论与稳定性控制的自适应移动无线Ad Hoc网络分簇策略;郝圣;张沪寅;宋梦凯;;计算机学报(第09期);全文 *

Also Published As

Publication number Publication date
CN114553661A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN114553661B (zh) 一种面向无线联邦学习的移动用户设备分簇训练方法
Fu et al. Client selection in federated learning: Principles, challenges, and opportunities
CN105207821B (zh) 一种面向业务的网络综合性能评估方法
CN113435472A (zh) 车载算力网络用户需求预测方法、系统、设备、介质
CN102098684B (zh) 认知无线网络中跨层资源分配系统及方法
CN113422695B (zh) 一种提高物联网拓扑结构鲁棒性能的优化方法
CN104580447A (zh) 一种基于访问热度的时空数据服务调度方法
CN113518007B (zh) 一种基于联邦学习的多物联网设备异构模型高效互学习方法
Yu et al. Deep reinforcement learning-based RAN slicing for UL/DL decoupled cellular V2X
CN114301935B (zh) 一种基于声誉的物联网边云协同联邦学习节点选择方法
CN114580662A (zh) 基于锚点聚合的联邦学习方法和系统
CN110234155A (zh) 一种基于改进topsis的超密集网络接入选择方法
CN112888004A (zh) 一种物联网中多源节点信息更新的信息年龄优化方法
Xi et al. Real-time resource slicing for 5G RAN via deep reinforcement learning
Bo et al. Establishment and application of fuzzy comprehensive evaluation of green building design based on data mining
Lv et al. Edge computing task offloading for environmental perception of autonomous vehicles in 6G networks
Xu et al. Aoi-guaranteed incentive mechanism for mobile crowdsensing with freshness concerns
CN102546286A (zh) 一种在线检测网络共享拥塞路径的方法
CN113672684A (zh) 一种面向非独立同分布数据的分层用户训练管理系统及方法
CN106528614A (zh) 一种移动社交网络中用户的地理位置预测方法
Yan et al. Service caching for meteorological emergency decision-making in cloud-edge computing
CN109255433B (zh) 一种基于相似性的社区检测的方法
Fu et al. Joint Optimization of Device Selection and Resource Allocation for Multiple Federations in Federated Edge Learning
Chen et al. Enhanced hybrid hierarchical federated edge learning over heterogeneous networks
Wang et al. Contract Theory Based Incentive Mechanism for Clustered Vehicular Federated Learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant