CN115080249B - 一种基于联邦学习的车联网多维资源分配方法及系统 - Google Patents

一种基于联邦学习的车联网多维资源分配方法及系统 Download PDF

Info

Publication number
CN115080249B
CN115080249B CN202211002744.8A CN202211002744A CN115080249B CN 115080249 B CN115080249 B CN 115080249B CN 202211002744 A CN202211002744 A CN 202211002744A CN 115080249 B CN115080249 B CN 115080249B
Authority
CN
China
Prior art keywords
mec server
global model
model data
model
parameters
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
CN202211002744.8A
Other languages
English (en)
Other versions
CN115080249A (zh
Inventor
石宁
白光伟
吴赟寒
沈航
钟亮亮
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 Trusted Blockchain And Algorithm Economics Research Institute Co ltd
Original Assignee
Nanjing Trusted Blockchain And Algorithm Economics Research Institute Co ltd
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 Trusted Blockchain And Algorithm Economics Research Institute Co ltd filed Critical Nanjing Trusted Blockchain And Algorithm Economics Research Institute Co ltd
Priority to CN202211002744.8A priority Critical patent/CN115080249B/zh
Publication of CN115080249A publication Critical patent/CN115080249A/zh
Application granted granted Critical
Publication of CN115080249B publication Critical patent/CN115080249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • 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
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种基于联邦学习的车联网多维资源分配方法及系统，所述方法包括：获取若干个MEC服务器发送的模型数据；所述MEC服务器配置在不同地理区域的基站内；所述模型数据为MEC服务器根据所处地理区域内的所有车辆反馈的车辆性能参数，采用本地模型训练得到；将获得的模型数据聚合处理，得到全局模型参数；发送所述全局模型参数至反馈所述模型数据的MEC服务器；获取MEC服务器反馈的多维资源消耗量预测值；所述多维资源消耗量预测值为MEC服务器根据所述全局模型参数对单位时间内消耗的多维资源量进行训练得到；根据所述多维资源消耗量预测值确定对各个MEC服务器的资源分配值。

Description

一种基于联邦学习的车联网多维资源分配方法及系统
技术领域
本发明涉及车联网技术领域，特别涉及一种基于联邦学习的车联网多维资源分配方法及系统。
背景技术
车联网技术正受到学术界与工业界越来越多的关注。行驶中的车辆作为信息感知对象，借助新一代通信技术实现车与车、人、路、服务平台之间的网络连接。通过接入车联网，道路安全和交通效率得到提高，越来越多的车辆应用和数据服务得以启动。然而，有限的带宽资源、车载计算资源和缓存资源使得对延迟敏感的应用和服务仍面临许多挑战。
随着软件定义网络(Software Defined Networking, SDN)的发展，灵活的管理和调度车联网中的各项多维资源成为可能。但由于多维资源之间的耦合性以及庞大的用户数量，以往基于精确算法或数学规划的近似算法难以处理车联网中复杂的最优资源分配问题，且难以根据场景变化作出自适应调整。机器学习作为近来发展迅速的技术在处理此类问题时具有难以比拟的优势。但在车联网这一特殊的边缘计算场景中，传统的集中式机器学习方法，即将训练数据全部传送至云端进行训练的方式并不适用。一方面，训练数据的传输将占用额外的通信资源；另一方面，机器学习方法需要大量的训练数据以得到良好的模型，但出于对车辆用户数据隐私安全的保护，用户数据被限制在本地受信任的边缘服务器处进行使用，这就导致边缘服务器处的数据不足以训练出泛化性良好的本地模型。因此，传统的机器学习方法不适用于解决车联网场景下的资源预测问题。
为解决传统集中式机器学习的困境，谷歌公司在2006年率先提出联邦学习(Federated Learning, FL)架构。FL通过将本地模型进行聚合的方式避免了用户数据离开本地的情况，保护了用户的数据隐私安全，同时达到了使用全局数据的目的。通过联邦学习架构，车辆用户无需将自身数据发送至云端服务器，且边缘服务器之间不会相互交换用户数据，仅将自身训练的机器学习模型传输至云端进行聚合以协同完成一个效果良好的全局模型。因此，为避免车联网系统内多维资源的冗余分配，有必要设计合理有效的多维资源预测方法，实时预测多维资源的消耗量，并以此为依据为车联网系统分配多维资源。典型的资源分配方法多专注于车联网中某单一资源的最优分配，少有综合考虑多维资源的统一最优分配；而另外一些使用机器学习方法对多维资源进行分配的方法中，单一的训练方为保证用户隐私安全导致难以获得足够的训练数据，使最终的模型质量较差，不适用于实际场景。
发明内容
本申请提供了一种基于联邦学习的车联网多维资分配方法及系统，旨在解决在车联网中，一方面由于车辆的高移动性，边缘服务器需要高速响应用户的请求；另一方面，车辆应用的类型不同，任务的异构性导致各种计算任务对多维资源的需求不同而导致车联网系统内多维资源的冗余分配的问题。
第一方面，本申请提供了一种基于联邦学习的车联网多维资源分配方法，所述方法包括：
获取若干个MEC服务器发送的模型数据；所述MEC服务器配置在不同地理区域的基站内；所述模型数据为MEC服务器根据所处地理区域内的所有车辆反馈的车辆性能参数，采用本地模型训练得到；
将获得的模型数据聚合处理，得到全局模型参数；
发送所述全局模型参数至反馈所述模型数据的MEC服务器；
获取MEC服务器反馈的多维资源消耗量预测值；所述多维资源消耗量预测值为MEC服务器根据所述全局模型参数对单位时间内消耗的多维资源量进行训练得到；
根据所述多维资源消耗量预测值确定对各个MEC服务器的资源分配值。
在一种实现方式中，将获得的模型数据聚合处理，得到全局模型参数的步骤包括：
使用联邦平均算法对获得的所述模型数据聚合处理。
在一种实现方式中，使用联邦平均算法对获得的所述模型数据聚合处理的步骤包括：
生成初始全局模型参数；
根据所述模型数据和所述初始全局模型参数生成阶段性全局模型参数；
将所述阶段性全局模型参数发送至所述MEC服务器；
所述MEC服务器根据所述阶段性全局模型参数的训练结果判断所述阶段性全局模型参数是否收敛：
若是，生成所述全局模型参数。
在一种实现方式中，所述方法还包括：
若否，则重新执行所述根据所述模型数据和所述初始全局模型参数生成阶段性全局模型参数的步骤。
在一种实现方式中，将获得的模型数据聚合处理，得到全局模型参数的步骤包括：
根据所述模型数据生成所述全局模型
Figure 735983DEST_PATH_IMAGE001
；
其中，
Figure 799754DEST_PATH_IMAGE002
为在数据集
Figure 192730DEST_PATH_IMAGE003
上训练得到的第
Figure 533713DEST_PATH_IMAGE004
个神经元，
Figure 58235DEST_PATH_IMAGE005
为排列矩 阵。
在一种实现方式中，所述模型数据还包括多维资源消耗量，所述多维资源消耗量通过下列方法得到：
所述MEC服务器根据位于所处地理区域内的所有车辆反馈的车辆性能参数，使用深度学习方法生成多维资源消耗量。
在一种实现方式中，使用深度学习方法生成多维资源消耗量的步骤包括：
Mi(t)={si(t),dei(t),ri(t)}；
其中，si(t)表示计算Mi(t)所需输入的数据大小，dei(t)表示该计算任务的完成最大允许时延，ri(t)表示完成该计算任务所需的CPU周期数。
在一种实现方式中，所述车辆性能参数包括任务生成情况，网络连接情况，车载设备性能。
第二方面，本申请提供了一种基于联邦学习的车联网多维资源分配系统，包括云服务中心和MEC服务器，所述云服务中心被配置为执行下列方法：
获取若干个所述MEC服务器发送的模型数据；所述MEC服务器配置在不同地理区域的基站内；所述模型数据为MEC服务器根据所处地理区域内的所有车辆反馈的车辆性能参数，采用本地模型训练得到；
将获得的模型数据聚合处理，得到全局模型参数；
发送所述全局模型参数至反馈所述模型数据的MEC服务器；
获取MEC服务器反馈的多维资源消耗量预测值；所述多维资源消耗量预测值为MEC服务器根据所述全局模型参数对单位时间内消耗的多维资源量进行训练得到；
根据所述多维资源消耗量预测值确定对各个MEC服务器的资源分配值。
由上述技术方案可知，本申请以车联网系统内的车载设备为基础，通过MEC服务器对车联网系统中消耗的多维资源进行预测，并以此为基础自动调整单位时间段内分配给小基站的各项多维资源分配量，从而实现随时间变动的自适应资源分配，提高系统服务质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的获得其他的附图。
图1为本申请提供的一种基于联邦学习的车联网多维资源分配方法及系统的流程图；
图2为本申请提供一种基于联邦学习的车联网多维资源分配方法及系统的车联网多维资源分配方法的网络架构图；
图3为本申请提供一种基于联邦学习的车联网多维资源分配方法及系统的得到全局模型参数的流程图；
图4为本申请提供一种基于联邦学习的车联网多维资源分配方法及系统中的模型参数的重排列示意图；
图5为本申请提供一种基于联邦学习的车联网多维资源分配方法及系统的示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
传统的云计算通过将应用产生的计算任务上传至云服务器进行计算，以解决车载设备计算能力不足的问题。但这一方法将产生额外的通信开销，且难以满足车联网系统中的应用任务对低延迟的需求。在车联网中存在大量具有运算和存储能力的边缘节点，如基站(Base Station, BS)，路边单元(Road Side Unit, RSU)等,移动边缘计算(Mobile EdgeComputing, MEC)技术是解决上述问题的一种有效方法。MEC通过将计算任务部分或全部迁移至临近的边缘设备进行计算，减少了额外的通信开销，同时又解决了移动设备计算能力不足的问题。但在车联网中，一方面由于车辆的高移动性，边缘服务器需要高速响应用户的请求；另一方面，车辆应用的类型不同，任务的异构性导致各种计算任务对多维资源的需求不同，例如，计算密集型的应用对计算资源的需求较高，延迟敏感型应用则更需要带宽资源。因此，针对车联网这一特殊的边缘计算场景研究合理高效的计算迁移和多维资源分配策略具有重要的理论意义和实用价值。
随着软件定义网络(Software Defined Networking, SDN)的发展，灵活的管理和调度车联网中的各项多维资源成为可能。但由于多维资源之间的耦合性以及庞大的用户数量，以往基于精确算法或数学规划的近似算法难以处理车联网中复杂的最优资源分配问题，且难以根据场景变化作出自适应调整。机器学习作为近来发展迅速的技术在处理此类问题时具有难以比拟的优势。但在车联网这一特殊的边缘计算场景中，传统的集中式机器学习方法，即将训练数据全部传送至云端进行训练的方式并不适用。一方面，训练数据的传输将占用额外的通信资源；另一方面，机器学习方法需要大量的训练数据以得到良好的模型，但出于对车辆用户数据隐私安全的保护，用户数据被限制在本地受信任的边缘服务器处进行使用，这就导致边缘服务器处的数据不足以训练出泛化性良好的本地模型。因此，传统的机器学习方法不适用于解决车联网场景下的资源预测问题。
为避免车联网系统内多维资源的冗余分配，有必要设计合理有效的多维资源预测方法，实时预测多维资源的消耗量，并以此为依据为车联网系统分配多维资源。典型的资源分配方法多专注于车联网中某单一资源的最优分配，少有综合考虑多维资源的统一最优分配；而另外一些使用机器学习方法对多维资源进行分配的方法中，单一的训练方为保证用户隐私安全导致难以获得足够的训练数据，使最终的模型质量较差，不适用于实际场景。因此，本发明提出的基于联邦学习的多维资源分配方法，综合考虑车联网应用任务的高效完成和多维资源随时间变动的动态需求，基于长短时记忆神经网络模型(LSTM)设计边缘服务器端的深度学习算法，为车载网络随时间动态分配多维资源；同时采用联邦学习方法对多个数据提供方的本地模型进行聚合，保护用户的数据隐私，获得质量较好的神经网络模型。
本申请为解决现有技术中在车联网中，一方面由于车辆的高移动性，边缘服务器需要高速响应用户的请求；另一方面，车辆应用的类型不同，任务的异构性导致各种计算任务对多维资源的需求不同而导致车联网系统内多维资源的冗余分配的问题。基于以上原因，本申请提供了一种基于联邦学习的车联网多维资源分配方法及系统。
下面结合具体的实施例对本发明的一种基于联邦学习的车联网多维资源分配方法及系统作进一步的阐述。
第一方面，如图1所示，本申请提供了一种基于联邦学习的车联网多维资源实时预测方法，所述方法包括：
S100,获取若干个MEC服务器发送的模型数据；所述MEC服务器配置在不同地理区域的基站内；所述模型数据为MEC服务器根据所处地理区域内的所有车辆反馈的车辆性能参数，采用本地模型训练得到；
在步骤S100中，所述车辆性能参数包括任务生成情况，网络连接情况，车载设备性能。
具体的，在本实施例中，如图2所示，多个不同的地理区域内均设有基站，每个基站上均配置有MEC服务器，在每个区域内还有多台车辆，每台车辆上均设有车载设备，车载设备用于收集车辆的自身信息，即将该车辆的性能参数上传到小基站搭载的MEC服务器中，其中，车辆性能参数包括任务生成情况，网络连接情况，车载设备性能。
S200,将获得的模型数据聚合处理，得到全局模型参数；
在步骤S200中，如图3所示，云服务中心将获得的模型数据聚合处理，其中，可以使用联邦平均算法对获得的所述模型数据聚合处理，使用联邦平均算法对获得的所述模型数据聚合处理的步骤包括：
S210,生成初始全局模型参数；
具体的，在本实施例中，首先将初始全局模型参数初始化，为了后续使其开始新的一轮训练。
S220,根据所述模型数据和所述初始全局模型参数生成阶段性全局模型参数；
具体的，在本实施例中，云服务中心根据MEC服务器发送的模型数据和初始化的初始全局模型生成阶段性全局模型参数，阶段性全局模型参数用于循环进行每一轮训练，直至训练流程结束。
S230,将所述阶段性全局模型参数发送至所述MEC服务器；
S240,所述MEC服务器根据所述阶段性全局模型参数的训练结果判断所述阶段性全局模型参数是否收敛：
具体的，在本实施例中，判断训练流程是否结束的条件是阶段性全局模型参数是 否收敛，阶段性全局模型参数收敛还可以解释为：如果一个算法满足这样的性质：任意的初 始点X0∈X都会产生一个收敛的点序列
Figure 484669DEST_PATH_IMAGE006
，那么称该算法是全局收敛的。实际上，如 果某些条件不满足，甚至非常有效的算法都会失效。例如算法可能产生不收敛的序列或者 收敛的点不是所求的解，也会存在一些导致算法失败的因素。
S250,若是，生成所述全局模型参数。
具体的，在本实施例中，若阶段性全局模型参数收敛，此时的阶段性全局模型参数为全局模型参数，并将该全局模型参数反馈至该模型数据所对应的MEC服务器。
S260,若否，则重新执行所述根据所述模型数据和所述初始全局模型参数生成阶段性全局模型参数的步骤。
具体的，在本实施例中，若阶段性全局模型参数未收敛，那么需要将该阶段性全局模型参数继续进行新一轮训练，直至该阶段性全局模型参数收敛训练停止。
在实际应用场景中，云服务中心根据模型数据更新阶段性全局模型参数
Figure 159364DEST_PATH_IMAGE007
，其中，m是参与方的总数，Wm(n)是第m个参与方的局部目标函数，Dm/D表 示每个局部目标函数的在聚合时的权重，Dm为参与方的训练数据量，D为总训练数据量。首 先将初始全局模型参数初始化，为了后续使其开始新的一轮训练。其次云服务中心根据MEC 服务器发送的模型数据和初始化的初始全局模型生成阶段性全局模型参数，阶段性全局模 型参数用于循环进行每一轮训练，直至训练流程结束。最后判断训练流程是否结束的条件 是阶段性全局模型参数是否收敛，若阶段性全局模型参数收敛，此时的阶段性全局模型参 数为全局模型参数，并将该全局模型参数反馈至该模型数据所对应的MEC服务器。若阶段性 全局模型参数未收敛，那么需要将该阶段性全局模型参数继续进行新一轮训练，直至该阶 段性全局模型参数收敛训练停止。
如图4所示，将获得的模型数据聚合处理，得到全局模型参数的步骤包括：根据所 述模型数据生成所述全局模型参数
Figure 853388DEST_PATH_IMAGE008
；其中，
Figure 814391DEST_PATH_IMAGE002
为在数据集
Figure 728120DEST_PATH_IMAGE009
上训练得到的第
Figure 675347DEST_PATH_IMAGE010
个神经元，
Figure 849977DEST_PATH_IMAGE011
为排列矩阵。
在实际应用场景中，云服务中心根据模型数据更新阶段性全局模型参数，记
Figure 857247DEST_PATH_IMAGE012
为在数据集
Figure 491228DEST_PATH_IMAGE003
上训练得到的第
Figure 366781DEST_PATH_IMAGE010
个神经元，
Figure 536862DEST_PATH_IMAGE013
表示在全局模型参数中的第i个神经元，
Figure 980613DEST_PATH_IMAGE014
是一对神经元之间的相似函数。以下即为匹配平均算法所需的排列：
Figure 462410DEST_PATH_IMAGE015
（8）
Figure 17019DEST_PATH_IMAGE016
（9）
Figure 540142DEST_PATH_IMAGE017
（10）
对式(8)使用二分图匹配法进行求解，组合得到排列矩阵
Figure 13848DEST_PATH_IMAGE018
；
逐层更新阶段性全局模型
Figure 123887DEST_PATH_IMAGE019
；
S300,发送所述全局模型参数至反馈所述模型数据的MEC服务器；
S400,获取MEC服务器反馈的多维资源消耗量预测值；所述多维资源消耗量预测值为MEC服务器根据所述全局模型参数对单位时间内消耗的多维资源量进行训练得到；
在步骤S400中,所述模型数据还包括多维资源消耗量，所述多维资源消耗量通过下列方法得到：所述MEC服务器根据位于所处地理区域内的所有车辆反馈的车辆性能参数，使用深度学习方法生成多维资源消耗量。其中，使用深度学习方法生成多维资源消耗量的步骤包括：
Mi(t)={si(t),dei(t),ri(t)}；
其中，si(t)表示计算Mi(t)所需输入的数据大小，dei(t)表示该计算任务的完成最大允许时延，ri(t)表示完成该计算任务所需的CPU周期数。
在实际应用场景中，MEC服务器处理收集到的车辆性能参数。控制器根据机器学习 模型为小基站分配多维资源并表示为
Figure 216608DEST_PATH_IMAGE020
。车辆i在时隙t 生成的计算任务并卸载至MEC服务器进行计算，任务表示为Mi(t)={si(t),dei(t),ri(t)}， 其中si(t)表示计算Mi(t)所需输入的数据大小，dei(t)表示该计算任务的完成最大允许时 延，ri(t)表示完成该计算任务所需的CPU周期数，反映完成该任务所需的计算资源量。
在保证卸载任务完成率的前提下，最小化MEC服务器使用的各项多维资源，优化目标如下：
Figure 361281DEST_PATH_IMAGE021
（1）
Figure 271469DEST_PATH_IMAGE022
Figure 101759DEST_PATH_IMAGE023
其中，
Figure 998171DEST_PATH_IMAGE024
，
Figure 856405DEST_PATH_IMAGE025
，
Figure 547281DEST_PATH_IMAGE026
为常数，可根据MEC服务器处多维资源的稀缺程度进行调整。
Figure 631912DEST_PATH_IMAGE024
，
Figure 456648DEST_PATH_IMAGE027
，
Figure 808870DEST_PATH_IMAGE028
的取值可取一段时间内该小基站覆盖范围下因缓存、带宽和计算资源不足而未能完 成的任务数分别除以总任务数的值；
MEC服务器处可收集大量的相关数据以及对应所消耗的多维资源量数据，这就满足了使用机器学习技术的基本条件。通俗地讲，机器学习（Machine Learning，ML）就是让计算机从数据中进行自动学习，得到某种知识（或规律）。作为一门学科，机器学习通常指一类问题以及解决这类问题的方法，即如何从观测数据（样本）中寻找规律，并利用学习到的规律（模型）对未知或无法观测的数据进行预测。使用MEC服务器收集的计算任务相关数据进行神经网络模型的训练，当模型训练完成后，将t时隙的相关数据输入该模型即可得到该时隙所需的多维资源量。因此可作出如下转化。
设
Figure 405067DEST_PATH_IMAGE029
，
Figure 101628DEST_PATH_IMAGE030
，
Figure 339842DEST_PATH_IMAGE031
为满足式(1)中约束所使用的最小各项资源量，则式(1) 转换为以下问题，
Figure 48035DEST_PATH_IMAGE032
（2）
Figure 205347DEST_PATH_IMAGE033
（3）
Figure 763105DEST_PATH_IMAGE034
（4）
Figure 805011DEST_PATH_IMAGE035
（5）
由于无法直接观测得到卸载任务的完成率，故将约束调整为式(3)(4)(5)。另一方面，各项多维资源在数值表示上差异极大，故对式(2)作出如下转化：
Figure 226765DEST_PATH_IMAGE036
（6）
Figure 695923DEST_PATH_IMAGE037
本申请使用LSTM算法在MEC服务器处训练各自的本地机器学习模型，其中，LSTM(Long Short-Term Memory)是长短期记忆网络，是一种时间递归神经网络。神经网络所输入的x为车辆采集的任务信息以及车辆位置信息等归一化处理后的一维向量，其输出y是一个列向量，分别对应各项多维资源。
为避免多维资源数值上的差异对预测精度造成的影响，将每项数值都统一到(0, 1)之间，为各项资源都设定一个标准值，记为
Figure 976863DEST_PATH_IMAGE038
，模型的输出
Figure 320994DEST_PATH_IMAGE039
，记
Figure 862834DEST_PATH_IMAGE040
为模型在第i个输入上的输出，n是训练样本的数目。 模型的损失函数如下，
Figure 502894DEST_PATH_IMAGE041
（7）
具体的，在本实施例中，通过以上的计算过程可以将计算出的多维资源量进行优化，并将其结果进行神经网络模型的训练，当神经网络模型训练完成后，将相关数据输入该模型即可得到所需的多维资源量。MEC服务器根据所述全局模型参数对单位时间内消耗的多维资源量进行训练来得到多维资源消耗量预测值，MEC服务器将生成的多维资源消耗量预测值反馈给云服务中心。
S500,根据所述多维资源消耗量预测值确定对各个MEC服务器的资源分配值。
具体的，在本实施例中，云服务中心根据MEC服务器反馈的多维资源消耗量预测值来确定为每个不同的MEC服务器反馈其所需要的资源分配值，避免了由于任务的异构性导致各种计算任务对多维资源的需求不同而导致车联网系统内多维资源的冗余分配的问题。第二方面，如图5所示，本申请提供了一种基于联邦学习的车联网多维资源分配系统，包括云服务中心和MEC服务器，所述云服务中心被配置为执行下列方法：
获取若干个所述MEC服务器发送的模型数据；所述MEC服务器配置在不同地理区域的基站内；所述模型数据为MEC服务器根据所处地理区域内的所有车辆反馈的车辆性能参数，采用本地模型训练得到；
将获得的模型数据聚合处理，得到全局模型参数；
发送所述全局模型参数至反馈所述模型数据的MEC服务器；
获取MEC服务器反馈的多维资源消耗量预测值；所述多维资源消耗量预测值为MEC服务器根据所述全局模型参数对单位时间内消耗的多维资源量进行训练得到；
根据所述多维资源消耗量预测值确定对各个MEC服务器的资源分配值。
上述系统中在应用前述方法时的作用效果可参见前述方法实施例中的说明，在此不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由本申请的权利要求指出。

Claims (6)

1.一种基于联邦学习的车联网多维资源分配方法，其特征在于，所述方法包括：
获取若干个MEC服务器发送的模型数据；所述MEC服务器配置在不同地理区域的基站内；所述模型数据为MEC服务器根据所处地理区域内的所有车辆反馈的车辆性能参数，采用本地模型训练得到；
所述模型数据还包括多维资源消耗量，所述MEC服务器根据位于所处地理区域内的所有车辆反馈的车辆性能参数，所述多维资源消耗量的约束包括：
Mi(t)={si(t),dei(t),ri(t)}；
其中，Mi(t)表示计算任务，si(t)表示计算Mi(t)所需输入的数据大小，dei(t)表示Mi(t)的完成最大允许时延，ri(t)表示完成Mi(t)所需的CPU周期数；
将获得的模型数据聚合处理，得到全局模型参数；
发送所述全局模型参数至反馈所述模型数据的MEC服务器；
获取MEC服务器反馈的多维资源消耗量预测值；所述多维资源消耗量预测值为MEC服务器根据所述全局模型参数对单位时间内消耗的多维资源量进行训练得到；
根据所述多维资源消耗量预测值确定对各个MEC服务器的资源分配值。
2.根据权利要求1所述的一种基于联邦学习的车联网多维资源分配方法，其特征在于，将获得的模型数据聚合处理，得到全局模型参数的步骤包括：
使用联邦平均算法对获得的所述模型数据聚合处理。
3.根据权利要求2所述的一种基于联邦学习的车联网多维资源分配方法，其特征在于，使用联邦平均算法对获得的所述模型数据聚合处理的步骤包括：
生成初始全局模型参数；
根据所述模型数据和所述初始全局模型参数生成阶段性全局模型参数；
将所述阶段性全局模型参数发送至所述MEC服务器；
所述MEC服务器根据所述阶段性全局模型参数的训练结果判断所述阶段性全局模型参数是否收敛：
若是，生成所述全局模型参数。
4.权利要求3所述的一种基于联邦学习的车联网多维资源分配方法，其特征在于，所述方法还包括：
若否，则重新执行所述根据所述模型数据和所述初始全局模型参数生成阶段性全局模型参数的步骤。
5.根据权利要求1所述的一种基于联邦学习的车联网多维资源分配方法，其特征在于，所述车辆性能参数包括任务生成情况，网络连接情况，车载设备性能。
6.一种基于联邦学习的车联网多维资源分配系统，其特征在于，包括云服务中心和MEC服务器，所述云服务中心被配置为执行下列方法：
获取若干个所述MEC服务器发送的模型数据；所述MEC服务器配置在不同地理区域的基站内；所述模型数据为MEC服务器根据所处地理区域内的所有车辆反馈的车辆性能参数，采用本地模型训练得到；
所述模型数据还包括多维资源消耗量，所述MEC服务器根据位于所处地理区域内的所有车辆反馈的车辆性能参数，所述多维资源消耗量的约束包括：
Mi(t)={si(t),dei(t),ri(t)}；
其中，Mi(t)表示计算任务，si(t)表示计算Mi(t)所需输入的数据大小，dei(t)表示Mi(t)的完成最大允许时延，ri(t)表示完成Mi(t)所需的CPU周期数；
将获得的模型数据聚合处理，得到全局模型参数；
发送所述全局模型参数至反馈所述模型数据的MEC服务器；
获取MEC服务器反馈的多维资源消耗量预测值；所述多维资源消耗量预测值为MEC服务器根据所述全局模型参数对单位时间内消耗的多维资源量进行训练得到；
根据所述多维资源消耗量预测值确定对各个MEC服务器的资源分配值。
CN202211002744.8A 2022-08-22 2022-08-22 一种基于联邦学习的车联网多维资源分配方法及系统 Active CN115080249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211002744.8A CN115080249B (zh) 2022-08-22 2022-08-22 一种基于联邦学习的车联网多维资源分配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211002744.8A CN115080249B (zh) 2022-08-22 2022-08-22 一种基于联邦学习的车联网多维资源分配方法及系统

Publications (2)

Publication Number Publication Date
CN115080249A CN115080249A (zh) 2022-09-20
CN115080249B true CN115080249B (zh) 2022-12-16

Family

ID=83244122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211002744.8A Active CN115080249B (zh) 2022-08-22 2022-08-22 一种基于联邦学习的车联网多维资源分配方法及系统

Country Status (1)

Country Link
CN (1) CN115080249B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112817653A (zh) * 2021-01-22 2021-05-18 西安交通大学 一种基于云边端的联邦学习计算卸载计算系统及方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3889846A4 (en) * 2019-01-16 2022-06-01 Huawei Cloud Computing Technologies Co., Ltd. METHOD AND SYSTEM FOR TRAINING DEEP LEARNING MODELS
CN114143891B (zh) * 2021-11-30 2024-08-16 南京工业大学 移动边缘网络中基于fdql的多维资源协同优化方法
CN114745383A (zh) * 2022-04-08 2022-07-12 浙江金乙昌科技股份有限公司 一种移动边缘计算辅助多层联邦学习方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112817653A (zh) * 2021-01-22 2021-05-18 西安交通大学 一种基于云边端的联邦学习计算卸载计算系统及方法

Also Published As

Publication number Publication date
CN115080249A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN110035410B (zh) 一种软件定义车载边缘网络中联合资源分配和计算卸载的方法
Yang et al. A parallel intelligence-driven resource scheduling scheme for digital twins-based intelligent vehicular systems
CN114827198B (zh) 一种应用于车联网的多层中心异步联邦学习方法
Liang et al. Semi-synchronous federated learning protocol with dynamic aggregation in internet of vehicles
Alghamdi et al. Data quality-aware task offloading in mobile edge computing: An optimal stopping theory approach
CN115209426B (zh) 一种边缘车联网内数字孪生服务器动态部署方法
CN111901145B (zh) 一种电力物联网异构共享资源分配系统和方法
Zhao et al. A digital twin-assisted intelligent partial offloading approach for vehicular edge computing
CN114528042A (zh) 基于深度强化学习的节能型自动互联车辆服务卸载方法
CN114973673B (zh) 车路协同系统中结合noma和内容缓存的任务卸载方法
CN113891477A (zh) 一种车联网中基于mec计算任务卸载的资源分配方法
Cha et al. Fuzzy logic based client selection for federated learning in vehicular networks
CN116030623A (zh) 认知车联网场景下基于区块链的协作路径规划和调度方法
Lv et al. Edge computing task offloading for environmental perception of autonomous vehicles in 6G networks
Liu et al. FedSSC: Joint client selection and resource management for communication-efficient federated vehicular networks
CN115080249B (zh) 一种基于联邦学习的车联网多维资源分配方法及系统
CN117221951A (zh) 车载边缘环境下基于深度强化学习的任务卸载方法
CN116546429B (zh) 一种车联网联邦学习中的车辆选择方法和系统
CN116528295A (zh) 基于多智能体强化学习的车联网雾计算分层任务卸载方法
Ma et al. Video Offloading in Mobile Edge Computing: Dealing with Uncertainty
CN116634396A (zh) 基于图注意力的车联网多智能体边缘计算内容缓存决策方法
CN115883601A (zh) 一种车联网协作资源分配方法、系统、设备及介质
CN115733838A (zh) 一种基于移动边缘计算的车联网多维资源分配方法
CN108985658B (zh) 一种基于模糊评判和客户期望的车联网协同下载方法
CN117042051B (zh) 一种车联网中任务卸载策略生成方法、系统、设备及介质

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