CN116009677A - 一种基于Cell-Free mMIMO网络的联邦学习设备端能耗优化方法 - Google Patents
一种基于Cell-Free mMIMO网络的联邦学习设备端能耗优化方法 Download PDFInfo
- Publication number
- CN116009677A CN116009677A CN202211073608.8A CN202211073608A CN116009677A CN 116009677 A CN116009677 A CN 116009677A CN 202211073608 A CN202211073608 A CN 202211073608A CN 116009677 A CN116009677 A CN 116009677A
- Authority
- CN
- China
- Prior art keywords
- model
- user equipment
- local
- training
- power consumption
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005265 energy consumption Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 87
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000004891 communication Methods 0.000 claims abstract description 15
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000001413 cellular effect Effects 0.000 claims description 3
- 238000005562 fading Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 abstract description 5
- 238000004220 aggregation Methods 0.000 abstract description 5
- 230000001419 dependent effect Effects 0.000 abstract 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
Images
Classifications
-
- 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
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及无线通信技术领域,尤其涉及一种基于Cell‑FreemMIMO网络的联邦学习设备端能耗优化方法,包括:S0:初始化系统参数,初始化全局模型;S1:服务器分发全局模型给用户设备。本发明在用户训练本地模型的阶段,通过迭代优化用户设备端CPU的工作频率和本地模型的训练精度降低用户设备的本地训练功耗;在用户设备上传模型参数阶段,通过最小化用户设备的最大时延为目标进行功率分配,既抑制了落后者效应,又节约了设备端上行功耗。本发明可以显著降低联邦学习过程中设备端的功耗,不依赖于特定的联邦聚合方法和联邦学习类型,在大部分联邦学习场景中都可以提供良好的能耗优化性能。本发明的实现复杂度低,易于部署,具有很强的实用价值。
Description
技术领域
本发明涉及无线通信技术领域,尤其涉及一种基于Cell-Free mMIMO网络的联邦学习设备端能耗优化方法。
背景技术
随着终端设备智能化的发展,越来越多的隐私数据被要求发送到云端服务器作为机器学习的源数据集。用户文本数据、图像数据、视频数据等隐私数据上传到云服务器的过程中存在泄露风险,会给用户带来不必要的困扰和损失。为了保护用户的数据隐私,联邦学习支持用户在本地训练模型,用户仅需上传本地模型的参数即可参与全局训练。
然而,为了使全局模型收敛,参与联邦学习的海量用户设备需要在训练过程中通过无线通信链路频繁更新模型参数。用户设备通常采用锂电池供电,设备端进行本地训练模型以及上传模型参数所消耗的能量不容忽视。在本地模型训练阶段,用户设备的CPU工作频率和本地模型的训练精度是影响用户设备端功耗的关键优化变量。在本地模型参数上传阶段,海量用户设备进行联邦学习的数据上传导致了无线信道的复杂性,总有一部分用户受到严重的通信干扰并使得其通信质量降低。另一方面,参与训练的所有用户上传本地模型之后才可以完成一轮全局训练,因此一轮全局训练的时延由通信质量最低的用户设备决定,这就是落后者效应。通信质量较差的设备需要更长的上传时间,这增加了该设备的上行通信功耗,并导致其他设备在等待过程中消耗更多能量维持待机状态,因此抑制落后者效应是优化设备端上行功耗的关键。
为了减少设备端功耗,现有的方法可以分为两类。一类方法为优化云端模型的聚合方式,降低联邦学习设备端功耗。具体方法为,以用户本地模型对全局模型的贡献作为进行用户设备调度的依据,提高模型收敛速度。另一类方法旨在降低每轮联邦学习全局聚合过程的通信消耗,降低联邦学习设备端功耗。具体方法为通过资源分配方案和模型参数的压缩方法,降低模型训练时间和每轮通信的数据量。然而,方法一调度的用户可能是掉线的用户设备,因此仅采取用户调度方案并不总是有效的设备端功耗;方法二在大规模网络中的效率不高,特别是当用户设备数量较大时,会导致联邦学习的设备端功耗显著增加。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,而提出的一种基于Cell-FreemMIMO网络的联邦学习设备端能耗优化方法,可以显著降低联邦学习过程中设备端的能耗,不依赖于特定的联邦聚合方法和联邦学习类型,在大部分联邦学习场景中均可以提供良好的能耗优化性能。
为了实现上述目的,本发明采用了如下技术方案:
一种基于Cell-Free mMIMO网络的联邦学习设备端能耗优化方法,具体步骤如下:
S0:初始化系统参数,初始化全局模型;
S1:服务器分发全局模型给用户设备;
S2:用户设备采集数据生成本地数据集;
S3:构建用户设备进行本地训练的功耗模型,迭代优化用户设备的CPU工作频率和本地模型精度;
S4:用户设备依据S3步骤得到的最优参数使用本地数据集训练本地模型;
S5:构建用户设备进行模型参数上传的上行功耗模型;
S6:根据上行功耗模型优化用户设备延迟,得到最优功率分配方案;
S7:用户设备依据S6步骤得到的最优功率分配方案传输本地模型的模型参数到服务器,服务器聚合模型得到全局模型;
S8:重复上述S1-S7直至全局模型收敛为止。
优选地,所述步骤S0中:
初始化的全局模型为w(0),在第i轮全局训练中,服务器下发的全局模型为w(i)。
优选地,所述步骤S1中:服务器向所有用户设备分发全局模型,或是向部分用户设备分发全局模型。
优选地,所述步骤S2中:用户设备k采集数据得到本地数据集{xk∈Su,yk},其中Su为本地数据集的大小,xk和yk分别表示本地数据集的输入参数与输出参数。
优选地,所述步骤S3中:
用户设备k在本地训练的时间延迟可以表示为:
其中ck表示用户设备k的CPU处理一个数据样本所需的周期数,ck是通过离线测量预先知晓的常数,Dk和fk分别为本地数据集的大小和用户设备k的CPU工作频率;
用户设备k在本地训练模型所消耗的能量可以表示为:
其中α表示用户设备k的CPU的电容系数,α是通过离线测量预先知晓的常数;
根据用户设备本地训练的功耗模型建立以下本地模型训练阶段的功耗优化问题:
其中,
解决用户设备k本地模型训练阶段的功耗优化问题的迭代优化算法如下:
算法1:本地模型训练阶段的功耗优化问题的迭代优化算法
优选地,所述步骤S4中:在联邦学习的第i轮全局训练过程中,用户设备k依据最优参数使用本地数据集{xk∈Su,yk}训练本地模型在本地模型收敛后,用户设备k本地模型在全局第i次迭代的更新表示为 需要的存储空间为Su。
优选地,所述步骤S5中:
用户设备进行模型参数上传的上行功耗模型建模为:
Eu,k(ηk,Ru,k(η))=ρuηktu,k(Ru,k(η)) (1.5)
为用户设备k在去蜂窝大规模MIMO网络中的上行通信速率,βmk表示无蜂窝网络中接入点m与用户设备k之间无线信道的大尺度衰落系数,σmk表示估计的信道的功率,φl表示第l个导频,表示零均值的复高斯随机噪声。
优选地,所述步骤S6中:
根据用户设备上传模型参数的功耗模型建立以下上传模型阶段的功耗优化问题:
其中θ*通过本地模型训练阶段的功耗优化问题的迭代优化算法获得,G(θ*)为已知常数;C.1中Tk=tc,k+tu,k为用户设备k的本地训练延迟和上行传输延迟,TG为联邦学习一次全局训练所允许的最大延迟;C.2中hu,k(η)为Ru,k的凹的下界,便于使用凸优化工具在可行域上搜索Ru,k的解;为了抑制落后者效应,本地模型训练阶段的功耗优化问题服从延迟约束T1=...=Tk=...=TK;
用户设备上传模型阶段的功耗优化问题转化为以下可行性搜索问题:
解决用户设备k上传模型阶段的功耗优化问题的优化算法如下:
算法2:上传模型阶段的功耗优化问题的优化算法
优选地,所述步骤S7中:服务器包括云服务器和边缘服务器。
与现有技术相比,本发明具有以下有益效果:
1、本发明在用户训练本地模型的阶段,通过迭代优化用户设备端CPU的工作频率和本地模型的训练精度降低用户设备的本地训练功耗;在用户设备上传模型参数阶段,以最小化用户设备的最大时延为目标进行功率分配,一方面减少通信质量佳的设备等待其它通信质量差的设备上传时所消耗的待机功耗,另一方面通过功率分配抑制干扰水平进而节约设备端上行功率。
2、本发明可以显著降低联邦学习过程中设备端的能耗,不依赖于特定的联邦聚合方法和联邦学习类型,在大部分联邦学习场景中均可以提供良好的能耗优化性能,并且本发明的实现复杂度低,易于部署。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图将对本发明实施例中的技术方案进行清楚、完整地描述,以使本领域的技术人员能够更好的理解本发明的优点和特征,从而对本发明的保护范围做出更为清楚的界定。本发明所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1,一种基于Cell-Free mMIMO网络的联邦学习设备端能耗优化方法,具体步骤如下:
S0:初始化系统参数,初始化全局模型;
S1:服务器分发全局模型给用户设备;
S2:用户设备采集数据生成本地数据集;
S3:构建用户设备进行本地训练的功耗模型,迭代优化用户设备的CPU工作频率和本地模型精度;
S4:用户设备依据S3步骤得到的最优参数使用本地数据集训练本地模型;
S5:构建用户设备进行模型参数上传的上行功耗模型;
S6:根据上行功耗模型优化用户设备延迟,得到最优功率分配方案;
S7:用户设备依据S6步骤得到的最优功率分配方案传输本地模型的模型参数到服务器,服务器聚合模型得到全局模型;
S8:重复上述S1-S7直至全局模型收敛为止。
其中,所述步骤S0中,初始化的全局模型为w(0),相应的,在第i轮全局训练中,服务器下发的全局模型为w(i)。
具体的,所述步骤S1中,服务器可以向所有用户设备分发全局模型,或是向部分用户设备分发全局模型。
具体的,所述步骤S2中,用户设备k采集数据得到本地数据集{xk∈Su,yk},其中Su为本地数据集的大小,xk和yk分别表示本地数据集的输入参数与输出参数。
其中,所述步骤S3中,用户设备k在本地训练的时间延迟可以表示为:
其中ck表示用户设备k的CPU处理一个数据样本所需的周期数,ck是通过离线测量预先知晓的常数。Dk和fk分别为本地数据集的大小和用户设备k的CPU工作频率。
所述步骤S3中,用户设备k在本地训练模型所消耗的能量可以表示为:
其中α表示用户设备k的CPU的电容系数,α是通过离线测量预先知晓的常数。
所述步骤S3中,根据所述用户设备本地训练的功耗模型建立以下本地模型训练阶段的功耗优化问题:
其中
所述步骤S3中,解决用户设备k本地模型训练阶段的功耗优化问题的迭代优化算法如下:
算法1:本地模型训练阶段的功耗优化问题的迭代优化算法
初始化:算法精度ò>0,ω=1。
具体的,所述步骤S4中,在联邦学习的第i轮全局训练过程中,用户设备k依据所述最优参数使用所述本地数据集{xk∈Su,yk}训练本地模型在本地模型收敛后,用户设备k本地模型在全局第i次迭代的更新可以表示为需要的存储空间为Su。
具体的,所述步骤S5中,用户设备进行模型参数上传的上行功耗模型可以建模为:
Eu,k(ηk,Ru,k(η))=ρuηktu,k(Ru,k(η)) (1.5)
为用户设备k在去蜂窝大规模MIMO网络中的上行通信速率,βmk表示无蜂窝网络中接入点m与用户设备k之间无线信道的大尺度衰落系数,σmk表示估计的信道的功率,φl表示第l个导频,表示零均值的复高斯随机噪声。
具体的,所述步骤S6中,根据所述用户设备上传模型参数的功耗模型建立以下上传模型阶段的功耗优化问题:
其中θ*通过本地模型训练阶段的功耗优化问题的迭代优化算法获得,G(θ*)为已知常数。C.1中Tk=tc,k+tu,k为用户设备k的本地训练延迟和上行传输延迟,TG为联邦学习一次全局训练所允许的最大延迟。C.2中hu,k(η)为Ru,k的凹的下界,便于使用凸优化工具在可行域上搜索Ru,k的解。
具体的,所述步骤S6中,为了抑制落后者效应,本地模型训练阶段的功耗优化问题服从延迟约束T1=...=Tk=...=TK。
其中,所述步骤S6中,用户设备上传模型阶段的功耗优化问题可以转化为以下可行性搜索问题:
其中,所述步骤S6中,解决用户设备k上传模型阶段的功耗优化问题的优化算法如下:
算法2:上传模型阶段的功耗优化问题的优化算法
其中,所述步骤S7中,所述服务器包括云服务器和边缘服务器。
综上所述,本发明在用户训练本地模型的阶段,通过迭代优化用户设备端CPU的工作频率和本地模型的训练精度降低用户设备的本地训练功耗;在用户设备上传模型参数阶段,通过最小化用户设备的最大时延为目标进行功率分配,既抑制了落后者效应,又节约了设备端上行功耗。
本发明中披露的说明和实践,对于本技术领域的普通技术人员来说,都是易于思考和理解的,且在不脱离本发明原理的前提下,还可以做出若干改进和润饰。因此,在不偏离本发明精神的基础上所做的修改或改进,也应视为本发明的保护范围。
Claims (9)
1.一种基于Cell-Free mMIMO网络的联邦学习设备端能耗优化方法,其特征在于,具体步骤如下:
S0:初始化系统参数,初始化全局模型;
S1:服务器分发全局模型给用户设备;
S2:用户设备采集数据生成本地数据集;
S3:构建用户设备进行本地训练的功耗模型,迭代优化用户设备的CPU工作频率和本地模型精度;
S4:用户设备依据S3步骤得到的最优参数使用本地数据集训练本地模型;
S5:构建用户设备进行模型参数上传的上行功耗模型;
S6:根据上行功耗模型优化用户设备延迟,得到最优功率分配方案;
S7:用户设备依据S6步骤得到的最优功率分配方案传输本地模型的模型参数到服务器,服务器聚合模型得到全局模型;
S8:重复上述S1-S7直至全局模型收敛为止。
3.根据权利要求1所述的一种基于Cell-Free mMIMO网络的联邦学习设备端能耗优化方法,其特征在于,所述步骤S1中:
服务器向所有用户设备分发全局模型,或是向部分用户设备分发全局模型。
4.根据权利要求1所述的一种基于Cell-Free mMIMO网络的联邦学习设备端能耗优化方法,其特征在于,所述步骤S2中:
用户设备k采集数据得到本地数据集{xk∈Su,yk},其中Su为本地数据集的大小,xk和yk分别表示本地数据集的输入参数与输出参数。
5.根据权利要求2所述的一种基于Cell-Free mMIMO网络的联邦学习设备端能耗优化方法,其特征在于,所述步骤S3中:
用户设备k在本地训练的时间延迟可以表示为:
其中ck表示用户设备k的CPU处理一个数据样本所需的周期数,ck是通过离线测量预先知晓的常数,Dk和fk分别为本地数据集的大小和用户设备k的CPU工作频率;
用户设备k在本地训练模型所消耗的能量可以表示为:
其中α表示用户设备k的CPU的电容系数,α是通过离线测量预先知晓的常数;
根据用户设备本地训练的功耗模型建立以下本地模型训练阶段的功耗优化问题:
其中,
解决用户设备k本地模型训练阶段的功耗优化问题的迭代优化算法如下:
算法1:本地模型训练阶段的功耗优化问题的迭代优化算法
初始化:算法精度ò>0,ω=1
8.根据权利要求1所述的一种基于Cell-Free mMIMO网络的联邦学习设备端能耗优化方法,其特征在于,所述步骤S6中:
根据用户设备上传模型参数的功耗模型建立以下上传模型阶段的功耗优化问题:
其中θ*通过本地模型训练阶段的功耗优化问题的迭代优化算法获得,G(θ*)为已知常数;C.1中Tk=tc,k+tu,k为用户设备k的本地训练延迟和上行传输延迟,TG为联邦学习一次全局训练所允许的最大延迟;C.2中hu,k(η)为Ru,k的凹的下界,便于使用凸优化工具在可行域上搜索Ru,k的解;为了抑制落后者效应,本地模型训练阶段的功耗优化问题服从延迟约束T1=...=Tk=...=TK;
用户设备上传模型阶段的功耗优化问题转化为以下可行性搜索问题:
解决用户设备k上传模型阶段的功耗优化问题的优化算法如下:
算法2:上传模型阶段的功耗优化问题的优化算法
9.根据权利要求1所述的一种基于Cell-FreemMIMO网络的联邦学习设备端能耗优化方法,其特征在于,所述步骤S7中:
服务器包括云服务器和边缘服务器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211073608.8A CN116009677B (zh) | 2022-09-02 | 2022-09-02 | 一种基于Cell-Free mMIMO网络的联邦学习设备端能耗优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211073608.8A CN116009677B (zh) | 2022-09-02 | 2022-09-02 | 一种基于Cell-Free mMIMO网络的联邦学习设备端能耗优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116009677A true CN116009677A (zh) | 2023-04-25 |
CN116009677B CN116009677B (zh) | 2023-10-03 |
Family
ID=86018003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211073608.8A Active CN116009677B (zh) | 2022-09-02 | 2022-09-02 | 一种基于Cell-Free mMIMO网络的联邦学习设备端能耗优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116009677B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116827393A (zh) * | 2023-06-30 | 2023-09-29 | 南京邮电大学 | 基于联邦学习的无蜂窝大规模mimo上行接收方法及系统 |
CN117062132A (zh) * | 2023-10-12 | 2023-11-14 | 北京信息科技大学 | 兼顾时延与能耗的cf-uav智能传输信令交互方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210158211A1 (en) * | 2019-11-22 | 2021-05-27 | Google Llc | Linear time algorithms for privacy preserving convex optimization |
CN113625751A (zh) * | 2021-08-05 | 2021-11-09 | 南京航空航天大学 | 面向空地一体联邦学习的无人机位置与资源联合优化方法 |
WO2022014731A1 (ko) * | 2020-07-14 | 2022-01-20 | 엘지전자 주식회사 | Aircomp 기반 연합학습의 스케줄링 방법 및 장치 |
CN114219354A (zh) * | 2021-12-28 | 2022-03-22 | 杭州电子科技大学 | 一种基于联邦学习资源分配优化方法及系统 |
CN114650228A (zh) * | 2022-03-18 | 2022-06-21 | 南京邮电大学 | 一种异构网络中基于计算卸载的联邦学习调度方法 |
-
2022
- 2022-09-02 CN CN202211073608.8A patent/CN116009677B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210158211A1 (en) * | 2019-11-22 | 2021-05-27 | Google Llc | Linear time algorithms for privacy preserving convex optimization |
WO2022014731A1 (ko) * | 2020-07-14 | 2022-01-20 | 엘지전자 주식회사 | Aircomp 기반 연합학습의 스케줄링 방법 및 장치 |
CN113625751A (zh) * | 2021-08-05 | 2021-11-09 | 南京航空航天大学 | 面向空地一体联邦学习的无人机位置与资源联合优化方法 |
CN114219354A (zh) * | 2021-12-28 | 2022-03-22 | 杭州电子科技大学 | 一种基于联邦学习资源分配优化方法及系统 |
CN114650228A (zh) * | 2022-03-18 | 2022-06-21 | 南京邮电大学 | 一种异构网络中基于计算卸载的联邦学习调度方法 |
Non-Patent Citations (2)
Title |
---|
周天依 等: ""联邦边缘学习的低功耗带宽分配与用户调度"", 《北京信息科技大学学报(自然科学版)》, vol. 37, no. 1, pages 27 - 33 * |
范绍帅 等: ""面向能量受限工业物联网设备的联邦学习资源管理"", 《通信学报》, vol. 43, no. 8, pages 65 - 77 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116827393A (zh) * | 2023-06-30 | 2023-09-29 | 南京邮电大学 | 基于联邦学习的无蜂窝大规模mimo上行接收方法及系统 |
CN116827393B (zh) * | 2023-06-30 | 2024-05-28 | 南京邮电大学 | 基于联邦学习的无蜂窝大规模mimo接收方法及系统 |
CN117062132A (zh) * | 2023-10-12 | 2023-11-14 | 北京信息科技大学 | 兼顾时延与能耗的cf-uav智能传输信令交互方法 |
CN117062132B (zh) * | 2023-10-12 | 2024-01-09 | 北京信息科技大学 | 兼顾时延与能耗的cf-uav智能传输信令交互方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116009677B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116009677B (zh) | 一种基于Cell-Free mMIMO网络的联邦学习设备端能耗优化方法 | |
CN110928654B (zh) | 一种边缘计算系统中分布式的在线任务卸载调度方法 | |
Chen et al. | Performance optimization of federated learning over wireless networks | |
CN111176929A (zh) | 一种面向边缘联邦学习的高能效计算通信联合优化方法 | |
WO2021227508A1 (zh) | 基于深度强化学习的工业5g动态多优先级多接入方法 | |
Zhu et al. | Computation offloading for workflow in mobile edge computing based on deep Q-learning | |
Li et al. | Delay analysis of wireless federated learning based on saddle point approximation and large deviation theory | |
WO2023179010A1 (zh) | 一种noma-mec系统中的用户分组和资源分配方法及装置 | |
CN113556764B (zh) | 一种基于移动边缘计算网络的计算速率确定方法及系统 | |
CN110300417B (zh) | 无人机通信网络的能量效率优化方法和装置 | |
CN113625751A (zh) | 面向空地一体联邦学习的无人机位置与资源联合优化方法 | |
Zhang et al. | Energy-efficient federated learning framework for digital twin-enabled industrial internet of things | |
Sha et al. | DRL-based task offloading and resource allocation in multi-UAV-MEC network with SDN | |
CN114219354A (zh) | 一种基于联邦学习资源分配优化方法及系统 | |
Jing et al. | Joint UAV location and resource allocation for air-ground integrated federated learning | |
Jing et al. | Resource optimization for signal recognition in satellite MEC with federated learning | |
CN107426775B (zh) | 一种面向高能效异构网络的分布式多用户接入方法 | |
Liu et al. | Power allocation in ultra-dense networks through deep deterministic policy gradient | |
CN116866974A (zh) | 一种基于深度强化学习的联邦学习客户选择方法 | |
CN116542319A (zh) | 边缘计算环境中基于数字孪生的自适应联邦学习方法及系统 | |
Li et al. | Joint power control and uav trajectory design for information freshness via deep reinforcement learning | |
Zhang et al. | AoI-Energy Tradeoff for Data Collection in UAV-Assisted Wireless Networks | |
CN113747452B (zh) | 一种云无线接入网通信协作波束赋形设计方法及系统 | |
Yang et al. | Federated learning-based power control and computing for mobile edge computing system | |
Li et al. | Real-time optimal resource allocation in multiuser mobile edge computing in digital twin applications with deep reinforcement 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 |