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 PDF

Info

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
Application number
CN202211073608.8A
Other languages
English (en)
Other versions
CN116009677B (zh
Inventor
陈晓敏
赵涛涛
孙强
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.)
Nantong University
Original Assignee
Nantong University
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 Nantong University filed Critical Nantong University
Priority to CN202211073608.8A priority Critical patent/CN116009677B/zh
Publication of CN116009677A publication Critical patent/CN116009677A/zh
Application granted granted Critical
Publication of CN116009677B publication Critical patent/CN116009677B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种基于Cell-Free mMIMO网络的联邦学习设备端能耗优化方法
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：
初始化的系统参数包括K个用户设备的CPU所支持的工作频率范围，即用户设备k的CPU所支持的最小工作频率
Figure BDA0003830395920000021
和最大工作频率
Figure BDA0003830395920000022
初始化的系统参数包括K个用户设备的本地模型支持的训练精度范围，即用户设备k的所支持的最小训练精度
Figure BDA0003830395920000023
和最大训练精度
Figure BDA0003830395920000024
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：
在联邦学习的第i轮全局训练过程中，用户设备k使用本地数据集训练全局模型w(i)得到本地模型
Figure BDA0003830395920000031
对于一个给定的本地模型精度θ，模型在本地训练得到最优模型
Figure BDA0003830395920000032
需要的迭代次数为
Figure BDA0003830395920000033
其中
Figure BDA0003830395920000034
取决于数据集的大小和本地模型的规模；
用户设备k在本地训练的时间延迟可以表示为：
Figure BDA0003830395920000035
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：
Figure BDA0003830395920000036
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：
Figure BDA0003830395920000037
其中，
Figure BDA0003830395920000041
表示用户k的本地训练功耗，
Figure BDA0003830395920000042
表示用户设备进行模型上传的次数，即全局训练次数，其中
Figure BDA0003830395920000043
和
Figure BDA0003830395920000044
为全局模型参数，为已知常数；
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
输入：最小工作频率
Figure BDA0003830395920000045
最大工作频率
Figure BDA0003830395920000046
最小训练精度
Figure BDA0003830395920000047
最大训练精度
Figure BDA0003830395920000048
本地训练延迟
Figure BDA0003830395920000049
算法精度
Figure BDA00038303959200000410
算法迭代次数索引ω，算法最大迭代次数ωmax；
初始化：算法精度
Figure BDA00038303959200000411
ω＝1
Figure BDA00038303959200000412
Figure BDA0003830395920000051
输出：
Figure BDA0003830395920000052
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
Figure BDA0003830395920000053
使用本地数据集{xk∈Su,yk}训练本地模型
Figure BDA0003830395920000054
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
Figure BDA0003830395920000055
Figure BDA0003830395920000056
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)
用户的发射功率为ρuηk，其中ρu为上行最大发射功率，ηk为用户k的上行功率控制系数，
Figure BDA0003830395920000057
为用户设备k发送本地模型
Figure BDA0003830395920000058
所需的时间，其中：
Figure BDA0003830395920000059
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，
Figure BDA00038303959200000510
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：
Figure BDA0003830395920000061
其中
Figure BDA0003830395920000062
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：
Figure BDA0003830395920000063
其中
Figure BDA0003830395920000064
为一次算法迭代过程中最大设备延迟；
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
输入：本地训练延迟tc,k，用户上行最大功率ρu，用户设备的上行功率控制系数ηk，
Figure BDA0003830395920000065
算法精度
Figure BDA0003830395920000066
算法上界Tupper，算法下界Tlower；
初始化：算法精度
Figure BDA0003830395920000067
算法上界
Figure BDA0003830395920000068
算法下界Tlower＝0；
Figure BDA0003830395920000069
Figure BDA0003830395920000071
输出：
Figure BDA0003830395920000072
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。
具体的，所述步骤S0中，初始化的系统参数包括K个用户设备的CPU所支持的工作频率范围，即用户设备k的CPU所支持的最小工作频率
Figure BDA0003830395920000081
和最大工作频率
Figure BDA0003830395920000082
其中，所述步骤S0中，初始化的系统参数包括K个用户设备的本地模型支持的训练精度范围，即用户设备k的所支持的最小训练精度
Figure BDA0003830395920000083
和最大训练精度
Figure BDA0003830395920000084
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。
具体的，所述步骤S3中，在联邦学习的第i轮全局训练过程中，用户设备k使用所述本地数据集训练全局模型w(i)得到本地模型
Figure BDA0003830395920000091
其中，所述步骤S3中，对于一个给定的本地模型精度θ，模型在本地训练得到最优模型
Figure BDA0003830395920000092
需要的迭代次数为
Figure BDA0003830395920000093
其中
Figure BDA0003830395920000094
取决于数据集的大小和本地模型的规模，当数据集和本地模型固定时
Figure BDA0003830395920000095
是一个常数。
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：
Figure BDA0003830395920000096
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：
Figure BDA0003830395920000097
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：
Figure BDA0003830395920000098
其中
Figure BDA0003830395920000099
表示用户k的本地训练功耗。
Figure BDA00038303959200000910
表示用户设备进行模型上传的次数，即全局训练次数，其中
Figure BDA0003830395920000101
和
Figure BDA0003830395920000102
为全局模型参数，为已知常数。
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
输入：最小工作频率
Figure BDA0003830395920000103
最大工作频率
Figure BDA0003830395920000104
最小训练精度
Figure BDA0003830395920000105
最大训练精度
Figure BDA0003830395920000106
本地训练延迟
Figure BDA0003830395920000107
算法精度
Figure BDA0003830395920000108
算法迭代次数索引ω，算法最大迭代次数ωmax。
初始化：算法精度ò＞0，ω＝1。
Figure BDA0003830395920000109
Figure BDA0003830395920000111
输出：
Figure BDA0003830395920000112
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
Figure BDA0003830395920000113
使用所述本地数据集{xk∈Su,yk}训练本地模型
Figure BDA0003830395920000114
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
Figure BDA0003830395920000115
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)
用户的发射功率为ρuηk,其中ρu为上行最大发射功率，ηk为用户k的上行功率控制系数。
Figure BDA0003830395920000116
为用户设备k发送本地模型
Figure BDA0003830395920000117
所需的时间，其中：
Figure BDA0003830395920000118
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，
Figure BDA0003830395920000119
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：
Figure BDA00038303959200001110
其中
Figure BDA0003830395920000121
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：
Figure BDA0003830395920000122
其中
Figure BDA0003830395920000123
为一次算法迭代过程中最大设备延迟。
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
输入：本地训练延迟tc,k，用户上行最大功率ρu，用户设备的上行功率控制系数
Figure BDA0003830395920000124
算法精度
Figure BDA0003830395920000125
算法上界Tupper，算法下界Tlower。
初始化：算法精度
Figure BDA0003830395920000126
算法上界
Figure BDA0003830395920000127
算法下界Tlower＝0。
Figure BDA0003830395920000128
Figure BDA0003830395920000131
输出：
Figure BDA0003830395920000132
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。
2.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S0中：
初始化的系统参数包括K个用户设备的CPU所支持的工作频率范围，即用户设备k的CPU所支持的最小工作频率
Figure FDA0003830395910000011
和最大工作频率
Figure FDA0003830395910000012
初始化的系统参数包括K个用户设备的本地模型支持的训练精度范围，即用户设备k的所支持的最小训练精度
Figure FDA0003830395910000013
和最大训练精度
Figure FDA0003830395910000014
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)。
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：
在联邦学习的第i轮全局训练过程中，用户设备k使用本地数据集训练全局模型w(i)得到本地模型
Figure FDA0003830395910000021
对于一个给定的本地模型精度θ，模型在本地训练得到最优模型
Figure FDA0003830395910000022
需要的迭代次数为
Figure FDA0003830395910000023
其中
Figure FDA0003830395910000024
取决于数据集的大小和本地模型的规模；
用户设备k在本地训练的时间延迟可以表示为：
Figure FDA0003830395910000025
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：
Figure FDA0003830395910000026
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：
Figure FDA0003830395910000027
其中，
Figure FDA0003830395910000031
表示用户k的本地训练功耗，
Figure FDA0003830395910000032
表示用户设备进行模型上传的次数，即全局训练次数，其中
Figure FDA0003830395910000033
和ò为全局模型参数，为已知常数；
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
输入：最小工作频率
Figure FDA0003830395910000034
最大工作频率
Figure FDA0003830395910000035
最小训练精度
Figure FDA0003830395910000036
最大训练精度
Figure FDA0003830395910000037
本地训练延迟tc,k，
Figure FDA0003830395910000038
算法精度ò，算法迭代次数索引ω，算法最大迭代次数ωmax；
初始化：算法精度ò＞0，ω＝1
Figure FDA0003830395910000039
Figure FDA0003830395910000041
输出：
Figure FDA00038303959100000411
6.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
Figure FDA0003830395910000042
使用本地数据集{xk∈Su,yk}训练本地模型
Figure FDA0003830395910000043
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
Figure FDA0003830395910000044
需要的存储空间为Su。
7.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)
用户的发射功率为ρuηk，其中ρu为上行最大发射功率，ηk为用户k的上行功率控制系数，
Figure FDA0003830395910000045
为用户设备k发送本地模型
Figure FDA0003830395910000046
所需的时间，其中：
Figure FDA0003830395910000047
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，σlk表示估计的信道的功率，
Figure FDA0003830395910000048
表示第
Figure FDA0003830395910000049
个导频，
Figure FDA00038303959100000410
表示零均值的复高斯随机噪声。
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：
Figure FDA0003830395910000051
其中
Figure FDA0003830395910000052
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：
Figure FDA0003830395910000053
其中
Figure FDA0003830395910000054
为一次算法迭代过程中最大设备延迟；
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
输入：本地训练延迟tc,k，用户上行最大功率ρu，用户设备的上行功率控制系数ηk，
Figure FDA0003830395910000055
算法精度ò，算法上界Tupper，算法下界Tlower；
初始化：算法精度ò＞0，算法上界
Figure FDA0003830395910000056
算法下界Tlower＝0；
Figure FDA0003830395910000061
输出：
Figure FDA0003830395910000062
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。
CN202211073608.8A 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 Active CN116009677B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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