一种能感知设备可用性的高性能联邦边缘学习方法与流程

技术特征：
1.一种能感知设备可用性的高性能联邦边缘学习方法，其特征在于，包括以下步骤：s1：初始化全局机器学习模型为初始模型，并指定训练次数；s2：边缘服务器向边缘设备广播全局模型；边缘设备根据收到的全局模型和本地数据集计算本地梯度；s3：边缘服务器决定最优的边缘设备集群调度和通信资源分配方案，边缘服务器根据方案选择一个边缘设备集群，被调度的边缘设备上传本地梯度。s4:边缘服务器计算全局梯度并更新全局模型；s5：判断指标是否收敛或达到训练精度，若是，则结束训练，若否则进入步骤s2。2.根据权利要求1所述的一种能感知设备可用性的高性能联邦边缘学习方法，其特征在于，全局包括一个边缘服务器以及k个边缘设备，用集合表示，所述边缘服务器和所有的所述边缘设备均配备一根天线，所述边缘设备k的数据集表示为其中表示集合的基数，ξ
d
表示集合中的第d个数据点，用表示所有数据集。3.根据权利要求2所述的一种能感知设备可用性的高性能联邦边缘学习方法，其特征在于，步骤s1中，学习模型记为w，初始模型为w0，所述初始模型w0通过加载卷积神经网络到边缘服务器，每个边缘设备的数据样本种类和数目都不相同。4.根据权利要求1所述的一种能感知设备可用性的高性能联邦边缘学习方法，其特征在于，步骤s2中，所述边缘设备计算本地梯度时，包括以下步骤：a1：为每个数据样本ξ
d
定义一个损失函数l
k
(w，ξ
d
)，在数据集上的机器学习模型w的本地损失函数被定义为：a2：在整个数据集上的全局损失函数表示为：a3：定义参数x
k
∈{0，1}表示边缘设备k的可用性，x
k
＝1表示边缘设备k可以计算本地梯度，同时，定义表示边缘设备k的可用性概率，表示概率分布情况，基于概率ρ
k
，边缘设备k将拥有一个具体的可用性状态，即在第n轮训练中，可以用表示边缘设备k的当前可用性状态；a4：在第n轮训练中，边缘设备k的本地梯度可以表示为其中表示本地损失函数在w＝w
n
处的梯度。5.根据权利要求1所述的一种能感知设备可用性的高性能联邦边缘学习方法，其特征在于，步骤s3中选择最优的边缘设备集群调度包括以下步骤：b1：定义c＜k表示被调度的边缘设备数量；
b2：假定每c个边缘设备形成一个边缘设备集群，所有边缘设备将会形成个集群，用集合表示；b3：令表示第m个边缘设备集群中的c个边缘设备集合，调度中的集群m相当于调度集合中的c个边缘设备；b4：定义概率表示在第n轮联邦学习训练中集群m被调度的概率，该概率满足以下约束条件：b5：定义表示所有边缘设备集群被调度的概率分布。6.根据权利要求1所述的一种能感知设备可用性的高性能联邦边缘学习方法，其特征在于，步骤s3中，被调度的边缘设备上传本地梯度时通过时分复用(tdma)系统提交，在提交时将消耗一定的能量，需要选择最优的通信资源分配方案，在第n轮模型训练过程中，令和分别表示边缘设备k的信道功率增益和传输功率，边缘设备k的传输速率可以表示为：比特/秒其中，b和σ2分别表示带宽和噪声功率；为了保证设备集群m中的边缘设备k能够成功提交本地梯度，其传输速率需要满足以下约束条件：其中i
k
(m)∈{0，1}用来确定边缘设备k是否在设备集群m中，即当边缘设备在设备集群m中时，i
k
(m)＝1，否则i
k
(m)＝0，另外，表示边缘设备k执行本地梯度提交的时间，需要满足以下约束条件：满足以下约束条件：其中，t表示被调度设备执行梯度提交的时间段，因此，在时间段内，边缘设备k消耗的能量可以表示为：其中，那么，总能耗可以表示为：其中，由于设备集群m被调度的概率为根据全概率公式，所考虑的所有边缘设备的平均总能耗可以表示为：
其中，因此，系统中的所有边缘设备的平均总能耗将受到无限信道和边缘设备可用性的影响。7.根据权利要求1所述的一种能感知设备可用性的高性能联邦边缘学习方法，其特征在于，步骤s4中计算边缘服务器全局梯度时采用如下公式：其中边缘服务器进行更新全局模型时根据以下公式进行：8.根据权利要求1所述的一种能感知设备可用性的高性能联邦边缘学习方法，其特征在于，步骤s5中收敛上限确定时采用如下公式：假定全局损失函数的梯度满足μ-lipschitz条件，可以得到一轮训练收敛上界：其中，w
*
表示最优全局模型，即而g(p
n
)是一个与边缘设备集群调度概率有关的函数：

技术总结
本发明涉及一种能感知设备可用性的高性能联邦边缘学习方法，包括以下步骤：S1：初始化全局机器学习模型为初始模型，并指定训练次数；S2：边缘服务器向边缘设备广播全局模型；边缘设备根据收到的全局模型和本地数据集计算本地梯度；S3：边缘服务器决定最优的边缘设备集群调度和通信资源分配方案，边缘服务器根据方案选择一个边缘设备集群，被调度的边缘设备上传本地梯度。S4:边缘服务器计算全局梯度并更新全局模型；S5：判断指标是否收敛或达到训练精度，若是，则结束训练，若否则进入步骤S2。本发明提高FEEL系统模型训练准确度，能调整FEEL系统的更新和优化，达到准确处理数据和降低能耗，提高能源利用效率的目的。提高能源利用效率的目的。提高能源利用效率的目的。


技术研发人员：方能炜 郑屹 侯伯 胡小林 高信波 朱林全 龙萍 温万里 贾云建 张毅 刘奎林
受保护的技术使用者：重庆工业大数据创新中心有限公司
技术研发日：2022.01.13
技术公布日：2022/5/20