一种去中心化联邦学习场景下的波束赋形系统

本发明涉及波束赋形，特别涉及一种去中心化联邦学习场景下的波束赋形系统。

背景技术：

1、在传统的无人机辅助的物联网场景中，设备与设备之间存在着显著的跨域异质性。首先，位于地面的用户与低空的无人机辅助设备进行通信，构成了空间上的跨域连接。此外，为了实现无人机辅助通信功能，必须考虑无人机轨迹规划、无人机的能源消耗、信道条件等多种因素，所收集的数据形成了不同的跨域异质数据集。

2、在通信方面，考虑到设备的差异化能力，假设g2g链路中的发射机和接收机通常只搭载一根天线，而在a2g链路中，无人机能够搭载多根天线与地面单天线接收机通信，从而提高联邦学习数据交互质量。因此不同的设备类型导致了通信性能和联邦学习性能的异质性。此外，不同设备进行通信时，可能会受到各种障碍和干扰的影响，因此存在着较大的信道异质性。地面设备和无人机所产生的数据也呈现出异构性，因此，使用这些本地数据生成的本地模型之间也存在明显的异构性。

3、考虑一个跨域异质物联网(internet of things，iot)通信场景，在该通信网络中，空间域维度包括a2g链路和g2g链路，无人机通过a2g链路与地面设备进行通信，地面物联网设备通过g2g链路进行通信。信息域维度包括通信链路和干扰链路，同一对链路发射机和接收机之间构成通信链路，不同链路收发机对之间构成干扰链路。

4、在上述这样的跨域异质场景中，联邦学习(fl)的部署仍然面临着一系列重要问题。首先，在物联网环境中，很难找到一个具备强大容量和资源的设备，能够胜任中心服务器的角色。其次，fl对于中心服务器的故障缺乏弹性。一旦发生与中央服务器的故障或连接中断，便可能导致fl协作训练的失败。第三，fl不具备良好的可扩展性，网络带宽限制和工作节点数量的增加可能会加剧联邦学习的通信瓶颈，从而造成客户端设备掉队/退出的问题。

技术实现思路

1、本发明提供了一种去中心化联邦学习场景下的波束赋形系统，引入无人机辅助地面设备进行本地模型训练和模型参数共享，提高频谱利用率，降低同频干扰，降低地面设备的功率消耗，进而提高联邦学习的模型训练准确度和收敛速度。

2、本发明提供了一种去中心化联邦学习场景下的波束赋形系统，基于去中心化联邦学习架构，包括学习场景模块、学习模型模块、波束赋形模块和神经网络模块，所述学习场景模块包括无人机和地面设备，所述无人机辅助地面设备在所述学习模型模块中进行本地模型训练和模型参数共享；所述波束赋形模块用于进行波束赋形的速率最大化描述，以采用所述神经网络模块模拟传统算法的输入输出映射，将混合通信网络中链路之间的干扰关系建模为异构图后，基于所述异构图的输入，得到最优的波束成形向量；所述神经网络模块将超图学习融入到图神经网络模型中，以超图形式构建图神经网络模型的输入聚合方式，使所述无人机使用多天线与地面客户端进行数据交互。

3、进一步地，所述学习场景模块采用基于gossip协议的去中心化联邦学习场景，具体包括：

4、所述学习场景为跨域异质的去中心化联邦学习场景，所述无人机辅助地面物联网设备进行模型参数共享，构成混合通信网络；其中，跨域为设备部署空间，包括地面和空中，异质为设备和通信链路异质，设备类型包括地面收发设备和无人机设备，链路类型包括a2g链路和g2g链路；

5、在该通信网络中，无人机通过a2g链路与地面设备进行通信，发射机配备多条天线，而接收机只配备一条天线；地面物联网设备通过g2g链路进行通信，发射机和接收机仅配备一条天线，在同一时间，每个设备仅与一台设备进行通信以及模型参数交换。

6、进一步地，所述学习模型模块采用基于gossip协议的去中心化联邦学习模型，具体包括：

7、在去中心化学习中训练客户端只需要与其邻居交换信息，无需与全局服务器通信，去中心化的优化问题表述为：

8、

9、其中，n是客户端的数量，di,xi,ξ和fi(xi；ξ)分别是输入数据的分布，客户端i的模型，数据的标签以及客户端i的损失函数，客户通过最小化本地损失函数并与其他客户交换模型，以协作最小化全局损失函数f(x)；

10、将基于gossip协议进行模型参数的传播，假设每个客户端i在训练开始的时候都有其本地参数用表示所有模型的参数；在第t轮迭代通信中，每个客户端与其他客户端交换自己的模型；传播的过程表示为：

11、xt＝xt-1wt-1

12、其中，wt～w∈rn×n是随机掩码矩阵，在第t次迭代时生成的双随机矩阵，用来体现客户端与其他客户端沟通和进行模型平均的过程，矩阵中的元素满足wt,ij＞0，表示客户端i在t轮时与客户端j进行通信；且1n wt＝1n和wt1n＝1n，1n＝[1 1...1 1]∈rn；e(wt,ij)＞0，表示指示客户端i和客户端j在迭代时交换信息的概率；当矩阵e(wtwt)第二大特征值ρ(e(wtwt))小于1的时候，第t轮所有的客户端xt都可以达成共识从而停止参数交互与模型迭代，并且收敛于每个客户端最终都会获得所有客户端的平均模型。

13、进一步地，所述波束赋形模块对面向gossipdfl的波束赋形问题描述具体包括：

14、用m＝{1,...,m}表示m种链路类型，链路类型为m的链路，所有n个参与去中心化联邦学习的空中及地面客户端在t轮时刻构成了n/2对设备对设备通信链路；其中发射机所具备的发射天线数为nm，用km表示链路类型为m的链路的数量，因此所有链路的总量为将第t轮通信时链路类型为m的第i条链路定义为im,t，然后将从链路jn,t的发射机到链路im,t的接收机的信道响应定义为将定义为链路im,t的波束成形向量；因此链路im,t的接收机处的接收信号是来自多种类型发射机信号的叠加，接收信号由下式表示：

15、

16、其中，表示方差为的加性高斯白噪声，定义波束成形器为链路im,t可实现速率的函数，可实现速率由下式表示：

17、

18、通过加权合速率最大化作为效用函数对去中心化联邦学习的整体模型交互过程的性能进行评估，采用对每条链路的发射机的功率进行约束的方法，由于在通信场景中存在a2g链路以及g2g链路，并且默认a2g链路中无人机到地面设备之间的实际距离大于g2g链路中设备到设备之间的实际距离，因此需要设定两种不同大小的功率约束，默认g2g链路中发射机的发射功率约等于a2g链路中发射机的发射功率，定义无人机与地面设备之间的通信时延为t，通信所消耗的最大能耗为emax，从而得到每一条链路中发射机的最大发射功率pmax＝emax/t；因此，优化问题最终被表示为：

19、

20、

21、pmax＝emax/t,"i,m

22、其中，表示链路im,t的优先级，用于衡量不同本地模型参数对全局模型的数据重要性程度；若把所有的权重都设置为1，那么上述优化问题转化成和速率最大化问题。

23、进一步地，所述神经网络模块采用基于无监督混合干扰图神经网络的算法，具体包括：

24、设计图节点块处理异构图结构中包含的顶点属性信息以及边属性信息；令r＝(n,m)表示链路类型n到链路类型m之间的干扰关系，基于每一个关系r，定义顶点属性更新函数以及边属性更新函数其均由多层感知器进行参数化处理；首先对关系(n,m)中以顶点im,t为中心节点的部分更新函数进行设计，如下式：

25、

26、在边属性更新函数中将顶点im,t的目标顶点的属性信息舍弃，将最初的边属性信息作为的输入，将所有独立更新函数的输出属性信息进行聚合操作，从而得到最终的顶点属性信息聚合函数的具体设计如下式：

27、

28、其中，ai,m表示与链路im,t之间存在干扰关系的关系数量，即r的数量；

29、将超图思想融入到图神经网络模型中，将与顶点im,t之间存在干扰关系的节点进行分类，将同种类型的相邻节点放入到一条超边集合中，超边集合中还包含了通过边更新函数得到的干扰链路的信道状态信息通过上述操作，完成将超图思想与mignn模型的融合；

30、考虑更新的总轮数为l，设计的gn块的数量为l；在顶点im,t处，第l个gn块的输入为即第l-1个gn块的输出，第l个gn块的输出为采用编码-处理-解码三步流程，其中编码由编码器gnenc实现，处理由核心模块gncore实现，解码由解码器gndec来实现；在mignn模型中，所有的隐藏卷积层共享网络参数，也就是gn2＝…＝gnl-1＝gncore,l≥3；

31、在顶点im,t处，顶点属性作为gnenc的输入并通过编码过程得到输出顶点属性每一个隐藏卷积层利用核心模块gncore以循环迭代的方式输出最后一个隐藏卷积层的输出作为解码器gndec的输入，从而gndec的输出就得到波束成形向量的近似值，即在mignn模型的输出端，通过激活函数对得到的波束成形向量加以功率约束；在训练mignn模型的过程中，采用目标函数的负期望值作为损失函数由下式表示：

32、

33、通过最小化上述的损失函数l，以无监督学习的方式对mignn模型的参数q进行更新，经过多次反向传播过程，对模型参数q不断进行调整，最终可以得到最优的波束成形向量

34、本发明的有益效果为：

35、本发明引入无人机辅助地面设备进行本地模型训练和模型参数共享，从而提高频谱利用率，降低同频干扰，降低地面设备的功率消耗，进而提高联邦学习的模型训练准确度和收敛速度。将超图学习融入到了图神经网络模型中，以超图形式构建图神经网络模型的输入聚合方式，弥补传统图方式信息丢失的缺陷，从而设计基于无监督超图学习的波束赋形系统，有助于无人机更好地使用多天线与地面客户端进行数据交互，通过波束赋形可以使得能量更加集中，减少多路径传输和其他设备的干扰，提高通信及联邦学习的可靠性、安全性和高效性。