[发明专利]一种面向快速联邦学习的5G边缘设备调度方法

权利要求书

1.一种面向快速联邦学习的5G边缘设备调度方法，其特征在于，该方法在联邦学习的每个训练周期开始阶段，考虑每个边缘设备的训练时延、公平性和本地模型重要性，基于多臂老虎机理论进行边缘设备调度，具体为：

将基站视为玩家，边缘设备视为手臂，局部更新本地模型重要性以及训练时延，边缘设备被调度次数的减少量的加权和视为奖励值，按照如下准则进行边缘设备调度：

A^*,(t)＝argmax_A(t)∑_k∈A(t)(ρ₁τ_k^(t)+ρ₂d_k^(t)+ρ₃q_k^(t))

其中系数ρ₁、ρ₂、ρ₃∈[0,1]表示训练时延、本地模型重要性、边缘设备被调度次数的减少量的权重，A^*,(t)是联邦学习的第t个训练周期开始阶段被调度边缘设备集合，A(t)是联邦学习的第t个训练周期开始阶段任一备选的随机边缘设备子集，d_k^(t)0是联邦学习的第t个训练周期开始阶段边缘设备k的本地模型重要性，q_k^(t)是联邦学习的第t个训练周期开始阶段边缘设备k被调度次数的减少量，τ_k^(t)表示联邦学习的第t个训练周期边缘设备k的训练时延；

每个训练周期的结束阶段，对于被调度的边缘设备，其训练延迟的更新规则是：如果k∈A(t)则τ_k^(t+1)＝(τ_k^(t)n_k^(t)+τ'_k^(t))/(n_k^(t)+1)，否则τ_k^(t+1)＝τ_k^(t)，τ_k^(t+1)、τ_k^(t)分别是第t+1、t个训练周期边缘设备k的训练延迟，n_k^(t)是直到第t个训练周期边缘设备k被调度的次数，τ'_k^(t)表示第t个训练周期边缘设备k的训练延迟的减少量；

每个训练周期的结束阶段，对于被调度的边缘设备，其被调度次数的减少量的更新规则是：q_k^(t+1)是第t+1个训练周期边缘设备k被调度次数的减少量，N是正交子信道的数量。

2.一种无线联邦学习系统，其特征在于，包含一个基站以及多个边缘设备，并且边缘设备信道条件以及本地计算能力未知；该系统中联邦学习的训练过程包括：

每个训练周期开始阶段，考虑每个边缘设备的训练延迟、公平性和本地模型重要性，采用如权利要求1所述方法、基于多臂老虎机理论进行边缘设备调度；

每个训练周期的训练过程中，被调度的边缘设备进行本地训练，并将其更新之后的本地模型上传给基站进行全局聚合，从而生成新的全局模型；

每个训练周期的结束阶段，基站将新的全局模型广播给所有边缘设备，用于下一个训练周期的边缘设备调度以及训练。

3.根据权利要求2所述的一种无线联邦学习系统，其特征在于，边缘设备本地模型重要性为该边缘设备在当前全局模型下的训练损失。

4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1所述的面向快速联邦学习的5G边缘设备调度方法。

5.一种面向快速联邦学习的5G边缘设备调度系统，其特征在于，包括：存储器和处理器；所述存储器上存储有计算机程序，当所述计算机程序被所述处理器执行时，实现如权利要求1所述的面向快速联邦学习的5G边缘设备调度方法。