[发明专利]一种基于联邦学习的资源分配优化方法及系统

权利要求书

1.一种基于联邦学习的资源分配优化方法，其特征在于，所述方法包括：

将每个用户设备随机分配至某边缘服务器；

对所述用户设备与所述边缘服务器的连接方式进行独立同分布调整，得到最优资源分配方式；

在将每个用户设备随机分配至某边缘服务器之前，所述方法还包括构建优化函数，根据所述优化函数对所述用户设备与所述边缘服务器的连接方式进行独立同分布调整；

所述对所述用户设备与所述边缘服务器的连接方式进行独立同分布调整，得到最优资源分配方式包括：

随机选取两个所述边缘服务器，对与该两个所述边缘服务器相连的用户设备进行独立同分布调整，得到新的分配方式；

根据所述新的分配方式，对所述优化函数进行优化，得到优化函数值；

判断是否存在可进行独立同分布调整的用户设备以及所述优化函数值是否下降，若不存在可进行独立同分布调整的用户设备或所述优化函数值不再下降，则结束独立同分布调整，将当前的新的分配方式作为最优资源分配方式；否则，返回“随机选取两个所述边缘服务器”步骤；

所述优化函数由系统延迟表示，具体包括：

其中，r为本地模型训练次数，c为单个数据点计算次数，D为数据集大小，d为模型大小，B为总带宽，p为功率，N₀为白噪声，i为计量单位，t为用户设备的处理器时长，b为信道带宽分配系数。

2.根据权利要求1所述的一种基于联邦学习的资源分配优化方法，其特征在于，所述对与该两个所述边缘服务器相连的用户设备进行独立同分布调整包括：将两个所述边缘服务器下辖的各一个所述用户设备进行连接交换；

或将与某一所述边缘服务器相连的一个所述用户设备连接至另一所述边缘服务器。

3.根据权利要求1所述的一种基于联邦学习的资源分配优化方法，其特征在于，所述根据所述新的分配方式，对所述优化函数进行优化包括：

采用matlab的CVX函数对所述优化函数进行优化。

4.根据权利要求1所述的一种基于联邦学习的资源分配优化方法，其特征在于，在得到所述最优资源分配方式后，所述方法还包括按照所述最优资源分配方式部署系统。

5.根据权利要求4所述的一种基于联邦学习的资源分配优化方法，其特征在于，在按照所述最优资源分配方式部署系统后，所述方法还包括执行机器学习模型训练过程，得到全局模型。

6.根据权利要求5所述的一种基于联邦学习的资源分配优化方法，其特征在于，所述执行机器学习模型训练过程，得到全局模型包括：

使所述用户设备利用本地数据集得到本地模型更新，并将所述本地模型更新上传至所述边缘服务器；

使所述边缘服务器整合所述本地模型更新，得到部分模型，并将所述部分模型上传至云服务器；

在云服务器进行所述部分模型的整合，得到全局模型。

7.一种基于联邦学习的资源分配优化系统，其特征在于，所述系统包括：

随机分配模块，用于将每个用户设备随机分配至某边缘服务器；

优化模块，用于对所述用户设备与所述边缘服务器的连接方式进行独立同分布调整，得到最优资源分配方式；

在将每个用户设备随机分配至某边缘服务器之前，所述系统还包括构建优化函数，根据所述优化函数对所述用户设备与所述边缘服务器的连接方式进行独立同分布调整；

所述对所述用户设备与所述边缘服务器的连接方式进行独立同分布调整，得到最优资源分配方式包括：

随机选取两个所述边缘服务器，对与该两个所述边缘服务器相连的用户设备进行独立同分布调整，得到新的分配方式；

根据所述新的分配方式，对所述优化函数进行优化，得到优化函数值；

判断是否存在可进行独立同分布调整的用户设备以及所述优化函数值是否下降，若不存在可进行独立同分布调整的用户设备或所述优化函数值不再下降，则结束独立同分布调整，将当前的新的分配方式作为最优资源分配方式；否则，返回“随机选取两个所述边缘服务器”步骤；

所述优化函数由系统延迟表示，具体包括：

其中，r为本地模型训练次数，c为单个数据点计算次数，D为数据集大小，d为模型大小，B为总带宽，p为功率，N₀为白噪声，i为计量单位，t为用户设备的处理器时长，b为信道带宽分配系数。