[发明专利]一种基于联邦边缘学习的工业物联网资源分配方法及系统

权利要求书

1.一种基于联邦边缘学习的工业物联网资源分配方法，其特征在于，包括：

获取工业设备数据；

根据获取的工业设备数据，利用工业物联网下联邦边缘学习的无线通信网络模型，得到分配结果；

其中，通过最小化所有设备总成本的优化目标对无线通信网络模型进行全局优化；通过李雅普诺夫优化方法和迭代算法实现最小化所有设备总成本的优化目标。

2.如权利要求1所述的一种基于联邦边缘学习的工业物联网资源分配方法，其特征在于，所述最小化所有设备总成本的优化目标，基于时延约束以及设备长期能耗要求的条件下，通过优化设备选择和带宽分配实现。

3.如权利要求2所述的一种基于联邦边缘学习的工业物联网资源分配方法，其特征在于，所述李雅普诺夫优化方法用于实现长期问题到短期问题的转化。

4.如权利要求3所述的一种基于联邦边缘学习的工业物联网资源分配方法，其特征在于，所述利用工业物联网下联邦边缘学习的无线通信网络模型，得到最小化所有设备总成本的优化目标，包括对工业物联网下联邦边缘学习的无线通信网络模型分析，针对设备本地计算以及向边缘基站传输模型参数的上行链路，构建相应的模型。

5.如权利要求4所述的一种基于联邦边缘学习的工业物联网资源分配方法，其特征在于，所述获取工业设备数据集后，考虑长期地应用联邦学习来进行数据集的训练。

6.如权利要求5所述的一种基于联邦边缘学习的工业物联网资源分配方法，其特征在于，所述联邦学习包括将全局模型参数给参与联邦学习的工业设备，所述工业设备根据本地数据来更新本地模型。

7.如权利要求6所述的一种基于联邦边缘学习的工业物联网资源分配方法，其特征在于，所述联邦学习还包括利用边缘服务器聚合更新后的本地模型参数得到新的全局模型参数。

8.一种基于联邦边缘学习的工业物联网资源分配系统，其特征在于，包括：

数据获取模块，被配置为，获取工业设备数据；

计算模块，被配置为，根据获取的工业设备数据，利用工业物联网下联邦边缘学习的无线通信网络模型，得到分配结果；

其中，通过最小化所有设备总成本的优化目标对无线通信网络模型进行全局优化；通过李雅普诺夫优化方法和迭代算法实现最小化所有设备总成本的优化目标。

9.一种计算机可读存储介质，其特征在于，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述的一种基于联邦边缘学习的工业物联网资源分配方法。

10.一种终端设备，其特征在于，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-7中任一项所述的一种基于联邦边缘学习的工业物联网资源分配方法。