[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

说明书

本发明提供了一种基于联邦边缘学习的工业物联网资源分配方法，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。本发明采用李雅普诺夫优化理论来实现长期问题到短期问题的转化，同时引入虚拟能量队列避免工业设备超出能耗要求无法工作的问题。

技术领域

本发明涉及无线通信技术领域，尤其涉及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。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

目前，随着工业物联网(Industrial Internet of Things，IIOT)设备的广泛部署和边缘人工智能(Edge Artificial Intelligence，Edge AI)技术的快速发展，工业物联网技术在边缘网络上已经大量应用，大规模的工业数据在边缘产生。但是，通过传统的集中式训练方法来训练机器学习(Machine Learning，ML)模型，需要将所有设备的原始数据通过无线传输汇总到中央服务器来进行计算。这不仅会大大地损耗无限带宽资源，同时由于所有设备的数据都要在中央服务器进行计算，还会消耗较多的计算资源，产生大量的延迟，从而带来了巨大的成本。因此传统的集中式训练方法对实际的IIOT场景并不实用。

为了解决以上问题，一种分布式模型训练框架——联邦边缘学习(FederatedEdgeLearning，FEEL)被提出了。FL的目标是使设备能够协同学习一个共享的机器学习(MachineLearning)模型，并与中央服务器协作，同时将所有的训练数据保存在设备上，从而将执行ML的能力与在中央服务器中上传/存储数据的需要分离。通过在本地更新模型参数，FEEL利用了在设备上分布的数据和计算能力，因此可以减少中央服务器的能量损耗，缩减模型训练延迟以及保护设备数据隐私，降低了整体成本。

虽然在IIOT的无线网络场景下，FEEL可以减少延迟，降低一定成本，但是由于无线网络带宽资源有限，在每轮训练过程中，需要合理地进行用户的选择以及带宽的分配；同时，在长期的FEEL过程中，在不同回合之间的决策具有依赖性，并且用户的能量是有限的。因此，为了能够更好地在边缘IIOT训练联邦学习的模型，需要合理地进行设备的选择和带宽的分配，使得在满足设备长期能耗要求的情况下，最小化长期的设备总成本，实现FEEL在IIOT上更好地应用。

发明内容

本发明为了解决上述问题，提出了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，本发明能够提高联邦学习的训练准确度性能，从而来实现FEEL在IIOT更好地应用。

根据一些实施例，本发明采用如下技术方案：

一种基于联邦边缘学习的工业物联网资源分配方法，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。

进一步地，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。

进一步地，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。

进一步地，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。