[发明专利]一种基于联邦学习的车联网多维资源分配方法及系统

权利要求书

1.一种基于联邦学习的车联网多维资源分配方法，其特征在于，所述方法包括：

获取若干个MEC服务器发送的模型数据；所述MEC服务器配置在不同地理区域的基站内；所述模型数据为MEC服务器根据所处地理区域内的所有车辆反馈的车辆性能参数，采用本地模型训练得到；

所述模型数据还包括多维资源消耗量，所述MEC服务器根据位于所处地理区域内的所有车辆反馈的车辆性能参数，所述多维资源消耗量的约束包括：

M_i(t)={s_i(t),de_i(t),r_i(t)}；

其中，Mi(t)表示计算任务，s_i(t)表示计算M_i(t)所需输入的数据大小，de_i(t)表示Mi(t)的完成最大允许时延，r_i(t)表示完成Mi(t)所需的CPU周期数；

将获得的模型数据聚合处理，得到全局模型参数；

发送所述全局模型参数至反馈所述模型数据的MEC服务器；

获取MEC服务器反馈的多维资源消耗量预测值；所述多维资源消耗量预测值为MEC服务器根据所述全局模型参数对单位时间内消耗的多维资源量进行训练得到；

根据所述多维资源消耗量预测值确定对各个MEC服务器的资源分配值。

2.根据权利要求1所述的一种基于联邦学习的车联网多维资源分配方法，其特征在于，将获得的模型数据聚合处理，得到全局模型参数的步骤包括：

使用联邦平均算法对获得的所述模型数据聚合处理。

3.根据权利要求2所述的一种基于联邦学习的车联网多维资源分配方法，其特征在于，使用联邦平均算法对获得的所述模型数据聚合处理的步骤包括：

生成初始全局模型参数；

根据所述模型数据和所述初始全局模型参数生成阶段性全局模型参数；

将所述阶段性全局模型参数发送至所述MEC服务器；

所述MEC服务器根据所述阶段性全局模型参数的训练结果判断所述阶段性全局模型参数是否收敛：

若是，生成所述全局模型参数。

4.权利要求3所述的一种基于联邦学习的车联网多维资源分配方法，其特征在于，所述方法还包括：

若否，则重新执行所述根据所述模型数据和所述初始全局模型参数生成阶段性全局模型参数的步骤。

5.根据权利要求1所述的一种基于联邦学习的车联网多维资源分配方法，其特征在于，所述车辆性能参数包括任务生成情况，网络连接情况，车载设备性能。

6.一种基于联邦学习的车联网多维资源分配系统，其特征在于，包括云服务中心和MEC服务器，所述云服务中心被配置为执行下列方法：

获取若干个所述MEC服务器发送的模型数据；所述MEC服务器配置在不同地理区域的基站内；所述模型数据为MEC服务器根据所处地理区域内的所有车辆反馈的车辆性能参数，采用本地模型训练得到；

所述模型数据还包括多维资源消耗量，所述MEC服务器根据位于所处地理区域内的所有车辆反馈的车辆性能参数，所述多维资源消耗量的约束包括：

Mi(t)={si(t),dei(t),ri(t)}；

其中，Mi(t)表示计算任务，si(t)表示计算Mi(t)所需输入的数据大小，dei(t)表示Mi(t)的完成最大允许时延，ri(t)表示完成Mi(t)所需的CPU周期数；

将获得的模型数据聚合处理，得到全局模型参数；

发送所述全局模型参数至反馈所述模型数据的MEC服务器；

获取MEC服务器反馈的多维资源消耗量预测值；所述多维资源消耗量预测值为MEC服务器根据所述全局模型参数对单位时间内消耗的多维资源量进行训练得到；

根据所述多维资源消耗量预测值确定对各个MEC服务器的资源分配值。