[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

说明书

本申请公开了一种基于联邦学习的车联网多维资源分配方法及系统，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；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。

技术领域

本发明涉及车联网技术领域，特别涉及一种基于联邦学习的车联网多维资源分配方法及系统。

背景技术

车联网技术正受到学术界与工业界越来越多的关注。行驶中的车辆作为信息感知对象，借助新一代通信技术实现车与车、人、路、服务平台之间的网络连接。通过接入车联网，道路安全和交通效率得到提高，越来越多的车辆应用和数据服务得以启动。然而，有限的带宽资源、车载计算资源和缓存资源使得对延迟敏感的应用和服务仍面临许多挑战。

随着软件定义网络(Software Defined Networking, SDN)的发展，灵活的管理和调度车联网中的各项多维资源成为可能。但由于多维资源之间的耦合性以及庞大的用户数量，以往基于精确算法或数学规划的近似算法难以处理车联网中复杂的最优资源分配问题，且难以根据场景变化作出自适应调整。机器学习作为近来发展迅速的技术在处理此类问题时具有难以比拟的优势。但在车联网这一特殊的边缘计算场景中，传统的集中式机器学习方法，即将训练数据全部传送至云端进行训练的方式并不适用。一方面，训练数据的传输将占用额外的通信资源；另一方面，机器学习方法需要大量的训练数据以得到良好的模型，但出于对车辆用户数据隐私安全的保护，用户数据被限制在本地受信任的边缘服务器处进行使用，这就导致边缘服务器处的数据不足以训练出泛化性良好的本地模型。因此，传统的机器学习方法不适用于解决车联网场景下的资源预测问题。

为解决传统集中式机器学习的困境，谷歌公司在2006年率先提出联邦学习(Federated Learning, FL)架构。FL通过将本地模型进行聚合的方式避免了用户数据离开本地的情况，保护了用户的数据隐私安全，同时达到了使用全局数据的目的。通过联邦学习架构，车辆用户无需将自身数据发送至云端服务器，且边缘服务器之间不会相互交换用户数据，仅将自身训练的机器学习模型传输至云端进行聚合以协同完成一个效果良好的全局模型。因此，为避免车联网系统内多维资源的冗余分配，有必要设计合理有效的多维资源预测方法，实时预测多维资源的消耗量，并以此为依据为车联网系统分配多维资源。典型的资源分配方法多专注于车联网中某单一资源的最优分配，少有综合考虑多维资源的统一最优分配；而另外一些使用机器学习方法对多维资源进行分配的方法中，单一的训练方为保证用户隐私安全导致难以获得足够的训练数据，使最终的模型质量较差，不适用于实际场景。

发明内容

本申请提供了一种基于联邦学习的车联网多维资分配方法及系统，旨在解决在车联网中，一方面由于车辆的高移动性，边缘服务器需要高速响应用户的请求；另一方面，车辆应用的类型不同，任务的异构性导致各种计算任务对多维资源的需求不同而导致车联网系统内多维资源的冗余分配的问题。

第一方面，本申请提供了一种基于联邦学习的车联网多维资源分配方法，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；

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；