[发明专利]一种基于部分客户参与和功率约束的联邦学习方法

说明书

本发明属于通信技术领域，公开了一种基于部分客户参与和功率约束的联邦学习方法，包括：采用有偏见的客户选择，设置客户端可寻址并不断向中央服务器报告，令中央服务器在迭代过程中了解每个客户端的状态；通过添加总和功率约束进行跨通信时隙的功率分配，令设备地将所述设备的本地更新传输到服务器。本发明通过减小通信成本解决现有技术的问题，同时保持模型收敛性能。本发明提出的设计可以解决由不完美的信道状态引起的负面影响。学习过程的收敛在功率控制下减慢，而有偏见的客户选择加速了收敛，权衡了模型聚合。本发明可以保证在低信噪比的恶劣无线条件下快速收敛，在无线FL系统的时间和能源节约方面具有成本效益。

技术领域

本发明属于通信技术领域，尤其涉及一种基于部分客户参与和功率约束的联邦学习方法。

背景技术

目前，随着现代通信网络和传输技术的发展，高机动性无人机在分散任务中的应用正在迅速增长。无人机既可以作为飞行基站，又可以作为快速灵活的数据采集、计算和无线通信的工作设备，使得其成为非常有前途的终端，可以实现许多分布式应用。然而，无人机也受到资源的高度限制，尤其是在功率和带宽方面。传统的基于深度学习的部署是云中心的，需要将原始数据上传到集中式服务器，这给无线系统带来了沉重的网络通信开销。如果通信模块与无人机共享相同的电池，飞行时间将减少16％，如果算上GPS和其他传感器，飞行时间很容易减少超过20％。此外，动态通信链路的可靠和高效数据共享成为另一个瓶颈。此外，集中式方案可能会为实时应用程序(例如实例决策制定任务)引入不可接受的延迟。此外，使用无人机从天空收集信息会引发信息隐私和信任的关键问题。此类航拍镜头可能包含存在隐私问题的敏感帧。

联邦学习(FL)算法在无线通信领域中引起了越来越多的兴趣。研究已经证明，FL方案使无线设备能够协作学习共享模型，而无需共享数据。由于可用功率和带宽有限，以及通信和计算服务无处不在，FL概念为多无人机无线网络提供了一种变通解决方案。无线FL网络中的通信仍然是分布式网络中的一个关键瓶颈，因为由于带宽和功率等资源的有限可用性，它可能会很慢且不稳定。当设备遭受更高的延迟、更低的吞吐量和间歇性的不良连接时，情况会变得更加严重。FL系统中的通信挑战和实际问题促使开发新的方法来降低整体功耗、平均客户端-服务器通信和模型参数，以确定足够的精度进行通信。

为了理解FL的模型收敛性，FL的架构一直是理论研究的主要焦点。然而，这些工作中的大多数都集中在单个方面的FL优化，例如设备选择方案、模型压缩、或模型收敛分析。在无线FL系统中，优化问题主要涉及收敛速度和资源效率，以及潜在的不可靠或不可预测的客户端服务器通信和有限的资源可用性。为了解决FL算法的无线通信开销，研究确定了三个值得注意的趋势，以在优化无线网络上的分布式学习方面进行研究。

1、有限的带宽：有限的无线信道容量会导致空中接口严重拥塞，出现不希望的延迟，甚至无法收敛。此外，较差的信道条件限制了设备的可用性。传输前的数据压缩是减小功耗和延迟的有前途的解决方案之一。此外，调度设备进行聚合可以帮助解决通信过度拥挤的问题。

2、传输精度：无线链路上的通信可能会受到不良信道条件的影响，FL收敛不可避免地会受到传输错误的影响。为了保持模型的准确性，除了信道带宽瓶颈之外，还应考虑对信道效应的鲁棒性，以建立通信模型，并设计一个通信高效的FL框架。

3、功率限制：通信和计算的能量消耗很大，会限制飞行时间。解决功耗的一种方法是降低通信频率，但是，模型收敛通常会受到通信减少的影响。不太频繁的通信也会导致较慢的收敛和次优性能，因此最终会增加整体功耗，因为需要更多的本地训练时间。应限制无人机发射功率，以延长电池寿命并满足对附近带内通信造成干扰的要求。

通过上述分析，现有技术存在的问题及缺陷为：现有通信成本大，收敛速度慢。

发明内容

针对现有技术存在的问题，本发明提供了一种基于部分客户参与和功率约束的联邦学习方法，该方法可以突破无人机在功率和带宽等方面的资源限制，更好的实现高移动性无线通信网络的联邦学习系统。