[发明专利]云边缘系统联邦学习需求响应的在线调度方法及相关装置

权利要求书

1.一种云边缘系统联邦学习需求响应的在线调度方法，其特征在于，所述的方法包括：

获取当前时刻接收到的各联邦学习任务的任务参数；

以联邦学习任务训练时间约束、联邦学习任务训练条件约束、联邦学习任务的期望准确性约束及能量上限约束为约束条件，基于各任务参数构建长期社会福利最大化问题；

解耦所述长期社会福利最大化问题，以得到各联邦学习任务对应的调度结果。

2.根据权利要求1所述云边缘系统联邦学习需求响应的在线调度方法，其特征在于，所述任务参数包括到达时间、期望准确性、本地迭代次数、离开时间、投标报酬以及超时惩罚函数。

3.根据权利要求1或2所述云边缘系统联邦学习需求响应的在线调度方法，其特征在于，所述以联邦学习任务训练时间约束、联邦学习任务训练条件约束、联邦学习任务的期望准确性约束及能量上限约束为约束条件，基于各任务参数构建长期社会福利最大化问题具体包括：

基于各任务参数确定各联邦学习任务的任务社会福利以及云边缘系统的系统社会福利；

基于各任务社会福利以及系统社会福利构建目标函数；

以联邦学习任务训练时间约束、联邦学习任务训练条件约束、联邦学习任务的期望准确性约束和能量上限约束为约束条件，基于所述目标函数构建长期社会福利最大化问题。

4.根据权利要求3所述云边缘系统联邦学习需求响应的在线调度方法，其特征在于，所述长期社会福利最大化问题为：

x_i∈{0,1},n_i∈{1,…,n_max},r_i∈{1,…,r_max},τ_i∈{0,1,…,|T|-d_i},e_t≥0,

其中，I表示联邦学习任务请求集合，T表示预设时间段，x_i表示联邦学习任务i的投标结果，表示时刻t联邦学习任务i的训练状态，b_i表示联邦学习任务i的投标报酬，g_i(.)表示联邦学习任务i的超时惩罚函数，τ_i表示联邦学习任务i的超时时隙数，n_i表示联邦学习任务i的模型精度，r_i表示联邦学习任务i的全局迭代次数，e_t表示t时刻的电量消耗值，f_t(.)表示时刻t对应的电费计算函数,Υ和γ均是常数，是n_i的函数,表示集合，在t时刻选择联邦学习任务i的边缘服务器，E_i,k(n_i)E'_i,k(n_i)E″_i(n_i)是关于n_i的函数，ε_i表示期望准确性。

5.根据权利要求1所述云边缘系统联邦学习需求响应的在线调度方法，其特征在于，所述解耦所述长期社会福利最大化问题，以得到各联邦学习任务对应的调度结果具体包括：

将所述长期社会福利最大化问题转换为时刻表选择问题；

采用原始对偶算法解耦所述时刻表选择问题，以得到各联邦学习任务对应的调度结果。

6.根据权利要求5所述云边缘系统联邦学习需求响应的在线调度方法，其特征在于，所述将所述长期社会福利最大化问题转换为时刻表选择问题具体包括：

将预设时间段划分为若干时隙；

对于每个时隙，将设置为定值以将长期社会福利最大化问题转换为时刻表选择问题，其中，x_i表示联邦学习任务i的投标结果，表示时刻t联邦学习任务i的训练状态，τ_i表示联邦学习任务i的超时时隙数，n_i表示联邦学习任务i的模型精度，r_i表示联邦学习任务i的全局迭代次数。