一种基于联邦学习降低无线算力网络能耗的方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115866685A(43)申请公布日2023.03.28(21)申请号202211234349.2(22)申请日2022.10.10(71)申请人西北工业大学地址710072陕西省西安市碑林区友谊西路127号(72)发明人孙文张海宾李宗俊靳咏雷(74)专利代理机构西安通大专利代理有限责任公司61200专利代理师贺小停(51)Int.Cl.H04W28/08(2009.01)G06N3/08(2006.01)G06N3/04(2006.01)权利要求书2页说明书8页附图5页(54)发明名称一种基于联邦学习降低无线算力网络能耗的方法及系统(57)摘要本发明提供的一种基于联邦学习降低无线算力网络能耗的方法及系统，一种基于联邦学习降低无线算力网络能耗的方法，其特征在于，包括以下步骤：步骤1，获取无线算力网络中的应用平面对应的应用需求；步骤2，根据得到的应用需求提出计算请求；步骤3，在无线算力网络中的算力平面中的每个计算节点上搭载初始化联邦学习模型，并确定初始化联邦学习模型的结构参数；步骤4，利用步骤2中得到的计算请求对步骤3中搭载的初始化联邦学习模型进行训练，得到训练好的联邦学习模型；步骤5，利用训练好的联邦学习模型对接收到的用户数据进行业务处理；本发明能够加快WCPN中联邦学习的收敛速度、减少传统异步联邦学习的能耗。CN115866685ACN115866685A权利要求书1/2页1.一种基于联邦学习降低无线算力网络能耗的方法，其特征在于，包括以下步骤：步骤1，获取无线算力网络中的应用平面对应的应用需求；步骤2，根据得到的应用需求提出计算请求；步骤3，在无线算力网络中的算力平面中的每个计算节点上搭载初始化联邦学习模型，并确定初始化联邦学习模型的结构参数；步骤4，利用步骤2中得到的计算请求对步骤3中搭载的初始化联邦学习模型进行训练，得到训练好的联邦学习模型；步骤5，利用训练好的联邦学习模型对接收到的用户数据进行业务处理。2.根据权利要求1所述的一种基于联邦学习降低无线算力网络能耗的方法，其特征在于，步骤3中，初始化联邦学习模型，并确定初始化联邦学习模型的结构参数，具体方法是：设定所有计算节点进行1次局部模型训练的能量消耗的表达式；设定所有计算节点进行1次上行通信的能量消耗的表达式；根据进行1次局部模型训练的能量消耗的表达式和进行1次上行通信的能量消耗的表达式，得到所有计算节点的计算总能耗的表达式；设定神经网络的表示能力的表达式和神经网络的测试性能表达式；根据所有计算节点的计算总能耗的表达式、神经网络的表示能力的表达式和神经网络的测试性能表达式，得到总能耗最优化问题；对得到的总能耗最优化问题进行求解，得到初始化联邦学习模型的结构参数。3.根据权利要求1所述的一种基于联邦学习降低无线算力网络能耗的方法，其特征在于，步骤4中，利用步骤2中得到的计算请求对步骤3中搭载的初始化联邦学习模型进行训练，得到训练好的联邦学习模型，具体方法是：S401，每个计算节点将本地对应的数据集作为初始化联邦学习模型的输入，得到局部模型的输出；S402，将所有计算节点对应的局部模型输出进行全局聚合处理，得到全局聚合模型；S403，将全局聚合模型的输出分发给每个计算节点对应的局部模型，对局部模型进行更新；S404，每个计算节点将本地对应的数据集作为更新后的局部模型的输入，得到局部模型的输出；S405，重复S402至S404，直至模型收敛，得到训练好的联邦学习模型。4.根据权利要求3所述的一种基于联邦学习降低无线算力网络能耗的方法，其特征在于，S402，将所有计算节点对应的局部模型输出进行全局聚合处理，得到全局聚合模型，具体方法是：利用节能异步聚合算法对所有计算节点对应的局部模型输出进行全局聚合处理。5.根据权利要求4所述的一种基于联邦学习降低无线算力网络能耗的方法，其特征在于，利用节能异步聚合算法对所有计算节点对应的局部模型输出进行全局聚合处理，具体方法是：S4021，根据局部模型输出将所有计算节点进行划分，得到多个集群；S4022，确定多个集群之间的协作时间；S4023，确定每个集群中对应的所有计算节点之间的协同学习；2CN115866685A权利要求书2/2页S4024，根据确定得到的协同学习，在每个集群内进行内聚合，得到集群内聚合模型；S4025，根据确定得到的协作时间进行所有集群间的聚合；S4026，迭代执行S4023至S4025，直到损失函数收敛，进而得到全局聚合模型。6.根据权利要求5所述的一种基于联邦学习降低无线算力网络能耗的方法，其特征在于，S4022中，确定多个集群之间的协作时间，具体方法是：为了确定所有计算节点的协作时间，在聚合节点上设置集群间协作指标χ，χ的更新规则如下：C其中，