买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南通大学

摘要：本发明涉及无线通信技术领域，尤其涉及一种基于Cell‑FreemMIMO网络的联邦学习设备端能耗优化方法，包括：S0：初始化系统参数，初始化全局模型；S1：服务器分发全局模型给用户设备。本发明在用户训练本地模型的阶段，通过迭代优化用户设备端CPU的工作频率和本地模型的训练精度降低用户设备的本地训练功耗；在用户设备上传模型参数阶段，通过最小化用户设备的最大时延为目标进行功率分配，既抑制了落后者效应，又节约了设备端上行功耗。本发明可以显著降低联邦学习过程中设备端的功耗，不依赖于特定的联邦聚合方法和联邦学习类型，在大部分联邦学习场景中都可以提供良好的能耗优化性能。本发明的实现复杂度低，易于部署，具有很强的实用价值。

主权项：1.一种基于Cell-FreemMIMO网络的联邦学习设备端能耗优化方法，其特征在于，具体步骤如下：S0：初始化系统参数，初始化全局模型；S1：服务器分发全局模型给用户设备；S2：用户设备采集数据生成本地数据集；S3：构建用户设备进行本地训练的功耗模型，迭代优化用户设备的CPU工作频率和本地模型精度；S4：用户设备依据S3步骤得到的最优参数使用本地数据集训练本地模型；S5：构建用户设备进行模型参数上传的上行功耗模型；S6：根据上行功耗模型优化用户设备延迟，得到最优功率分配方案；S7：用户设备依据S6步骤得到的最优功率分配方案传输本地模型的模型参数到服务器，服务器聚合模型得到全局模型；S8：重复上述S1-S7直至全局模型收敛为止；所述步骤S0中：初始化的系统参数包括K个用户设备的CPU所支持的工作频率范围，即用户设备k的CPU所支持的最小工作频率和最大工作频率初始化的系统参数包括K个用户设备的本地模型支持的训练精度范围，即用户设备k的所支持的最小训练精度和最大训练精度初始化的全局模型为w0，在第i轮全局训练中，服务器下发的全局模型为wi；所述步骤S1中：服务器向所有用户设备分发全局模型，或是向部分用户设备分发全局模型；所述步骤S2中：用户设备k采集数据得到本地数据集{xk∈Su,yk}，其中Su为本地数据集的大小，xk和yk分别表示本地数据集的输入参数与输出参数；所述步骤S3中：在联邦学习的第i轮全局训练过程中，用户设备k使用本地数据集训练全局模型wi得到本地模型对于一个给定的本地模型精度θk，本地模型在本地训练得到最优模型需要的迭代次数为其中取决于数据集的大小和本地模型的规模；用户设备k在本地训练的时间延迟可以表示为： 其中ck表示用户设备k的CPU处理一个数据样本所需的周期数，ck是通过离线测量预先知晓的常数，Dk和fk分别为本地数据集的大小和用户设备k的CPU工作频率；用户设备k在本地训练模型所消耗的能量可以表示为： 其中αk表示用户设备k的CPU的电容系数，αk是通过离线测量预先知晓的常数；根据用户设备本地训练的功耗模型建立以下本地模型训练阶段的功耗优化问题： 其中， 表示用户k的本地训练功耗，表示用户设备进行模型上传的次数，即全局训练次数，其中和ò为全局模型参数，为已知常数；解决用户设备k本地模型训练阶段的功耗优化问题的迭代优化算法如下：算法1：本地模型训练阶段的功耗优化问题的迭代优化算法输入：最小工作频率最大工作频率最小训练精度最大训练精度本地训练延迟算法精度ò，算法迭代次数索引ω，算法最大迭代次数ωmax；初始化：算法精度ò＞0，ω＝1Fork＝1:KWhileω＜ωmaxdoWhile令并引入辅助变量xk，固定更新固定更新固定通过求解下列凸优化问题更新 EndEndω＝1 End 输出：所述步骤S4中：在联邦学习的第i轮全局训练过程中，用户设备k依据最优参数使用本地数据集{xk∈Su,yk}训练本地模型在本地模型收敛后，用户设备k本地模型在全局第i次迭代的更新表示为需要的存储空间为Su；所述步骤S5中：用户设备进行模型参数上传的上行功耗模型建模为：Eu,kηk,Ru,kηk＝ρuηktu,kRu,kηk1.5用户的发射功率为ρuηk，其中ρu为上行最大发射功率，ηk为用户k的上行功率控制系数，为用户设备k发送本地模型所需的时间，其中： 为用户设备k在去蜂窝大规模MIMO网络中的上行通信速率，βmk表示无蜂窝网络中接入点m与用户设备k之间无线信道的大尺度衰落系数，σlk表示估计的信道的功率，表示第个导频，表示零均值的复高斯随机噪声；所述步骤S6中：根据用户设备上传模型参数的功耗模型建立以下上传模型阶段的功耗优化问题： 其中θ*通过本地模型训练阶段的功耗优化问题的迭代优化算法获得，Gθ*为已知常数；C.1中Tk＝tc,k+tu,k为用户设备k的本地训练延迟和上行传输延迟，TG为联邦学习一次全局训练所允许的最大延迟；C.2中hu,kηk为Ru,kηk的凹的下界，便于使用凸优化工具在可行域上搜索Ru,kηk的解；为了抑制落后者效应，本地模型训练阶段的功耗优化问题服从延迟约束T1＝...＝Tk＝...＝TK；用户设备上传模型阶段的功耗优化问题转化为以下可行性搜索问题： 其中为一次算法迭代过程中最大设备延迟；解决用户设备k上传模型阶段的功耗优化问题的优化算法如下：算法2：上传模型阶段的功耗优化问题的优化算法输入：本地训练延迟tc,k，用户上行最大功率ρu，用户设备的上行功率控制系数ηk，算法精度ò，算法上界Tupper，算法下界Tlower；初始化：算法精度ò＞0，算法上界算法下界Tlower＝0；WhileTupper-Tlower＞ωdo 对于T＝Tmid，通过下述优化问题寻找ηk的解 If上述问题可行ThenTlower＝Tmid，ηk*＝ηkElseTupper＝TmidEndifEnd输出：所述步骤S7中：服务器包括云服务器和边缘服务器。

全文数据：

权利要求：

百度查询： 南通大学 一种基于Cell-Free mMIMO网络的联邦学习设备端能耗优化方法