基于联邦学习的用户选择和资源分配方法.pdf

《基于联邦学习的用户选择和资源分配方法.pdf》由会员分享，可在线阅读，更多相关《基于联邦学习的用户选择和资源分配方法.pdf（14页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010705532.0 (22)申请日 2020.07.21 (71)申请人 重庆邮电大学 地址 400065 重庆市南岸区黄桷垭崇文路2 号 (72)发明人 黄晓舸崔艺凡陈志陈前斌 (74)专利代理机构 北京同恒源知识产权代理有 限公司 11275 代理人 杨柳岸 (51)Int.Cl. H04W 28/16(2009.01) H04W 28/24(2009.01) (54)发明名称 一种基于联邦学习的用户选择和资源分配 方法 (57)摘要 本发明涉及一种基于联邦学习的用。

2、户选择 和资源分配方法， 属于移动通信技术领域。 首先， 对参加FL的用户进行筛选。 综合考虑IDs交互可 靠度和交互新鲜度， 生成IDs的信誉值。 其次， 基 于层次分析法对IDs的QoS需求进行分析， 根据 IDs的不同QoS需求建立优先级。 最后， 将最小化 FL任务总开销问题分解为计算阶段开销和通信 资源分配两个子优化问题分别求解。 在FL任务计 算优化阶段， 考虑IDs的CPU频率不同， 需权衡计 算时间和计算能耗； 在通信资源优化阶段， 根据 IDs的优先级从高到低进行RB分配。 本方案有效 的降低了FL任务的总时延和能耗开销， 在满足 IDs的QoS需求同时保证了FL过程的可靠性。

3、和有 效性。 权利要求书1页 说明书10页 附图2页 CN 111866954 A 2020.10.30 CN 111866954 A 1.一种基于联邦学习的用户选择和资源分配方法， 其特征在于： 该方法根据所提供网 络场景的特性， 联合优化IDs选择、 QoS需求分析和传输资源分配以最小化FL任务的总开销。 该方法包括以下步骤： S1： 基于信誉值的用户选择方案； S2： 基于层次分析法的QoS分析方案； S3： 基于用户异构性的FL计算开销优化方案； S4： 传输资源分配方案。 2.根据权利要求1所述的一种基于联邦学习的用户选择和资源分配方法， 其特征在于： 在所述步骤S1中， 建立一个多。

4、用户联邦学习FL网络模型， 包括用户端和边缘服务器； 考虑由 无线通信基础设施； 即雾节点FNs和一组物联网设备IDs组成的通用移动网络； M1 , 2,.,m,M表示FN的集合， 每个FN与若干个IDs相关联， IDs的集合表示为U1,2,., u,.,U； IDs配备一定的计算和通信资源， 从移动应用中产生多种用户数据， 以及采集大 量的传感数据； FN将综合考虑IDs交互可靠度和交互新鲜度， 对IDs的局部模型进行评估， 生 成IDs的信誉值； FN选择信誉大于阈值的IDs， 加入FL用户集， 设置训练决策向量 u,m1， 并 为其分配传输RB； 被选择的IDs分别进行本地模型更新， 通。

5、过分配的RB上传模型参数和本地 模型梯度到FN。 3.根据权利要求1所述的一种基于联邦学习的用户选择和资源分配方法， 其特征在于： 在所述步骤S2中， IDs的QoS参数由S1,2,.,S表示； 卸载决策应满足IDs的传输速率、 时延和误码率需求， 并相应的考虑IDs的能耗敏感度和时延敏感度； 将IDs的QoS需求作为决 策标准， 基于3GPP标准的典型数据流的QoS参数值， 评估QoS参数之间的相对重要性， 得到局 部权重评估每个IDs的局部权重和最小QoS需求， 得到IDs的全局权重 其中分别表示FN m对于IDs u1,u2,u3的偏好权重 值。 4.根据权利要求3所述的一种基于联邦学习。

6、的用户选择和资源分配方法， 其特征在于： 在所述步骤S3中， 在任务计算阶段， FL任务计算开销包括本地计算能耗和时延； 考虑到IDs 的异构性， 不同IDs的CPU频率不同， 因此要在计算能耗和计算时延之间做出权衡； 将IDs分 成三个类别： 1是以最大频率训练数据的 “合格” IDs； 2是 “优秀” IDs， 即使以最小频率训练 数据， 也会在最大计算时间，内完成任务；3是 “良好” IDs， 以最优频率进行训练 的IDs。 5.根据权利要求4所述的一种基于联邦学习的用户选择和资源分配方法， 其特征在于： 在所述步骤S4中， 在通信阶段， FL通信开销包括传输时间、 传输能耗和误码率； 。

7、提出基于用户QoS需求的RB分配算法； 该算法根据步骤S2中基于AHP的QoS分析模型， 确 定IDs优先级， 高优先级的ID优先选择和接入RB， 同时又不对低优先级ID产生过大影响； 该 算法综合考虑IDs的优先级、 IDs的满意度和RBs的质量， 将RBs分配到执行FL任务的IDs， 以 分布式进行， 降低算法复杂度和通信开销。 权利要求书 1/1 页 2 CN 111866954 A 2 一种基于联邦学习的用户选择和资源分配方法 技术领域 0001 本发明属于移动通信技术领域， 涉及一种基于联邦学习的用户选择和资源分配方 法。 背景技术 0002 随着人们对维护消费者数据隐私的兴趣日益高。

8、涨， 导致了一类新的机器学习技 术， 联邦学习的出现。 联邦学习允许物联网设备(Internet of Things Devices,IDs)协作 建立一个共享的全局模型， 同时将所有的训练数据保存在自己的设备上。 具体地说， IDs根 据其本地训练数据计算本地模型更新， 然后由中央服务器(如雾节点， Fog Nodes,FNs)聚合 为共享的全局模型， 以便所有IDs都可以访问相同的全局模型。 重复这个过程， 直到达到模 型训练精度。 由于本地训练数据不共享， IDs的数据隐私得到了很好的保护， 从而将本地模 型训练与数据中心获取、 存储和全局模型聚合分离开来。 0003 支持联邦学习的理由。

9、有很多。 首先， 随着雾计算的发展， 联邦学习可以很容易地在 现实中实现。 模型训练可以以分布式的方式完成， 从而减少上传大量原始数据的延迟。 其 次， 联邦学习极大地促进了大规模的数据收集和模型训练。 例如， 一群智能设备可以在白天 主动感知和收集数据， 然后在夜间联合反馈到FNs并更新全局模型， 以提高第二天使用的效 率和准确性。 这种方式将促进新一代智能服务的发展， 如智能交通、 智能购物和智能医院。 0004 尽管有上述巨大的好处， 联邦学习仍然面临着严峻的挑战。 一方面， 不可靠的IDs 可能有意或无意地执行不良行为， 从而误导了联邦学习任务的全局模型训练。 对于故意行 为， IDs。

10、可能发动中毒攻击， 发送恶意本地模型更新以影响全局模型参数， 从而导致当前协 作学习机制失败。 而且， 动态性更高的移动网络环境会间接导致IDs的某些意外行为， 即IDs 无意中更新一些对联邦学习任务产生不利影响的低质量参数。 因此， 设计有效的方案来选 择IDs， 对联邦学习的可靠性至关重要。 另一方面， 与其他机器学习方法类似， 联邦学习优化 的关键指标是收敛到预定精度水平所需的学习时间。 然而， 与传统的机器学习方法不同， 联 邦学习时间包括IDs的计算时间和通信时间， 在计算阶段， 由于IDs的CPU频率各不相同， 如 何权衡IDs的计算时间和计算能耗？ 此外， IDs是否应该花费更多。

11、时间在计算阶段， 以达到更 高的本地模型精度， 即计算次数与通信轮数的权衡问题。 最后， 每个IDs对传输速率、 时延、 误码率的需求不同， 如何在降低FL任务的总开销的同时满足IDs的QoS需求也是一个值得研 究的问题。 0005 在上述情况下， 本发明提出了一种基于联邦学习的用户选择和资源分配方法。 该 方法将用户选择、 QoS分析、 FL计算开销优化、 传输资源分配联合建模为一个最小化FL任务 总开销问题。 首先， 基于信誉值对IDs进行选择， 设置信誉值阈值， 高于阈值的IDs加入FL。 其 次， 基于层次分析法(Analytic Hierarchy Process,AHP)对IDs的。

12、QoS需求进行分析， 确定 不同IDs的不同QoS需求的优先级。 表1所示为典型业务的QoS需求。 之后， 考虑到IDs的异构 性， 不同IDs的CPU频率不同， 因此要在计算能耗和计算时延之间做出权衡。 最后， 提出基于 用户QoS需求的RB分配算法， 综合考虑了IDs的优先级、 IDs的满意度和RBs的质量， 将RBs分 说明书 1/10 页 3 CN 111866954 A 3 配到执行FL任务的IDs。 本方案有效的在满足IDs的QoS需求的同时降低了FL任务的总开销， 实现了资源分配的有效性。 0006 表1典型业务的QoS需求 0007 发明内容 0008 有鉴于此， 本发明的目的。

13、在于提供一种基于联邦学习的用户选择和资源分配方 法。 0009 为达到上述目的， 本发明提供如下技术方案： 0010 该方法根据所提供网络场景的特性， 将用户选择、 QoS分析、 FL计算开销优化、 传输 资源分配联合建模为一个最小化FL任务的总开销问题， 该方法包括以下步骤： 0011 S1： 基于信誉值的用户选择方案； 0012 S2： 基于层次分析法的QoS分析方案； 0013 S3： 基于用户异构性的FL计算开销优化方案； 0014 S4： 传输资源分配方案。 0015 进一步， 在步骤S1中， 基于信誉值的用户选择方案可分为以下步骤进行： 0016 1.FN通过主观逻辑模型计算IDs。

14、的信誉值。 在本方案的多IDs多FNs的FL模型中， IDs仅上传本地模型参数到所关联的FNs， 因此不考虑其它FNs对IDs的间接信誉评价。 0017 2.FN选择本轮参加FL的IDs。 信誉计算后， FN选择信誉大于阈值的IDs， 加入FL用户 集， 设置 u,m1， 并为其分配传输RB。 被选择的IDs分别进行局部计算， 通过分配的RB上传模 型参数和局部模型梯度到FN。 0018 3.FN接收到所有与其关联的FL用户集的IDs的上传信息后， 通过攻击检测方案对 本地模型进行质量评估， FN删除不可靠的本地模型更新， 收集所有可靠的本地模型更新进 行全局聚合， 并将全局聚合参数返回到ID。

15、s。 该过程迭代， 直到最新的全局模型满足预定义 的收敛条件。 0019 4.在每次迭代中， 与不可靠IDs的交互都被视为负面交互， 并由FN记录。 FN根据过 去的交互为参与FL的IDs生成直接信誉。 0020 由于高信誉度IDs具有高精度、 可靠的本地数据， 在模型训练过程中起着至关重要 的作用， 因此高效、 准确的信誉计算对于可靠的FL至关重要。 通过主观逻辑模型生成IDs的 信誉值。 主观逻辑是一种广泛采用的概率推理框架， 使用积极、 消极和不确定性来表示主观 意见。 为了获得IDs准确信誉值， FN将综合考虑IDs交互可靠度和交互新鲜度， 生成IDs的信 誉值。 说明书 2/10 页。

16、 4 CN 111866954 A 4 0021 对于具有一系列时隙 1,., j,., J时间窗口， FN在时隙 j中对IDu的信誉评 价表示为： 0022 0023其中，分别表示在时隙tyFN对IDu信任、 怀疑、 不确定。 三者之和为1， 并 在(0,1)之间取值。 基于主观逻辑模型， 得到： 0024 0025其中，分别表示在时隙 j正向交互、 负向交互的次数。 FN通过攻击检测方案 进行验证， 若ID u提供的本地模型是有用且可靠的， 则FN将其视为与ID u之间的积极互动， 反之则认为是消极互动。代表ID u数据包传输的成功概率， 即通信质量， 会影响信誉评 价的不确定性FN在时隙。

17、 j中对IDu的信誉值表示为： 0026 0027其中 0,1是不确定性对信誉值的影响系数。 0028IDu的信誉评价受许多因素影响， 传统的主观逻辑向多权重主观逻辑发展， 考 虑以下因素来计算信誉评价。 0029 (1)交互可靠度： 对本地模型更新进行质量评估， 存在历史交互的正面和负面交互 结果， 正面交互能够提高IDs的信誉值。 为了阻止负面交互， 负面交互在信誉计算中的权重 高于正面交互。 表示正面交互权重， 表示负面交互权重， 且 + 1。 因此， (2)中的表 达式可重写为： 0030 0031 (2)交互的新鲜度： IDs的可靠性会随着时间而改变， 在FNs与IDs的交互过程中，。

18、 具 有更多新鲜度的近期交互事件比过去的事件具有更大的权重。 为了反映时间对信誉的影 响， 定义了新鲜度衰落函数： 0032 ( j) jzJ-j (5) 0033 其中z(0,1)是事件新鲜度的给定衰落参数， 时隙j(1,J)决定事件新鲜度衰减 说明书 3/10 页 5 CN 111866954 A 5 程度。 因此， FN对IDu的信誉评价和信誉值分别表示为： 0034 0035 0036 进一步， 在步骤S2中， 由于整个雾网络中的传输资源有限， FN的传输资源应合理的 分配到每个参加FL的IDs。 由于IDs类型和QoS需求的多样性， FNs与IDs之间的关联是一个多 准则决策问题。 。

19、基于AHP的QoS评估框架由决策目标层、 决策标准层、 决策对象层构成。 决策 目标层的目标是计算不同类型IDs的优先级。 决策标准层决定IDs的QoS参数的偏好。 本文主 要考虑传输速率、 时延和误码率。 决策对象层为每个QoS参数提供基于QoS的ID列表。 基于 AHP的QoS评估框架的分析过程分为以下三个步骤： 0037 1.IDs的局部权重： 决策标准层计算IDs的局部权值， 得到IDs对不同QoS参数的偏 好。 在该场景中， 传输能耗是传输速率的递增函数， 因此将能耗、 延迟和误码率作为QoS参 数。 根据表1中IoT应用的典型QoS需求， 定义不同数值表示IDs的QoS参数的优先级。

20、。 其中， g1,g2,g3,g4分别对应从小到大的数值， 表示 “弱偏好”“中等偏好”“较强偏好”“强偏好” 。 表2 所示为IDs的QoS参数的偏好。 0038 表2不同QoS参数的数值偏好 0039 0040 每一个IDu对应一个两两比较矩阵AuR33。 Au阵的每个元素ai,j表示QoS参数i相 对于j的偏好(i,j分别对应行和列)。 根据表2的QoS参数的偏好值计算ai,j。 例如， 对于实时 数据， a1,2表示能耗对于时延的相对重要性， 计算为g3/g4。 Au同规格列归一化得到R33， 其中表示归一化的相对重要性， 作为局部权重矩阵WlRU3的基本元素。 其中wlu,s表示 I。

21、Du的QoS参数s的局部权重。 0041 2.基于QoS的ID列表： 决策对象层为每个QoS参数生成基于QoS的ID列表。 IDs的QoS 说明书 4/10 页 6 CN 111866954 A 6 需求对应一个矩阵QRU3， qu,1,qu,2,qu,3分别表示ID.u.对能耗、 时延和误码率的需求。 0042为了评估每个QoS参数对ID u的影响， 将QoS需求阵Q归一化为RU3， qu,s表示ID u对QoS参数s的需求。 令， 将ou,s按照降序排列， 构成QoS参数s的ID列 表。 0043 3.IDs的全局权重： 决策目标层计算IDs的全局权重， 表示不同IDs的优先级。 由以 上。

22、分析得到局部权重wlu,sWl， 基于QoS的ID列表O。 对于FNm， 通过对基于QoS的ID列表O的进 行相关计算， 得到 0044 进一步， 在步骤S3中， 在一次全局迭代过程中， FL任务的总开销包括FL计算开销和 通信开销， FL计算开销优化可以表述为： 0045 0046 其中， SUB1是计算时间和能量最小化的CPU频率控制问题。 在SUB1的求解中， 将IDs 分成了三个类别： 1是一组以最大频率的训练数据的 “合格” IDs； 2是 “优秀” IDs， 即使以最 小的频率训练数据， 也会在最大计算时间阈值，之前完成任务； 3是 “良好 IDs” ， 即以可行频率集的最优频率进。

23、行训练的IDs。 0047 由于SUB1是凸优化问题， 对应的的最优解如下： 0048 0049 相应的， 得到不同类别的IDs的计算时间： 0050 0051 因此， FL最优计算时间表示为： 0052 0053可以看出， SUB1的最优解取决于不同类别IDs的虚拟截止时间其中 最大值将决定最优虚拟截止时间Tcmp,*。 不同类别的IDs， 对应不同的虚拟截止时间。 若类别 i没有IDs， 则 说明书 5/10 页 7 CN 111866954 A 7 0054 进一步， 在步骤S4中， 误码率与干扰有关， 传输时间、 卸载能耗与传输速率有关， 传 输速率由RB分配结果决定。 因此， 提出R。

24、B分配算法， 根据IDs的优先级、 IDs的满意度和RBs的 质量， 将RBs分配到执行FL任务的IDs。 0055 若FN m范围内的多个IDs执行FL， FNm会优先给高优先级ID分配RB， 其中， IDs的优 先级取决于基于AHP分析模型的全局权重值越大， 表示IDs的优先级越高。 0056 处于同一优先级的IDs， 根据ID满意度的大小由小到大依次分配RB。 本模型中， IDs 的满意度定义为： 0057 0058 u,m值越小， 说明IDu当前的满意度越低， 优先分配RB。 其中， Ku,m表示FN m给IDu分 配的RB个数，表示FN m预期给IDu分配的RB个数， 0059 如果。

25、处于同一优先级IDs的满意度相同， 优先选择RB质量表中首位RB质量最好的 ID分配RB。 根据可用RB数和RB质量为每个ID创建RB质量表， 并按RB质量降序排列。 本节把 IDu在RB n上传输数据的平均SINR定义为ID u对RB n的估计质量， 表示为： 0060 0061 其中Iu,n表示IDu占用RBn受到的干扰。 FNs通过IDs的RB质量表， 根据IDs的优先级， 依次将当前最佳质量的RB分配给IDs。 0062 本发明的有益效果在于： 本发明有效的在满足IDs的QoS需求的同时降低了FL任务 的总开销， 实现了资源分配的有效性。 0063 本发明的其他优点、 目标和特征在某种。

26、程度上将在随后的说明书中进行阐述， 并 且在某种程度上， 基于对下文的考察研究对本领域技术人员而言将是显而易见的， 或者可 以从本发明的实践中得到教导。 本发明的目标和其他优点可以通过下面的说明书来实现和 获得。 附图说明 0064 为了使本发明的目的、 技术方案和优点更加清楚， 下面将结合附图对本发明作优 选的详细描述， 其中： 0065 图1为可靠联邦学习网络模型； 0066 图2为基于AHP的QoS分析模型。 具体实施方式 0067 以下通过特定的具体实例说明本发明的实施方式， 本领域技术人员可由本说明书 所揭露的内容轻易地了解本发明的其他优点与功效。 本发明还可以通过另外不同的具体实 。

27、施方式加以实施或应用， 本说明书中的各项细节也可以基于不同观点与应用， 在没有背离 本发明的精神下进行各种修饰或改变。 需要说明的是， 以下实施例中所提供的图示仅以示 意方式说明本发明的基本构想， 在不冲突的情况下， 以下实施例及实施例中的特征可以相 互组合。 说明书 6/10 页 8 CN 111866954 A 8 0068 其中， 附图仅用于示例性说明， 表示的仅是示意图， 而非实物图， 不能理解为对本 发明的限制； 为了更好地说明本发明的实施例， 附图某些部件会有省略、 放大或缩小， 并不 代表实际产品的尺寸； 对本领域技术人员来说， 附图中某些公知结构及其说明可能省略是 可以理解的。。

28、 0069 本发明实施例的附图中相同或相似的标号对应相同或相似的部件； 在本发明的描 述中， 需要理解的是， 若有术语 “上” 、“下” 、“左” 、“右” 、“前” 、“后” 等指示的方位或位置关系 为基于附图所示的方位或位置关系， 仅是为了便于描述本发明和简化描述， 而不是指示或 暗示所指的装置或元件必须具有特定的方位、 以特定的方位构造和操作， 因此附图中描述 位置关系的用语仅用于示例性说明， 不能理解为对本发明的限制， 对于本领域的普通技术 人员而言， 可以根据具体情况理解上述术语的具体含义。 0070 图1示出了基于雾计算的多用户联邦学习网络模型， 包括用户端和边缘服务器。 图 2为。

29、基于AHP的QoS分析模型。 0071 考虑由无线通信基础设施(即FNs)和一组IDs组成的通用移动网络。 M1,2,., m,.,M表示FN的集合， 其中m表示第m个FN。 每个FN与若干个IDs相关联， IDs的集合表示为 U1,2,.,u,.,U。 IDs具有一定的计算和通信资源， 不仅可以从移动应用中产生多种 用户数据， 还可以采集大量的传感数据。 0072 FN可分配的RB数量用N1,2,.n,.,N表示。 IDs的QoS参数由S1,2,., s,.,S表示。 5G网络中主要考虑时延、 传输速率、 误码率作为IDs的QoS参数。 根据ID任务 的不同类型将对应不同的QoS需求， ID。

30、 u不同QoS参数的权重以向量表示。 0073 联合考虑FL模型训练、 IDs的QoS需求， 以最小化网络总开销， 其包括能耗开销、 时 延开开销和误码率开销。 由于用户能耗和传输速率需求是相互耦合的， 随着IDs对传输速率 需求的增加， 相应的传输能耗也呈增长趋势。 因此IDu的QoS权重可以表示为： 0074 0075其中分别表示ID u的能耗局部权重、 时延局部权重和误码率局部权 重。 0076 1.FL模型 0077 对于参加FL的ID u， Du表示ID u的本地数据集大小， ID u的样本数据表示为一组 输入输出对xi表示输入样本， yi为输入样本xi对应的标签输出值。 学习目标是。

31、找到 模型参数， 通过损失函数fi()， 表示输出yi。 0078 由于FL模型中考虑多FNs多IDs场景， 定义 u,m训练决策向量， 若 u,m1， 则FN m覆 盖范围内的ID u参与模型训练， 否则不参与。 0079 FNm范围内的ID u数据集的损失函数为： 0080 0081 以最小化全局损失函数为目标， 即： 0082 说明书 7/10 页 9 CN 111866954 A 9 0083 在ID端， 第t次更新时， 分为两个阶段： 0084 (1)FL任务计算阶段： 每个ID进行本地模型训练： 0085 0086其中本地训练精度0 1， 即 0087(2)通信阶段， IDs通过无。

32、线信道将模型参数和梯度值传输到其关联的 FN。 在FN端， 根据接收到的本地参数后进行全局聚合： 0088 0089 0090聚合后的模型参数和梯度值将返回给IDs。 此过程迭代进行， 直到达到全 局精度 ， 其中0 1(即)。 0091 此外， 全局精度 和本地精度 越小， FL全局迭代次数越多。 计算时间取决于本地迭 代次数， 本地迭代次数上界是O(log1/ )， 可采用梯度下降法， 坐标下降法， 或者随机对偶坐 标下降法求解。 0092 2.计算模型 0093IDu在FL过程中计算数据xi,yi所需的CPU周期为cu， 因此对于样本数据 IDu执行一次本地计算所需CPU周期为cuDu。。

33、 IDu的CPU频率为fu， 则IDu一次本地计算的能耗 和时延分别表示为： 0094 0095 0096 3.通信模型 0097 IDu将模型参数u,m和损失函数梯度Fu,m上传到FNm， FNm全局聚合后， 把更新后 的参数回传到IDu。 考虑上行链路传输， 网络可用带宽为B Hz。 用 u,n0,1表示RB分配向 量， 其中 u,n1表示将RBn分配给IDu， u,n0， 则表示不分配。 0098 当IDu使用被临近FN占用的RB时， 会产生干扰。 IDu在RBn上受到的干扰强度为： 0099 0100 其中， mM/m表示FN集合中除去FNm以外的FNs， uU/u表示ID集合中除去I。

34、Du以 外的IDs。 Pu ,m ,n表示IDu的数据通过RB n上传到FNm的发射功率， Hu ,m ,n表示IDu的数据 通过RB n上传到FNm的信道增益， Ku,m表示FNm给IDu分配的RB数量。 0101 根据香农公式， IDu到FNm的传输速率表示为： 说明书 8/10 页 10 CN 111866954 A 10 0102 0103 假定u,m和Fu,m的数据大小为lu， 传输时间和传输能耗分别表示为： 0104 0105 0106 由于信道中噪声的存在， 以及设备不完善， 在IDs和FNs的通信过程中， 即使干扰 Iu,n很小， 传输数据也可能被损坏。 调制性能， 即频谱效率。

35、可以表示为 相应的， BER表示为： 0107 0108其中， 在考虑干扰的情况下，表示每比特传输能量与噪声功率谱密度比， thre是调制阈值， 是给定调制指数。 0109 4.优化问题建模 0110 在FL过程中， 本发明目标是最小化FL任务总开销， 包括时延、 能耗和误码率， 并保 证多类型IDs的QoS需求。 在一次全局迭代过程中， FN m覆盖范围内， 参与FL的IDs能耗开销、 误码率开销分别表示为： 0111 0112 0113 其中 表示本地训练精度， 本地迭代次数上界是O(log1/ )。 0114 由于IDs的本地模型训练是同步进行的， 因此， FN m覆盖范围内的参与FL的。

36、IDs本 地训练时间由训练时间最长的ID决定， 表示为： 0115 0116 考虑到IDs的QoS需求， 以及信誉值对用户的筛选， 将优化问题建模为最小化FL的 网络总开销， 如下所示： 说明书 9/10 页 11 CN 111866954 A 11 0117 0118 最小化计算能耗和计算时延是矛盾的。 例如， IDu可以通过设置最低频率fu实现最 小化能耗， 但对应的计算时延会大大增加。 因此， 在计算阶段， 能耗和时延权重的比值， 表示为了降低计算时延， 愿意增加额外的能耗， 从而达到一种帕累托最优解。 约 束条件(C1)保证了ID u与FN m通信过程中的最小传输速率需求， 约束条件(。

37、C2)(C3)分别表 示训练决策向量， RB分配向量和本地训练精度。 其中训练决策向量 u,m和RB分配向量 u,n取 值为0或者1。 (C4)表示IDs的CPU频率的取值范围。 本发明设置本地训练精度 在0,1之间取 值， 值越小， 代表训练精度越高。 0119 根据上述分析， 优化问题有四个优化变量 , ,f, ， 若能同时求得变量的最优值， 即可得到优化问题的最优解。 但在实际情况下优化问题难以直接求解， 原因如下： 训练决策 u,m和RB分配向量 u,m为二元变量， 且目标函数中存在多个函数的乘积， 优化问题不是凸优 化问题。 因此， 首先进行IDs的信誉值计算， 信誉值高的IDs训练。

38、决策 u,m1， 否则， u,m0； 第二步， 引入基于层次分析法(AHP)的QoS框架， 对IDs的局部权重进行分析； 第三步， 将原优 化问题分解为两个子优化问题分别求解。 0120 最后说明的是， 以上实施例仅用以说明本发明的技术方案而非限制， 尽管参照较 佳实施例对本发明进行了详细说明， 本领域的普通技术人员应当理解， 可以对本发明的技 术方案进行修改或者等同替换， 而不脱离本技术方案的宗旨和范围， 其均应涵盖在本发明 的权利要求范围当中。 说明书 10/10 页 12 CN 111866954 A 12 图1 说明书附图 1/2 页 13 CN 111866954 A 13 图2 说明书附图 2/2 页 14 CN 111866954 A 14 。