[发明专利]一种面向边缘智能网络的大规模接入方法

说明书

本发明公开了一种面向边缘智能网络的大规模接入方法。小区部署多天线基站作为边缘服务器，大量的移动设备通过这一基站接入无线网络进行联邦学习。在每轮学习中，基站首先选择出部分设备，通过下行链路设计发射波束广播全局模型。每个选中的设备通过接收机恢复出全局模型后，并基于本地数据集训练出新的本地模型，然后经波束成形后发射出去。利用无线信道的叠加特性，通过接收机，基站能够直接得到经空中计算而成的聚合模型，接着计算出其加权平均作为更新的全局模型。本发明为边缘智能网络提供了一种有效的大规模接入方法。

技术领域

本发明涉及无线通信领域，尤其涉及一种面向边缘智能网络的大规模接入方法。

背景技术

近年来，随着万物互联时代的到来，移动设备数量及其产生的数据量呈爆炸式增长。思科发布报告指出，2021年全球联网设备数量将从2016年的171亿增加到271亿，设备产生的数据量也将从2016年的218ZB增长到847ZB。面对如此庞大的设备数量和海量数据，物联网可以联合先进的信息处理技术如数据挖掘、人工智能等提取有用信息进行计算、分析和处理，从而实现人与物、物与物的信息交互和无缝连接，赋能各种智能物联网服务与应用。

然而，在6G时代利用人工智能技术助力实现“万物智联”仍面临着一些问题和挑战。比如将带有私有信息的数据传输到云服务器会增加泄露用户隐私数据的风险。此外，由于频谱资源有限，通过无线信道聚合海量分布式数据进行模型学习会造成网络拥塞和网络延迟。基于此，边缘智能应运而生，由于数据采集和处理主要在网络边缘进行，边缘智能可以显著降低服务延迟和边缘设备的能耗，减缓网络带宽的压力，提高万物智联时代数据的处理效率。

联邦学习作为边缘智能中一种很有前途的解决方案，能够有效解决隐私敏感和低延迟的物联网的需求，并具有利用分布式计算资源的能力。然而当边缘设备数量庞大时，巨大的通信延迟成为限制边缘智能的主要因素。为了解决上述问题，在有限的通信带宽和严格的延迟要求下，空中计算的出现使得大规模边缘设备进行高频谱效率、低时延的学习成为可能。具体而言，联邦学习允许每个移动设备将其数据保存在本地，通过无线链路进行模型训练时，只需要每个移动设备将其本地更新的模型上传到边缘服务器聚合，这可以有效防止移动设备收集的数据泄露给其他设备和边缘服务器，从而增强设备的隐私性和数据安全性。通过协调参与学习的移动设备的本地模型，边缘服务器可以通过空中计算直接聚合得到高精度的共享全局模型。

因此，空中计算与联邦学习技术的结合，有望突破边缘智能网络中通信的瓶颈问题，解决大规模移动设备接入无线网络的一系列问题。

发明内容

本发明为了解决上述方案中大规模移动设备接入时通信受限、计算效率低、时延过高、频谱效率低等问题，提出了一种面向边缘智能网络的大规模接入方法。

本发明所采用的具体技术方案如下：

一种面向边缘智能网络的大规模接入方法，其包括如下步骤：

S1：预先部署一个天线数为N的基站，同时有K个单天线的移动设备通过该基站接入无线网络进行联邦学习，每进行更新一次全局模型视为一轮学习；通过信道估计或反馈，得到从基站到第k个移动设备的信道状态信息序号k＝1,…,K，其真实信道状态信息为其中e_k为信道估计误差向量，其范数有边界值ε_k，满足||e_k||≤ε_k；初始化学习轮数t＝1；