[发明专利]一种基于联邦学习的无线边缘计算系统、优化方法

权利要求书

1.一种基于联邦学习的无线边缘计算系统，其特征在于，所述无线边缘计算系统包括采用主机设备仿真得到的中心节点和多个采用嵌入式设备仿真得到的边缘节点；在所述中心节点中通过基于主机设备本地数据训练得到中心节点模型，在所述边缘节点中通过基于当前边缘设备本地数据训练得到边缘节点模型；

所述边缘设备用于接收中心节点传输回的中心节点的参数，在边缘节点创建所需传输参数的指针，通过边缘节点中的计划函数接收中心节点传输的参数，采用中心节点的参数对本地边缘节点模型进行更新后，采用本地数据对本地边缘节点模型继续进行迭代训练，将训练得到的新的边缘节点的参数再次通过边缘节点中的计划函数发送给中心节点；所述中心节点用于接收各个边缘设备发送的边缘节点的参数，在中心节点创建所需传输参数的指针，创建各个边缘设备的设备号，通过中心节点中的计划函数向边缘节点传输参数，对中心节点的参数进行聚合更新，并将更新结果反馈至各个边缘节点，以进行全局更新；

所述中心节点根据是否达到设定迭代次数或者达到预设的时间资源消耗总量a或物理空间资源消耗总量b判断是否向各边缘设备发送停止标志以结束全局更新流程；

所述边缘设备接收中心节点的参数为：中心节点模型参数e_c和两次全局聚合之间的目前本地最优更新步数t_f；所述中心节点接收边缘节点的参数为：边缘节点模型参数e_f、各边缘设备的时间资源消耗量a_fi、物理资源消耗量b_fi、各边缘节点损失函数和训练算法所需超参数；所述中心节点在每轮全局更新时统计中心节点时间资源消耗量a_c和物理空间资源消耗量b_c以及各边缘设备的时间资源消耗量a_fi和物理空间资源消耗量b_fi，根据各资源消耗量自定义约束条件，根据是否满足约束判断是否进行下一轮全局更新或者向各边缘设备发送停止标志以结束全局更新流程。

2.根据权利要求1所述的基于联邦学习的无线边缘计算系统，其特征在于，在各边缘节点参数训练过程中，基于均方误差损失函数自定义新的损失函数；同时在考量各边缘节点数据集规模的基础上，为各边缘节点赋予不同权重后进行迭代式训练；各边缘节点数据集规模定义为：各边缘节点初始分配到的数据集量级，各边缘节点数据集的各类别概率分布相同。

3.根据权利要求1所述的基于联邦学习的无线边缘计算系统，其特征在于，所述中心节点根据本次迭代中心节点和边缘节点之间参数传输过程中的时间资源消耗量和物理空间资源消耗量、本次迭代边缘节点训练时间资源消耗量a_fi和物理空间资源消耗量b_fi、本次迭代中心节点训练时间资源消耗量和物理空间资源消耗量、本次迭代边缘节点和中心节点总的时间资源消耗量a和总的物理空间消耗量b、梯度下降步长s以及两次全局聚合之间边缘节点模型参数训练次数t_fi，计算得到资源消耗量约束条件。

4.根据权利要求1所述的基于联邦学习的无线边缘计算系统，其特征在于，所述边缘节点与中心节点之间的通信方式为：针对通信数据创建对应指针，通过计划函数进行传递；所述通信数据包括边缘节点模型的模型参数e_f、各边缘设备更新的时间资源消耗量a_fi和物理空间资源消耗量b_fi、各边缘设备损失函数、中心节点模型的模型参数e_c、两次全局聚合之间的目前边缘节点更新最优步数t_f。