[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

说明书

本发明公开了一种基于联邦学习的无线边缘计算仿真系统和模拟真实系统收敛过程的优化方法。中心节点在每轮全局更新时统计各边缘设备的时间和物理空间资源消耗量，将统计结果与消耗资源总预算量做比对，判断是否进行下一轮全局更新或者创建对应指针，向各边缘设备发送停止标志以结束全局更新流程；中心节点考量各边缘节点数据集规模，从而为各子节点设计不同权重；中心节点针对权重数据创建对应指针，通过计划函数进行传递数据，之后中心节点进行迭代训练。本发明可以实现对无线边缘计算进行仿真，通过加入对各设备资源消耗量的考量，附加仿真系统训练收敛条件，根据各边缘节点数据集规模优化中心节点训练过程，从而提高仿真系统训练效果与真实性。

技术领域

本发明涉及边缘计算技术领域，具体而言涉及一种基于联邦学习的无线边缘计算系统、 模拟真实系统收敛过程的优化方法。

背景技术

随着万物互联时代的到来，网络边缘设备产生的数据量快速增加，带来了更高的数据传输 带宽需求，同时，新型应用也对数据处理的实时性提出了更高要求，传统云计算模型已经无法 有效应对，因此，边缘计算应运而生。在已经被提上研究议程的新一代移动网络中，无线边缘 计算被视作关键支柱技术。图7是现有技术中一种典型的边缘计算体系结构，多个边缘节点 与远程云一起工作，执行涉及本地处理和远程协调/执行的大规模分布式任务。无线边缘计算 的新兴技术使本地数据存储和处理成为可能，其中边缘节点，如传感器、家庭网关和微服务 器都具备存储和计算能力。从长远看，移动终端智能性不断以提升，充分利用边缘设备计算 能力、降低智能终端功耗、降低延迟，将云计算下沉到网络边缘，通过终端及边缘节点在无 线资源、计算资源层面的协同，可以提升用户体验。

边缘计算节点的分布式和异构型也决定其难以进行统一的管理，从而导致一系列新的安 全问题和隐私泄露等问题，而联邦学习能够在数据不共享的条件下实现数据信息的交流和整 合。因此，结合联邦学习来实现边缘计算可以满足现下的发展要求。

发明内容

本发明针对现有技术中的不足，提供一种基于联邦学习的无线边缘计算仿真系统、模拟 真实系统收敛过程的优化方法，可以实现无线边缘计算仿真仿真系统的优化，通过考量系统 所消耗的时间和物理空间资源，自定义约束条件、自定义损失函数和附加仿真系统训练收敛 条件，提高整个仿真系统的训练效果与真实性，适用于人工智能、物联网、车联网、视频优 化加速、增强现实(AR)以及监控视频分析等诸多领域。

为实现上述目的，本发明采用以下技术方案：

第一方面，本发明实施例提及了一种基于联邦学习的无线边缘计算仿真系统，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；