[发明专利]一种无人机自组网分布式联邦学习方法和系统

说明书

本发明公开了一种无人机自组网分布式联邦学习方法，包括：在每一轮训练过程中，每个无人机接收多个单跳邻居节点发来的本地模型参数，将接收的多个单跳邻居节点的本地模型与该无人机自身的本地模型进行聚合；在得到的聚合模型基础上进行模型更新生成新一轮本地模型；再将更新得到的新一轮本地模型参数广播给各个邻居节点；在每一轮训练开始之前，对无人机自组网结构进行重构以更新每个无人机的单跳邻居节点列表，再开始本轮训练。本发明大大提高了无人机自组网联邦学习的鲁棒性，同时也能提高无人机网络中联邦学习的灵活性和敏捷性，使联邦学习能够更好地适应网络拓扑高动态的无人机网络。

技术领域

本发明涉及无人机集群边缘智能技术领域，具体而言涉及一种无人机自组网分布式联邦学习方法和系统。

背景技术

随着无人机技术的发展，无人机预计将在下一代无线网络的众多应用中发挥关键作用，从货物交付、目标监视到民用和军事领域的电信应用。一方面，由于其灵活性、视距连接和3D移动性，无人机可以作为飞行基站在未来的无线网络中提供通信/计算/缓存服务，这弥补了传统的基于基础设施的网络的不足；另一方面，无人机也可以作为飞行用户，支持遥感、货物交付、目标识别跟踪等新兴应用。

虽然机器学习拥有赋能无人机网络智能的能力，但传统的机器学习方法以云为中心，即所有数据都需要传输到云数据中心并在其中进行处理，这可能不是十分适用于无人机网络。首先，由于隐私问题，每架无人机生成的数据可能无法访问，因为它可能包含一些例如无人机的身份和定位敏感的信息；其次，对于一些实时无人机应用程序，如自动无人机监测和目标跟踪，从发送原始数据到接收训练良好的模型的延迟是不可接受的；最后，将图像和视频等巨大原始数据传输到云消耗大量带宽和能量，这对于带宽和能量供应有限的无人机网络来说是不可接受的。联邦学习作为一种很有前途的分布式机器学习，能够使多个设备在不发送原始数据的情况下协作训练一个机器学习模型，从而保护设备隐私，改善经验延迟，减轻带宽和能源负担。

然而，将常规基于中心化的联邦学习的联邦学习方法应用到无人机集群网络中仍然存在一些挑战。与地面联邦学习中相对可靠的参数服务器不同，这种基于中心化的联邦学习在无人机网络中应用时不可避免地会面临单点故障，当参数服务器无人机收到攻击或电池故障而无法正常工作时，整个无人机集群的训练将被迫中断。例如，考虑到战场拒止环境，将常规基于中心化的联邦学习部署在无人机集群上进行巡查任务会面临诸多挑战，其中最大的两个挑战如下：1)这种基于中心化的联邦学习在无人机网络中应用时不可避免地会面临单点故障，当参数服务器无人机收到攻击或电池故障而无法正常工作时，整个无人机集群的训练将被迫中断；2)由于无人机的高动态特性，基于中心化的联邦学习网络拓扑会由于某些训练节点无人机的动态连接和离开导致网络拓扑变化，此时整个联邦学习需要重组。

发明内容

本发明针对现有技术中的不足，提供一种无人机自组网分布式联邦学习方法和系统，不同于常规基于中心化的联邦学习联邦学习方法需要将训练节点的模型参数汇聚到中央参数服务器进行模型聚合，本发明提出的方法不需要中央参数服务器，成为真正意义上的分布式机器学习。通过本发明的方法，大大提高了无人机自组网联邦学习的鲁棒性，同时也能提高无人机网络中联邦学习的灵活性和敏捷性，使联邦学习能够更好地适应网络拓扑高动态的无人机网络。

为实现上述目的，本发明采用以下技术方案：

一种无人机自组网分布式联邦学习方法，所述无人机自组网对应的无人机集群由多架带有本地数据集并具有模型训练能力的无人机组成；

所述学习方法包括以下步骤：

在每一轮训练过程中，每个无人机接收多个单跳邻居节点发来的本地模型参数，将接收的多个单跳邻居节点的本地模型与该无人机自身的本地模型进行聚合；在得到的聚合模型基础上进行模型更新生成新一轮本地模型；再将更新得到的新一轮本地模型参数广播给各个邻居节点；

在每一轮训练开始之前，对无人机自组网结构进行重构以更新每个无人机的单跳邻居节点列表，再开始本轮训练。