[发明专利]一种基于随机聚合波束成形的用户设备选择方法

说明书

本发明公开了一种基于随机聚合波束成形的用户设备选择方法，在联邦学习聚合模型时，采用空中计算技术提高通信效率，由此产生的聚合误差对最终学习性能存在影响。问题的目标是通过选择用户设备和设计聚合波束成形矢量实现聚合误差最小化和用户设备数最大化两个目标。然后提出了一种基于随机聚合波束成形的用户设备选择方法。在用户设备数量增大时，本发明的算法与原有算法相比能取得更低的聚合误差和选择更多的用户设备，进而获得更好的学习性能。

技术领域

本发明属于无线通信领域，尤其涉及一种基于随机聚合波束成形的用户设备选择方法。

背景技术

随着无线通信的发展和人工智能技术的突破，无线通信网络的边缘承担了越多越多的智能业务。通常，人们会采用传统的集中式的训练方式来完成这些任务，但是这种方式会带来高延时和隐私泄露的问题。近几年，联邦学习作为一种新兴的分布式学习方式，吸引了越来越多研究者的关注。这种学习方式在训练一个全局模型的时候不用传输敏感数据，因此避免了隐私泄露也减少了传输时延。

但是由于中心节点和用户设备之间需要进行频繁地通信，而对于一个边缘智能系统来说，频谱资源又是非常宝贵的，所以如何提高这个通信效率就成为了联邦学习发展的瓶颈。而传统的通信计算分离机制只能在对信号解码后再进行计算，所以效率不高，因此就有研究者就将一种新兴的空中计算技术引入到联邦学习的框架中。这种技术对信号进行模拟调制，利用了波形叠加原理，能够在传输的同时完成计算，并且已经被证明在同样的条件下，能够比基于通信计算分离机制的数字调制方案获得更高的通信效率。

但是由于信道的衰落特性和噪声的影响，空中计算技术也会带来聚合误差，如果聚合误差过大则会对模型的训练产生负面影响。另一方面，选择更多的用户设备来参与模型聚合被证明能够提升学习效率，加快模型收敛。因此，就有研究者设计了一种用户设备选择和聚合波束成形矢量的联合优化方案，旨在同时减小聚合误差和选择更多的用户设备，但是这种方法计算复杂，在实际应用中实现困难。针对这个问题，我们提出了一种基于随机聚合波束成形的用户设备选择方法，这种方法复杂度低，能够在实际应用中实现并且可以保证性能。

发明内容

本发明目的在于提供两种基于随机聚合波束成形的用户设备选择方法,分别旨在最小化均方误差和最大化选择设备用户数。

为解决上述技术问题，本发明的具体技术方案如下：

一种基于随机聚合波束成形的用户设备选择方法，包括以下步骤：

步骤1、构建联邦学习系统模型；

步骤1.1、在一个边缘智能系统中，有K个配备了一根天线的边缘用户设备和一个配备了N根天线的中心节点，其中N小于K；所有用户设备构成的集合记作每个用户设备k拥有自己的本地数据集/而全局数据集则由这些本地数据集组合而成/这些用户设备共同实现一个智能应用；

步骤1.2、采用联邦学习分布式学习框架；

步骤2、训练步骤1中构建的分布式联邦学习模型，并使用空中计算技术来提高通信效率，确定因采用该空中计算技术产生的聚合误差；

步骤3、根据步骤2中确定的聚合误差，构建两个优化问题，其一是在用户设备选择数固定的情况下最小化均方误差的问题，其二是保证均方误差在低水平的情况下，最大化可选择的用户设备数的问题；

步骤4、针对步骤3中构建的两个优化问题，分别提出了基于随机聚合波束成形的最小化均方误差算法和基于随机聚合波束成形的最大化用户设备选择算法去求解；

所述基于随机聚合波束成形的最小化均方误差算法包括以下步骤：