(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110591514.9 (22)申请日 2021.05.28 (65)同一申请的已公布的文献号 申请公布号 CN 113177367 A (43)申请公布日 2021.07.27 (73)专利权人 北京邮电大 学 地址 100876 北京市海淀区西土城路10号 (72)发明人 秦晓琦　刘欣　陈浩　刘宜明　 刘宝玲　 (74)专利代理 机构 北京柏杉松知识产权代理事 务所(普通 合伙) 11413 专利代理师 丁芸　赵元 (51)Int.Cl. G06F 30/27(2020.01) G06N 20/00(2019.01)G06F 119/12(2020.01) 审查员 霍玉明 (54)发明名称 高能效的联邦学习方法、 装置、 边缘服务器 及用户设备 (57)摘要 本发明实施例提供了一种高能效的联邦学 习方法、 装置、 边缘服务器及用户设备， 应用于通 信技术领域， 包括： 确定当前通信轮次的参与用 户设备以及待分配给各个参与用户设备的带宽 信息； 向各个参与用户设备下发全局模型和带宽 信息； 接收各个参与用户设备上传的本地模型参 数； 对各个参与用户设备上传的本地模型参数进 行聚合， 得到更新后的全局模型； 判断更新后的 全局模型是否到达目标精度； 如果更新后的全局 模型未到达目标精度， 则返回确定当前通信轮次 的参与用户设备以及待分配给各个参与用户设 备的带宽信息， 直至更新后的全局模 型到达目标 精度。 能够实现针对边缘网络中的联邦学习， 在 保证模型精度的同时降低学习时间。 权利要求书4页 说明书18页 附图4页 CN 113177367 B 2022.08.30 CN 113177367 B 1.一种高能效的联邦学习方法， 其特 征在于， 应用于边 缘网络中的边 缘服务器， 包括： 获取所述边缘网络中各个用户设备的本地计算时延信息、 上传时延信息和能量信息； 根 据 各 个 用 户 设 备 的 本 地 计 算 时 延 信 息 、上 传 时 延 信 息 ，通 过 公 式 确定学习完成时间； 其中， Dr表示第r轮的学习完 成时间， Sk(r)表示用户设备k在第 r轮是否被选中作为参与 用户设备的序列， 表示用户设备k的本地计算时延信息， 表示用户设备k的上传时延信 息； 所述参与用户设备为所述 边缘网络中参与联邦学习的用户设备； 根据所述学习完成时间和所述能量信息， 确定目标优化 函数 其中， B(r)表示待分配给各个参与用户设备的带宽信息， B(r)＝[B1(r),...,BK(r)]T， S (r)＝[S1(r),...,SK(r)]T， Ak(r)表示用户设备k的轮次年龄， α 表示预定常数， R表示通信轮 次的总轮数， K表示用户设备的总数， 表示用户设备集合， ENk(r)表示用户设备k在第r轮 中的能量信息， δ表示预 设能量阈值， Ek(r)表示用户设备k在第r轮中的能耗， BTk表示用户设 备k的电池 容量， ek(r)表示基于用户设备k在第r轮中的能量到达转化得到的储能， 表 示用户设备k在第r轮中的能量到 达； 求解所述目标优化函数， 得到所述参与用户设备以及待分配给各个参与用户设备的带 宽信息； 向各个参与用户设备下发全局模型和所述带宽信 息， 以使各个参与用户设备基于本地 数据对所述全局模型进行训练得到本地模型参数， 并基于所述带宽信息向所述边缘服务器 上传所述 参与用户设备在本地训练得到的本地模型参数； 接收各个参与用户设备 上传的本地模型参数； 对各个参与用户设备 上传的本地模型参数进行聚合， 得到更新后的全局模型； 判断更新后的全局模型 是否到达目标精度； 如果所述更新后的全局模型未到达所述目标精度， 则返回确定当前通信轮次的参与用 户设备以及待分配给各个参与用户设备的带宽信息， 并向各个参与用户设备下发更新后的 全局模型和带宽信息， 接 收各个参与用户设备上传的本地模型参数； 对各个参与用户设备 上传的本地模型参数进行聚合， 得到更新后的全局模型， 直至更新后的全局模型到达所述 目标精度。 2.根据权利要求1所述的方法， 其特征在于， 所述求解所述目标优化函数， 得到所述参权　利　要　求　书 1/4 页 2 CN 113177367 B 2与用户设备以及待分配给 各个参与用户设备的带宽信息， 包括： 将所述目标优化 函数转换为： 其中， λ表示预定常数， Qk(r)表示第r轮中的能量虚队列， Qk(r+1)＝max{Qk(r)+δ‑ENk(r+ 1),0}， Qk(r+1)表示第r +1轮中的能量虚队列， ENk(r+1)表示用户设备k在第r +1轮中的能量 信息， pk表示用户设备k的发射功率， dk表 示上传本地模型参数时所 需传输数据包的大小， hk(r)表示用户设备k和边缘服务器之间的 信道增益， N0表示高斯噪声的功率谱密度， 表示用户设备k的训练能耗； 通过多次迭代优化， 求 解Sk(r)和Bk(r)； 其中一次迭代优化包括： Sk(r)固定后， 表示当前迭代被选中的用户设备集 合， n/表示用户设备集 合中除 中的设备之外的用户设备； 基于Sn(r)， 将目标优化 函数转换为 其中， Bn(r)为当前迭代对应的 带宽信息， 表示当前迭代被选中的用户设备n的本地计算时延信息； 将Bk(r)固定， 得到转换后的目标优化 函数 其中， ξ1',k,r表示基于当前带宽分配策略下用户设备k在第r轮的总时延， ξ2',k,r表示基 于当前带宽分配策略下用户设备k在第r轮的总能量消耗； 求解转换后的目标优化 函数， 得到当前迭代对应的Sk(r)。 3.根据权利要求2所述的方法， 其特征在于， 所述求解转换后的目标优化函数， 得到当 前迭代对应Sk(r)， 包括： 根据公式 ‑[λ αKδ+ξ2',k,rQk(r)‑λAk(r)]计算被选择用户设备的收益排序列表； 其中， kmax表示时延最大的用户设备； 基于所述收益排序列表调 整被选择的用户设备， 当当前被选择的用户设备使得到达所 述目标优化 函数， 则将当前被选择的用户设备组成的序列 作为当前迭代对应的Sk(r)。 4.一种高能效的联邦学习方法， 其特征在于， 应用于参与用户设备， 所述参与用户设备 为边缘网络中参与联邦学习的用户设备， 所述参与用户设备与权利要求1所述的边缘服务 器进行数据交互， 包括： 接收边缘服务器下发的全局模型和待分配给 所述参与用户设备的带宽信息； 基于所述 参与用户设备的本地数据对所述全局模型进行训练得到 本地模型参数； 基于所述带宽信 息向所述边缘服务器上传所述本地模型参数， 以使边缘服务器接收各权　利　要　求　书 2/4 页 3 CN 113177367 B 3