一种无人机辅助的联邦学习资源分配方法

本发明涉及通信，具体涉及一种基于无人机辅助的联邦学习联合学习性能与资源分配方法。

背景技术：

1、近几年来，智能设备的普及以及物联网规模的不断扩大，数据的数量呈现出指数增长的趋势。通过分析处理这些数据，一些智能应用(人脸识别、智能驾驶、语音识别)得到了光速的发展，但也引起了数据的安全性与隐私问题，并随着人们逐渐对隐私问题的日益关注，越来越多的实体开始强调数据的归属权和使用权，降低了不同实体之间的数据交流，使各实体逐渐成为“数据孤岛”。为了解决上述问题，使数据的价值得到更大的发挥，提高人工智能算法的性能，联邦学习(federated learning，fl)应运而生。

2、联邦学习能够在不暴露各方数据的前提下，协调各方进行联合学习，与传统的集中式学习相比，提高了资源利用率，保障了用户的隐私性。在联邦学习的过程中，各参与者不需要上传本地的原始数据，仅需要上传与数据相关的神经网络模型参数，后由主服务器将模型参数进行安全聚合，并反馈给参与者，参与者根据自身所拥有的数据集对全局模型进行更新，有效保证了各参与者敏感数据的安全性和隐私性。为了进一步提升联邦学习的性能，无人机开始作为空中基站与联邦学习结合，无人机作为空中移动基站，能够快速构建区域无线网络，提供应急通信服务。无人机与联邦学习的结合，与固定基站的场景相比，无人机可以找到一个合适的位置，以减少用户的能耗，在一定程度上缓解了用户对无线资源的竞争，同时，合理的资源分配方案能够有效的降低用户的能耗，并且提升联邦学习的效率。

技术实现思路

1、本发明目的：在于提出一种无人机辅助的联邦学习资源分配方法。该方法考虑无人机飞行高度对覆盖范围的影响，提出了一种资源分配机制，以保障学习性能的同时，减少了用户的总能耗。

2、为实现以上功能，本发明设计一种无人机辅助的联邦学习资源分配方法，构建总代价函数最小化的优化问题p，根据用户状态与本地精度确定最佳无人机水平位置决策，根据无人机与用户的状态确定最优本地精度，根据无人机位置与本地精度决定最优用户资源分配的决策，改变无人机的飞行高度，重复上述迭代步骤，得到无人机的最优高度，以降低参加学习用户总能耗。

3、技术方案：为解决上述技术问题，本发明采用的技术方案为：

4、第一方面，本发明提供一种无人机辅助的联邦学习资源分配方法，包括：

5、s1.根据参加联邦学习用户的总能耗以及参加学习用户数的倒数确定系统总代价函数及约束条件，构建总代价函数最小化的优化问题p；

6、s2.利用所述优化问题p进行求解，得到最优无人机的水平位置qm，最优本地精度η，最优用户资源分配决策，最优无人机的高度h；

7、s3.无人机飞行至求解得到的最优无人机的水平位置qm和高度h，处于无人机范围内的用户按照求解得到最优用户资源分配决策和最优本地精度η决策参加联邦学习。

8、在一些实施例中，所述步骤s1，构建总代价函数最小化的优化问题p，包括：

9、s11.用户的集合表示为无人机m服务范围内的用户用集合表示共nm个用户；用户i与无人机m的距离为：

10、

11、其中h表示无人机的高度，qm＝{xm，ym}表示为无人机m的水平位置，qi＝{xi，yi}表示用户i的位置，用户i的信道增益为：

12、

13、其中g0为d0＝1m时的信道干扰功率，α为路径损耗指数；

14、s12.联邦学习过程中用户终端的能耗包括训练能耗和通信能耗；

15、s13.用di表示用户i的数据量，fi表示用户i的cpu每秒转的圈数，ci表示用户i处理一个样本数据cpu转的圈数，il表示本地精度达到η时当本地训练的轮数；

16、

17、其中l、γ是关于神经网络损失函数的相关参数，δ是联邦学习训练学习步长；

18、用户i在联邦学习一轮迭代中训练能耗表示为：

19、

20、s14.用户完成当地训练后，通过fdma的方式将训练完的模型上传到无人机；用bi表示分配给用户i的带宽，pi表示用户i的发送功率，n0表示噪声功率谱密度，根据香农公式，用户i可达到的传输速率ri为：

21、

22、假设神经网络模型w数据大小为s，用户i通信能耗为：

23、

24、s15.当要求全局模型精度达到ε0时，通信轮数ig为：

25、

26、其中ξ表示本地神经网络训练中的相关参数，所以整个联邦学习过程的总能耗etotal为：

27、

28、s16.总的代价函数c定义为：

29、

30、目标函数为：

31、

32、其中，表示定值，ρ表示加权系数；

33、s17.考虑到用户总能耗与联邦学习的性能，系统的优化问题p为：

34、

35、约束条件为：

36、c1:0≤fi≤fimax

37、c2:

38、c3:

39、c4:

40、c5:

41、c6:hmin≤h≤hmax

42、c7:

43、c8:0≤η≤1

44、其中t为联邦学习完成时间总预算，b表示无人机所拥有的总带宽，fimax表示用户i的最大计算频率，表示用户i的最大传输功率，hmin、hmax分别表示无人机飞行的最低和最高高度；在联邦学习允许最大时延的限制条件下，通过联合优化无人机的位置(水平位置qm＝{x,y}和高度h)、用户的传输功率计算频率传输带宽传输时间及本地精度η，最小化目标函数；约束c1、c2表示用户计算频率和传输功率的约束；约束c3表示参加联邦学习的用户总时延不能超过预设的最大值；约束c4为对传输时延的约束，即在规定传输时间内必须完成模型的传输，ri为用户i可达到的传输速率；约束c5表示无人机的位置约束，用户与无人机的距离不能超过无人机的覆盖范围；约束c6限制了无人机的飞行高度范围；约束c7表示分配给无人机覆盖范围内所有用户的带宽总和不能超过总带宽b；约束c8规定了本地训练精度η的约束范围。

45、在一些实施例中，所述s2.利用所述优化问题p进行求解，包括：

46、s2.1.设定初始无人机水平飞行位置qm和最小飞行高度h；

47、s2.2.设定无人机覆盖范围内的初始用户资源分配决策和本地精度η，其中用户资源分配决策包括计算频率f、传输时间t、传输功率p和传输带宽b；

48、s2.3.根据h，f，t，p，b，η，利用所述优化问题p进行求解得到最优无人机水平位置qm；

49、s2.4.根据h，f，t，p，b和s2.3得到的最优无人机水平位置qm，利用所述优化问题p进行求解得到最优本地精度η；

50、s2.5.根据h、s2.3得到的最优无人机水平位置qm和s2.4得到的η，利用所述优化问题p进行求解得到最优用户资源分配决策f、t、p和b；

51、s2.6.重复执行步骤s2.3至步骤s2.5，直到目标总代价函数达到收敛；

52、s2.7.根据高度变化最小值δhmin，改变无人机的高度h；

53、s2.8.响应于无人机的高度未超过预设的最大高度，重复步骤s2.2-s2.7，直到无人机的高度超过最大高度，得到总代价函数最小时的最优无人机的水平位置qm，最优本地精度η，最优用户资源分配决策，最优无人机的高度h。

54、在一些实施例中，所述步骤s2.3中，利用所述优化问题p进行求解得到最优无人机水平位置qm，包括：

55、无人机的飞行高度为h，夹角为θ，无人机的覆盖半径r为：

56、r＝htan(θ)

57、当h，f，t，p，b，η确定时，优化无人机水平位置qm；由于优化无人机水平位置，只影响用户的通信能耗；优化问题p等效为优化问题p1：

58、

59、约束条件为：

60、c4:

61、c5:

62、引入松弛变量β，优化问题p1等效为优化问题p2：

63、

64、约束条件为：

65、c5:

66、c9:sβi≤ti

67、c10:

68、引入松弛变量将约束c10在可行解处使用一阶泰勒展开：

69、

70、

71、

72、其中λ、κ表示中间变量；优化问题p2进一步转化为优化问题p3：

73、

74、约束条件为：

75、c5:

76、c9:sβi≤ti

77、c11:

78、优化问题p3转化为凸问题，使用逐次凸逼近sca方法求解得到最优无人机水平位置。

79、在一些实施例中，所述步骤s2.4中，利用所述优化问题p进行求解得到最优本地精度η，包括：

80、当h，qm，f，t，p，b确定后，优化问题p转化为本地精度η优化问题p4：

81、

82、约束条件为：

83、c3:

84、c8:0≤η≤1

85、其中

86、约束c3等价于ti≤υ(ηi)，其中由于υ(η)是个凸函数，所以约束c3转化为ηmin≤η≤ηmax，其中优化问题p4转化为优化问题p5：

87、

88、约束条件为：

89、min max

90、c12:η≤η≤η

91、解决优化问题p5等价于找到非线性函数的根，使用dinkelbach method方法解决。

92、在一些实施例中，所述步骤s2.5中，利用所述优化问题p进行求解得到最优用户资源分配决策，包括：

93、当qm，h和η确定时，优化f，t，p和b，优化问题p转化为优化问题p6：

94、

95、约束条件为：

96、c1:0≤fi≤fimax

97、c2:

98、c3:

99、c4:

100、c7:

101、将优化问题p6拆分为两个优化子问题；

102、第一个子问题为给定传输带宽b，对优化问题p6的其余变量f、t、p进行求解，表示为子问题p6-1：

103、

104、约束条件为：

105、c1:0≤fi≤fimax

106、c2:

107、c3:

108、c4:

109、根据约束c3、c4，得到和将其带入到约束c1、c2中，子问题p6-1转化为p7：

110、

111、约束条件为：

112、c13:

113、c14:

114、由c13和c14约束得到的ti最大值和最小值；所以p7进一步转化为p8：

115、

116、约束条件为：

117、c15:

118、根据优化问题p8，当ti满足表达式时，为最优解使用二分法得到此时进一步得到fi*和

119、第二个子问题为给定f、t、p变量，对优化问题的传输带宽b进行求解；表示为子问题p6-2：

120、

121、约束条件为：

122、c7:

123、由于此优化问题是凸的，使用kkt条件求解得b的最优表达式；

124、优化子问题p6-2会导致带宽b改变，进而影响子问题p6-1中的f，t，p，迭代求解子问题p6-1和子问题p6-2，得到最优的f，t，p和b。

125、第二方面，本发明提供了一种无人机辅助的联邦学习资源分配装置，包括处理器及存储介质；

126、所述存储介质用于存储指令；

127、所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。

128、第三方面，本发明提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述方法的步骤。

129、第四方面，本发明提供了一种计算设备，包括，

130、一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行第一方面所述的方法中的任一方法的指令。

131、有益效果：相对于现有技术，本发明的优点包括：

132、1、本发明针对无人机辅助的联邦学习无线网络场景，考虑到无人机高度对覆盖范围的影响，综合考虑将用户的总能耗与参加用户数的倒数定义为系统的代价函数。

133、2、本发明联合考虑了联邦学习过程中学习性能与用户的利益，通过联合优化无人机的位置(水平位置、高度)、用户的发送功率、计算频率、传输带宽、传输时间及本地精度，保障联邦学习性能的同时，减少了用户能耗。

134、3、不同于传统场景的联邦学习方法，本方法充分利用无人机的移动性，通过优化无人机的水平位置与高度，实现用户能耗与联邦学习性能的平衡优化。