申请/专利权人：南京邮电大学

申请日：2024-02-02

公开（公告）日：2024-04-12

公开（公告）号：CN117692939B

主分类号：H04W24/04

分类号：H04W24/04;H04W28/084;G06N3/098

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2024.03.29#实质审查的生效;2024.03.12#公开

摘要：本发明属于动态通信环境下的客户端调度技术领域，涉及一种动态通信环境下的客户端调度方法；将所有客户端都进行本地模型训练，然后基于客户端训练的状态（通信延迟、资源能耗）定义客户端的状态向量，再结合客户端的两个动作状态选择性能最优的一批客户端；根据客户端的状态向量和动作空间定义客户端可用性，再选择一组客户端上传本地模型进行全局聚合，本发明状态向量是根据客户端的实时状态进行动态调整和适应，这使得系统能够根据客户端的实际情况做出更合理的决策，最大效率的选择合适的客户端参与模型聚合，客户端可用性可以更准确的评估每个客户端的性能和可参与度，提高模型训练的精度和效率。

主权项：1.一种动态通信环境下的客户端调度方法，其特征在于，所述方法包括以下步骤：步骤1，通过1个边缘服务器和N个客户端构成联邦学习模型；客户端的集合为U＝{1,2,…n,…,N}，每个客户端拥有一个本地数据集；步骤2，k轮次迭代训练中，边缘服务器将全局模型ωk分配给N个客户端，客户端n基于其本地数据集Dn进行训练，得到本地模型步骤3，根据客户端的通信延迟和资源能耗得到客户端的状态向量步骤4，定义客户端的动作空间动作空间包括两个动作：客户端未被选中参与联邦学习模型的聚合和客户端被选中参与联邦学习模型的聚合；步骤5，基于客户端的两个动作分别获得奖励通过奖励评估客户端选择某个动作的利弊；步骤6，根据客户端的状态向量动作空间和奖励定义Q函数，通过Q函数计算客户端每个动作的Q值，并选择两个动作中Q值大的作为客户端当前的动作；步骤7，将当前动作为客户端被选中参与联邦学习模型的聚合的客户端形成客户端子集C；步骤8，根据客户端的状态向量和动作空间定义客户端可用性然后，计算客户端子集C中每个客户端的客户端可用性；客户端可用性具体为： 其中，∈1，∈2，∈3分别表示时间间隔、通信延迟、资源能耗的方差，表示客户端参与联邦学习模型聚合的时间间隔，表示客户端参与联邦学习模型聚合的平均时间间隔，为客户端距离上一次参与联邦学习模型聚合时间间隔的归一化表示；表示客户端的归一化通信延迟，表示平均通信延迟；表示客户端的归一化资源能耗，表示平均资源能耗，Kparticipations表示客户端被选中参与联邦学习模型训练的累计次数；步骤9，将计算得到的客户端可用性从大到小排序，并判断客户端是否和边缘服务器连通，最后进行遍历，按照客户端可用性从大到小的顺序从与边缘服务器连通的客户端中选择前s个客户端，形成被选中参与联邦学习模型聚合的客户端集合S；如果第一次遍历时，与边缘服务器连通的客户端数量小于s，则从客户端子集C中剩下的客户端进行下一次或多次遍历，直至被选中参与联邦学习模型聚合的客户端集合S中客户端数量达到s；步骤10，完成客户端的选择，集合S中的客户端上传本地模型参与联邦学习模型的聚合，得到全局模型ωk+1。

全文数据：

权利要求：

百度查询： 南京邮电大学 一种动态通信环境下的客户端调度方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD