无线联邦学习设备调度与资源分配方法、装置及电子设备与流程

1.本发明涉及无线联邦学习技术领域，尤其涉及一种无线联邦学习设备调度与资源分配方法、装置及电子设备。


背景技术：

2.为利用海量无线边缘设备生成的数据，并使大量用户设备在不共享其私有数据的情况下协同训练机器学习模型，可以通过将联邦学习算法部署在无线网络中实现更广泛、更高效的机器学习应用、促进边缘ai智能应用的部署与实现。联邦学习需要无线网络提供广连接、低延迟和高数据速率的服务。
3.但是，由于无线联邦学习时延、能耗要求严格，且无线分层边缘网络资源短缺，难以支撑所有用户设备同时接入网络参与联邦学习。同时在无线分层边缘网络中进行信息传输过程中存在同信道干扰，使得无线分层边缘网络中联邦学习学习性能较差。
4.无线设备调度与资源分配作为解决这一问题的有效途径，尤其对于无线联邦学习来说，在联邦学习领域越来越受到重视。由于无线设备调度与资源分配对无线联邦学习有非常重要的作用，人们希望在资源受限的无线网络中实现高效的联邦学习。
5.现有技术中，无线网络资源受限，难以支持所有联邦学习设备同时参与模型上传、聚合，同时由于无线网络资源受限导致频谱复用，多小区联邦学习设备模型上传存在小区间干扰，导致训练时延和联邦学习设备上传能量消耗进一步增加。因此，需要开发出一种新的无线联邦学习设备调度与资源分配方法。


技术实现要素：

6.本发明针对无线联邦学习时延、能耗要求严格，且无线分层边缘网络资源短缺，难以支撑所有用户设备同时接入网络参与联邦学习，同时在无线分层边缘网络中进行信息传输过程中存在同信道干扰，使得无线分层边缘网络中联邦学习学习性能较差等问题，提出一种无线联邦学习设备调度与资源分配方法、装置及电子设备，提高联邦学习精度，加速联邦学习收敛，提高无线分层边缘网络中联邦学习性能。
7.为了实现上述目的，本发明提供如下技术方案：
8.第一方面，本发明提供一种无线联邦学习设备调度与资源分配方法，包括如下步骤：
9.s1、在各用户设备接收到基站广播的联邦学习模型后，基站与各无线接入点获取当前信道状态信息与用户设备本地样本数；基于所获取的当前信道状态信息、用户设备本地样本数与预设的各个用户设备上行传输功率约束、预设的各个用户设备处理器频率约束、预设的各个用户设备能量消耗约束、以及预设的关于用户设备、基站和上行子信道的匹配关系约束，进行设备调度，并对各用户设备上行传输功率、处理器频率、上行子信道进行分配，获得目标设备调度与资源分配方案；其中，所述目标设备调度与资源分配方案包括：各用户设备调度、各用户设备上行子信道分配、各用户设备的上行传输功率、各用户设备的
处理器频率；
10.s2、各用户设备按设备调度与资源分配方案接入无线分层边缘网络，调度设备在本地联邦学习更新结束后，将本地联邦学习参数发送至基站或各无线接入点，随后各无线接入点将接收到的各本地模型参数通过有线链路转发到基站端；
11.s3、基站根据接收到的各本地联邦学习参数，更新全局联邦学习模型；随后基站将全局联邦学习模型广播至所有用户设备，进行循环迭代，直至收敛或达到最大迭代次数。
12.进一步地，步骤s1中，在无线分层边缘网络中，所有用户设备集合表示为基站与所有无线接入点集合表示为其中i＝0表示基站，其余表示各无线接入点；用户设备k包含有dk个样本的本地数据集其中是n维输入向量，是x
k,j
的标签；
13.当前联邦学习训练轮次有上行子信道分配方案：
[0014][0015]
其中表示用户设备k与上行子信道n的匹配因子，若则当前联邦学习训练轮次上行子信道n被分配给用户设备k，否则，当前联邦学习训练轮次上行子信道n未被分配给用户设备k，共有n个上行子信道；
[0016]
当前联邦学习训练轮次有上行传输功率分配方案：
[0017][0018]
其中表示用户设备k当前联邦学习训练轮次的上行传输功率；
[0019]
当前联邦学习训练轮次有用户设备处理器频率分配方案：
[0020][0021]
其中表示用户设备k当前联邦学习训练轮次的处理器频率；
[0022]
当前联邦学习训练轮次有设备调度方案：
[0023][0024]
其中表示设备调度因子，若则用户设备k参与当前轮次联邦学习，否则，用户设备k不参与当前联邦学习训练轮次。
[0025]
进一步地，步骤s1中，用户设备k进行联邦学习模型本地更新的计算时延为：
[0026][0027]
其中，κk是用户设备k计算联邦学习模型的每一位数据所需的处理器周期数，z(w)是联邦学习模型大小；
[0028]
用户设备k的计算能量消耗为：
[0029][0030]
其中，是用户设备k处理器的电容系数；
[0031]
每个调度用户设备k的模型上传速率为：
[0032][0033]
其中，bu是一个上行子信道的带宽；α是路径损耗指数；n0是噪声功率谱密度；d
i,k
是用户设备k与基站或无线接入点i间的地理距离，是用户设备k与基站或无线接入点i间在上行子信道n上的小尺度衰落；表示用户设备k与基站或无线接入点i的匹配因子，当用户设备k被调度参与当前轮次联邦学习，其上行方向上与接收到用户设备k的最高平均上行链路功率的基站或无线接入点i相连，此时
[0034]
调度用户设备k的模型上传时延为：
[0035][0036]
调度用户设备k的模型上传能量消耗为：
[0037][0038]
调度用户设备k的总能量消耗为：
[0039][0040]
根据设备调度因子存在最优调度与当前调度误差上界：
[0041][0042]
基站广播传输速率为：
[0043][0044]
其中bd是基站广播带宽，p
bs
是基站广播功率，是用户设备k与基站间的小尺度衰落；
[0045]
当前轮次联邦学习的总时延为：
[0046][0047]
进一步地，步骤s1中，基站根据接收到的各本地联邦学习模型参数，更新全局联邦学习模型，具体形式为：
[0048][0049]
进一步地，步骤s1中，当前联邦学习训练轮次，各个用户设备发送功率约束包括：
[0050]
[0051]
其中为所述当前联邦学习训练轮次各个用户设备能向与其相关联的基站或无线接入点提供的上传发射功率最大值；
[0052]
各个用户设备处理器频率约束包括：
[0053][0054]
其中θ
max
为所述当前联邦学习训练轮次各个用户设备进行联邦学习计算时提供的处理器频率最大值；
[0055]
各个用户设备能量消耗约束包括：
[0056][0057]
其中e
max
为所述当前联邦学习训练轮次，各个用户设备进行联邦学习计算时提供的能量消耗最大值；
[0058]
关于用户设备、基站、无线接入点和上行子信道的匹配关系约束包括第一关系约束公式和第二关系约束公式；
[0059]
其中，所述第一关系约束公式为：
[0060][0061]
第一关系约束公式表示：若用户设备k被调度参与当前联邦学习训练轮次，则用户设备k有且只被分配一个上行子信道；
[0062]
所述第二约束关系公式为：
[0063][0064]
第二关系约束公式表示：关联同一基站或无线接入点的用户设备的上行子信道彼此正交。
[0065]
进一步地，步骤s1中，确定当前联邦学习轮次内的目标设备调度与资源分配方案的过程如下：
[0066]
联邦学习误差与延迟优化方程为：
[0067][0068]
其中，δ
t
、p
t
和θ
t
为所述联邦学习误差与延迟优化方程的优化变量；
[0069]
联邦学习误差与延迟优化方程满足如下预设条件公式：
[0070][0071]
其中，为各用户设备的上传发射功率约束，表示：目标设备调
度与资源分配方案中，各个用户设备的上传发射功率不大于最大上传发射功率
[0072]
其中，为各用户设备的处理器频率约束，表示：目标设备调度与资源分配方案中，各个用户设备的处理器频率不大于最大处理器频率θ
max
；
[0073]
其中，为各用户设备的能量消耗约束，表示：目标设备调度与资源分配方案中，各个用户设备的能量消耗不大于最大能量消耗e
max
；
[0074]
其中，为各个用户设备的上行子信道约束，表示：若用户设备k被调度参与当前联邦学习训练轮次，则用户设备k有且只被分配一个上行子信道，否则用户设备k不被分配上行子信道；
[0075]
其中，为各个子信道约束，表示：关联同一基站或无线接入点的用户设备的上行子信道彼此正交。
[0076]
进一步地，步骤s2中，各用户设备按设备调度与资源分配方案接入无线分层边缘网络，随后进行本地联邦学习模型更新，具体形式为：
[0077][0078]
其中，是用户设备k的损失函数，具体形式为：
[0079][0080]
其中γ是联邦学习学习率，f(
·
)是单个样本的损失函数。
[0081]
进一步地，步骤s3中，基站根据接收到的各本地联邦学习模型参数，更新全局联邦学习模型，具体形式为：
[0082][0083]
随后基站将全局联邦学习模型广播至所有用户设备，进行循环迭代，直至收敛或达到最大迭代次数。
[0084]
第二方面，本发明还提供了一种无线联邦学习设备调度与资源分配装置，包括以下模块以实现上述任一项所述的无线联邦学习设备调度与资源分配方法：
[0085]
信息获取与方案确定模块，用于获取各信道状态信息与各用户设备本地样本数，并基于所获取的各信道状态信息、用户设备本地样本数与预设的各个用户设备上行传输功率约束、预设的各个用户设备处理器频率约束、预设的各个用户设备能量消耗约束、以及预设的关于用户设备、基站和上行子信道的匹配关系约束，进行设备调度，并对各用户设备上行传输功率、处理器频率、上行子信道进行分配，获得目标设备调度与资源分配方案；其中，所述目标设备调度与资源分配方案包括：各用户设备调度、各用户设备上行子信道分配、各用户设备的上行传输功率、各用户设备的处理器频率；
[0086]
设备调度与资源分配模块，用于控制一个基站、多个无线接入点和多个终端设备，按照设备调度与资源分配方案，为自身分配所对应的资源，完成调度设备的联邦学习本地
模型更新与上传；
[0087]
模型聚合处理模块，用于控制基站根据接收到的各本地联邦学习参数，更新全局联邦学习模型；随后基站将全局联邦学习模型广播至所有用户设备，进行循环迭代，直至收敛或达到最大迭代次数。
[0088]
第三方面，本发明提供一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口、存储器通过通信总线完成相互间的通信；
[0089]
存储器，用于存放计算机程序；
[0090]
处理器，用于执行存储器上所存放的程序时，实现上述任一所述的无线联邦学习设备调度与资源分配方法。
[0091]
与现有技术相比，本发明的有益效果为：
[0092]
本发明提出的无线联邦学习设备调度与资源分配方法、装置及电子设备，由于在确定上述目标无线联邦学习设备调度与资源分配方案时，综合考虑了所获取当前信道状态信息，用户设备本地样本数，因此可以改善无线联邦学习误差与时延；并且预设的各用户设备上行传输功率约束可以保证在用户设备上行传输功率不超过最大值；预设的各用户设备处理器频率约束可以保证在用户设备计算时处理器频率不超过最大值；预设的各用户设备能量消耗约束可以保证在用户设备每轮次联邦学习的能量消耗不超过最大值；预设的关于用户设备、基站和子信道的匹配关系约束可以保证调度设备被分配有且只有一个上行子信道，且同一基站或无线接入点下的用户设备所占用的上行子信道彼此正交。由于联合优化设备调度与资源分配，可以使无线分层边缘网络中资源利用率提高，从而可以降低无线联邦学习的误差与时延，进而提高联邦学习精度，加速联邦学习收敛，可以提高无线分层边缘网络中的联邦学习性能。
附图说明
[0093]
图1为本发明实施例提供的无线分层边缘网络的结构示意图。
[0094]
图2为本发明实施例提供的无线联邦学习设备调度与资源分配方法流程图。
[0095]
图3为本发明实施例提供的无线联邦学习设备调度与资源分配装置功能模块图。
[0096]
图4为本发明实施例提供的电子设备结构示意图。
具体实施方式
[0097]
为了更好地理解本技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实例仅仅是本发明实施例一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员基于本技术所获得的所有其他实施例，都属于本发明保护的范围。
[0098]
本发明提出的无线联邦学习设备调度与资源分配方法，可以应用于无线分层边缘网络中的控制设备，如图1所示，无线分层边缘网络可以包括一个基站、i个无线接入点、k个用户设备，以及n个上行子信道。
[0099]
其中，本发明实施例提供的无线联邦学习设备调度与资源分配方法可以应用于任一采用联邦学习进行模型训练的无线分层边缘网络。并且，该无线分层边缘网络内基站、各个无线接入点和各个终端设备的地理位置可以是随机分布的，也可以是按照某种分布规律
分布的。对此，本发明实施例不对无线分层边缘网络内的具体结构，以及网络内基站、各个无线接入点和各个终端设备的地理位置进行限定。
[0100]
由于无线分层边缘联邦学习网络中，各调度设备可以与有且只有一个基站或无线接入点相关联，从而，该无线分层边缘网络中，便可以存在多个上行子信道，并且，各个上行子信道可以通过均分该无线分层边缘网络所能使用的总带宽进行确定。
[0101]
其中，该无线分层边缘网络所能使用的总带宽为一段连续的频谱；则各个上行子信道即为该连续的频谱中的一段用于传输数据的特定频谱，并且，该无线分层边缘网络中，不同基站或无线接入点中的两个不同的终端设备可以在同一个上行子信道向所关联基站或无线接入点发送上行数据。
[0102]
可选的，无线分层边缘网络内各用户设备可以配备单根天线。
[0103]
可选的，无线分层边缘网络内基站和各无线接入点可以配备单根天线。
[0104]
此外，上述控制设备可以安装在无线分层边缘网络中的基站或无线接入点内，也可以是部署在无线分层边缘网络外的一独立设备。并且，该控制设备可以是任一类型的电子设备，例如，微型计算机、单片机等。对此，本发明实施例不对控制设备的安装位置和设备类型进行限定。
[0105]
本发明提出的无线联邦学习设备调度与资源分配方法，如图2所示，包括如下步骤：
[0106]
s201：在各用户设备接收到基站广播的联邦学习模型后，基站获取当前信道状态信息，用户设备本地样本数，基于所获取的当前信道状态信息、用户设备本地样本数与预设的各个用户设备上行传输功率约束、预设的各个用户设备处理器频率约束、预设的各个用户设备能量消耗约束、以及预设的关于用户设备、基站和上行子信道的匹配关系约束，进行设备调度，并对各调度设备上行传输功率、处理器频率、上行子信道进行分配，获得设备调度与资源分配方案；目标设备调度与资源分配方案包括：每个用户设备调度因子、每个用户设备上行子信道分配、每个用户设备的上行传输功率、每个用户设备的处理器频率。
[0107]
在无线分层边缘网络中的各用户设备接入无线分层边缘网络参与联邦学习时，可以首先预设该无线分层边缘网络的联邦学习轮次，从而，在进入到每个预设的联邦学习轮次时，获取当前联邦学习轮次内，每个子信道上每个用户设备到基站和每个无线接入点的信道状态信息，各用户设备本地样本数。
[0108]
其中，上述联邦学习轮次的时长可以为：100ms、500ms等任一根据实际应用中的需求所设定的时长，对此，本发明实施例不做具体限定。
[0109]
控制设备可以通过多种方式获取上述信道状态信息与设备样本数。对此，本发明实施例不做具体限定。
[0110]
在得到当前联邦学习轮次内，上述各信道状态信息以及各用户设备本地样本数，控制设备便可以基于所获取的各信道状态信息以及各用户设备本地样本数，预设的各用户设备上行传输功率约束、预设的各用户设备处理器频率约束、预设的各用户设备能量消耗约束、以及预设的关于用户设备、基站和子信道的匹配关系约束，确定当前联邦学习轮次内每个用户设备调度因子、每个用户设备上行子信道分配、每个用户设备的上行传输功率、每个用户设备的处理器频率，从而，得到当前联邦学习轮次内的目标设备调度与资源分配方案。
[0111]
可选的，一种具体实现方式中，在无线分层边缘网络中，所有用户设备集合表示为基站与所有无线接入点集合表示为其中i＝0表示基站，其余表示各无线接入点；用户设备k包含有dk个样本的本地数据集其中是n维输入向量，是x
k,j
的标签；并且当前联邦学习训练轮次有上行子信道分配方案信道分配方案表示用户设备k与上行子信道n的匹配因子，若则当前联邦学习训练轮次上行子信道n被分配给用户设备k，否则，当前联邦学习训练轮次上行子信道n未被分配给用户设备k，共有n个上行子信道；当前联邦学习训练轮次有上行传输功率分配方案练轮次有上行传输功率分配方案表示用户设备k当前联邦学习训练轮次的上行传输功率；当前联邦学习训练轮次有用户设备处理器频率分配方案训练轮次的上行传输功率；当前联邦学习训练轮次有用户设备处理器频率分配方案表示用户设备k当前联邦学习训练轮次的处理器频率；有设备调度方案其中表示设备调度因子，若则用户设备k参与当前轮次联邦学习，否则，用户设备k不参与当前联邦学习训练轮次。
[0112]
一种实施例中，用户设备k进行联邦学习模型本地更新的计算时延为：
[0113][0114]
其中，κk是用户设备k计算联邦学习模型的每一位数据所需的处理器周期数，z(w)是联邦学习模型大小。
[0115]
一种实施例中，用户设备k的计算能量消耗为：
[0116][0117]
其中，是用户设备k处理器的电容系数。
[0118]
一种实施例中，每个调度用户设备k的模型上传速率为：
[0119][0120]
其中，bu是一个上行子信道的带宽；α是路径损耗指数；n0是噪声功率谱密度；d
i,k
是用户设备k与基站或无线接入点i间的地理距离，是用户设备k与基站或无线接入点i间在上行子信道n上的小尺度衰落；表示用户设备k与基站或无线接入点i的匹配因子，当用户设备k被调度参与当前轮次联邦学习，其上行方向上与接收到用户设备k的最高平均上行链路功率的基站或无线接入点i相连，此时：
[0121][0122]
一种实施例中，调度用户设备k的模型上传时延为：
[0123][0124]
一种实施例中，调度用户设备k的模型上传能量消耗为：
[0125][0126]
一种实施例中，调度用户设备k的总能量消耗为：
[0127][0128]
一种实施例中，根据所述设备调度因子存在最优调度与当前调度误差上界：
[0129][0130]
一种实施例中，基站广播传输速率为：
[0131][0132]
其中bd是基站广播带宽，p
bs
是基站广播功率，是用户设备k与基站间的小尺度衰落。
[0133]
一种实施例中，当前轮次联邦学习的总时延为：
[0134][0135]
可选的，一种具体实现方式中，基站根据接收到的各本地联邦学习模型参数，更新全局联邦学习模型，具体形式为：
[0136][0137]
随后基站将全局联邦学习模型广播至所有用户设备，进行循环迭代，直至收敛或达到最大迭代次数。
[0138]
可选的，一种具体实现方式中，所述当前联邦学习训练轮次，所述各个用户设备发送功率约束包括：
[0139][0140]
其中为所述当前联邦学习训练轮次各个用户设备能向与其相关联的基站或无线接入点提供的上传发射功率最大值。
[0141]
一种实施例中，所述各个用户设备处理器频率约束包括：
[0142][0143]
其中θ
max
为所述当前联邦学习训练轮次各个用户设备进行联邦学习计算时提供的处理器频率最大值。
[0144]
一种实施例中，所述各个用户设备能量消耗约束包括：
[0145][0146]
其中e
max
为所述当前联邦学习训练轮次，各个用户设备进行联邦学习计算时提供的能量消耗最大值。
[0147]
一种实施例中，所述关于用户设备、基站、无线接入点和上行子信道的匹配关系约束包括第一关系约束公式和第二关系约束公式。
[0148]
其中，所述第一关系约束公式为：
[0149][0150]
所述第一关系约束公式表示：若用户设备k被调度参与当前联邦学习训练轮次，则用户设备k有且只被分配一个上行子信道。
[0151]
所述第二约束关系公式为：
[0152][0153]
第二关系约束公式表示：关联同一基站或无线接入点的用户设备的上行子信道彼此正交。
[0154]
s202：各用户设备按设备调度与资源分配方案接入无线分层边缘网络，调度设备在本地联邦学习更新结束后，将本地联邦学习参数发送至基站或各无线接入点，随后各无线接入点将接收到的各本地联邦学习参数通过有线链路转发到基站端。
[0155]
所述各无线接入点可以通过多种有线传输方式向基站传输本地联邦学习参数。对此，本发明实施例不做具体限定。
[0156]
一种实施例中，各用户设备按设备调度与资源分配方案接入无线分层边缘网络，随后进行本地联邦学习模型更新，具体形式为：
[0157][0158]
其中，是用户设备k的损失函数，具体形式为：
[0159][0160]
其中γ是联邦学习学习率，f(
·
)是单个样本的损失函数。
[0161]
在调度设备本地联邦学习更新结束后，将本地联邦学习模型参数发送到相连的基站或各无线接入点，随后所述各无线接入点将接收到的各本地模型参数通过有线链路转发到基站端。
[0162]
s203：基站根据接收到的各本地联邦学习参数，更新全局联邦学习模型；随后基站将全局联邦学习模型广播至所有用户设备，进行循环迭代，直至收敛或达到最大迭代次数。
[0163]
可选的，一种具体实现方式中，基站根据接收到的各本地联邦学习模型参数，更新全局联邦学习模型，具体形式为：
[0164][0165]
随后基站将全局联邦学习模型广播至所有用户设备，进行循环迭代，直至收敛或达到最大迭代次数。
[0166]
可选的，在一种具体实现方式中，上述步骤s201，首先获取当前信道状态信息，用户设备本地样本数；基于所获取的当前信道状态信息、用户设备本地样本数与预设的各个
用户设备上行传输功率约束、预设的各个用户设备处理器频率约束、预设的各个用户设备能量消耗约束、以及预设的关于用户设备、基站和上行子信道的匹配关系约束，确定当前联邦学习轮次内的目标设备调度与资源分配方案，可以包括如下步骤a：
[0167]
步骤a：基于所获取的当前信道状态信息、用户设备本地样本数与预设的各个用户设备上行传输功率约束、预设的各个用户设备处理器频率约束、预设的各个用户设备能量消耗约束、以及预设的关于用户设备、基站和上行子信道的匹配关系约束，求解预设的联邦学习误差与延迟优化方程，确定当前联邦学习轮次的用户设备调度与资源分配方案。其中，所述联邦学习误差与延迟优化方程为：
[0168][0169]
其中，δ
t
、p
t
和θ
t
为所述联邦学习误差与延迟优化方程的优化变量。并且上述联邦学习误差与延迟优化方程满足预设的各用户设备上行传输功率约束、预设的各用户设备处理器频率约束、预设的各用户设备能量消耗约束、以及预设的关于用户设备、基站和子信道的匹配关系约束。
[0170]
基于此，可选的，一种具体实现方式中，上述联邦学习误差与延迟优化方程满足如下预设条件公式：
[0171][0172]
其中，为各用户设备的上传发射功率约束，表示：目标设备调度与资源分配方案中，各个用户设备的上传发射功率不大于最大上传发射功率
[0173]
其中，为各用户设备的处理器频率约束，表示：目标设备调度与资源分配方案中，各个用户设备的处理器频率不大于最大处理器频率θ
max
；
[0174]
其中，为各用户设备的能量消耗约束，表示：目标设备调度与资源分配方案中，各个用户设备的能量消耗不大于最大能量消耗e
max
；
[0175]
其中，为各个用户设备的上行子信道约束，表示：若用户设备k被调度参与当前联邦学习训练轮次，则用户设备k有且只被分配一个上行子信道，否则用户设备k不被分配上行子信道；
[0176]
其中，为各个子信道约束，表示：关联同一基站或无线接入点的用户设备的上行子信道彼此正交；
[0177]
并且，并若小化全局损失函数f(w
t
)，可通过减小实现。当给定所述
全局模型广播延迟恒定，可转化为如下转化后的联邦学习误差与延迟优化方程：
[0178][0179]
基于此，可选的，一种具体实现方式中，上述转化后的联邦学习误差与延迟优化方程满足上述预设条件公式。
[0180]
基于此，可选的，一种具体实现方式中，以转化后的联邦学习误差与延迟优化方程为适应度函数的基于遗传算法的用户设备调度方案获取，优化设备调度因子给定用户设备调度方案下的联邦学习延迟优化方程为遗传算法提供部分适应度数值，联邦学习延迟优化方程具体形式为：
[0181][0182]
其中k'是的用户设备集合。
[0183]
可选的，一种具体实现方式中，上述步骤a，基于所获取的当前信道状态信息、用户设备本地样本数与预设的各个用户设备上行传输功率约束、预设的各个用户设备处理器频率约束、预设的各个用户设备能量消耗约束、以及预设的关于用户设备、基站和上行子信道的匹配关系约束，确定当前联邦学习轮次内的目标设备调度与资源分配方案，可以包括如下步骤a1-a2：
[0184]
步骤a1：基于所获取的各信道状态信息、用户设备本地样本数，预设的各个用户设备上行传输功率约束、预设的各个用户设备处理器频率约束、预设的各个用户设备能量消耗约束、以及预设的关于用户设备、基站和子信道的匹配关系约束，求解联邦学习延迟优化方程，确定当前联邦学习轮次内的设备调度方案。
[0185]
利用遗传算法求解设备调度问题，确定关于设备调度因子，可以包括如下步骤一至八；
[0186]
步骤一：染色体编码与初始化，将染色体定义为k维向量其中第k维代表针对所述第k个用户设备的选择决策。具体地，染色体的第k维为1表示所述用户设备k被调度，此时“0”则表示所述用户设备k未被调度，有并且定义a为搜索空间，包括所有可能的用户调度组合，大小为2k。定义ν为每一代所维持的染色体数量，同时定义a(g)，g＞＝0表示第g代染色体所构成的集合。首先从a中随机不重复选择ν条染色体，记为初始代a(0)。用g表示迭代次数，并且约束最多存在g代；
[0187]
步骤二：适应度函数，适应度函数由所述转化后的联邦学习误差与延迟优化方程给出；
[0188]
步骤三：父代选取，根据适应度数值计算各染色体被选择进行育种的概率，并且根据育种概率选择父代染色体。具体地，选择染色体x进行育种的概率为p
x
＝(1/f
x
)/(∑
x
(1/f
x
)；
[0189]
步骤四：交叉，使用单点交叉方法形成新一代的染色体，通过上述父代选取选择两条“父”染色体fa1,fa2，以随机选取的交叉点索引作为分界，交叉点之前的向量元素与“父”染色体fa1的对应位置保持一致，交叉点之后的向量元素与“父”染色体fa2的对应元素相同，
依据所述交叉规则，可产生一条新临时染色体tempch。该过程产生ν-1条新临时染色体。
[0190]
步骤五：适应性突变，突变应用于通过上述交叉规则所产生的临时染色体生成“子”染色体ch。定义子染色体中任何给定位翻转概率为1/(b1+b2(σg/μg))，其中，σg为第g代染色体中1/f
x
的方差，μg是1/f
x
的均值，b1,b2为常数。
[0191]
步骤六：精英主义，为防止进化过程中产生的最优染色体被交叉和突变所破坏，将每一代中的最优的一条染色体原封不动的复制到下一代中。这样产生一个具有ν条染色体的新种群。
[0192]
步骤七：迭代，上一代染色体种群将被上述选择和变异过程产生的ν条新染色体所取代。该过程迭代总共g代。当生成的代数超过预定义值g时，将激活遗传算法的终止条件。最终，第g代种群中具有最优适应度染色体的将成为最佳用户设备选取方案。
[0193]
步骤a2：基于所获取的各信道状态信息、用户设备本地样本数，预设的各个用户设备上行传输功率约束、预设的各个用户设备处理器频率约束、预设的各个用户设备能量消耗约束、以及预设的关于用户设备、基站和子信道的匹配关系约束，求解联邦学习延迟优化方程，确定当前联邦学习轮次内的给定设备调度下的资源分配方案。
[0194]
其中，可选的，一种具体实现方式中，基于所获取的用户设备调度方案与被调度用户设备的上行传输功率和处理器频率求解所述第一子优化方程，基于所获取的用户设备调度方案与每个被调度用户设备和每个子信道的匹配因子求解所述第二子优化方程，得到所述当前联邦学习轮次当前设备调度方案的目标资源分配方案，为所述基于遗传算法的设备调度提供适应度数值。
[0195]
可选的，一种具体实现方式中，所述第一子优化方程为：
[0196][0197]
并且，所述第一子优化方程具有如下约束条件：
[0198][0199]
进而，在本具体实现方式的一种实施例中，上述第一子优化公式的求解方式可以为：
[0200]
将上述子信道分配变量松弛为[0,1]，并且令
[0201][0202]
可得转化后的第一子优化方程：
[0203][0204]
并且，所述转化后的第一子优化方程具有如下约束条件：
[0205][0206]
进一步的，可选的，利用连续凸近似方法求解转化后的第一子优化方程，令：
[0207][0208][0209]
其中令用户设备k的模型上传速率有下界：
[0210][0211]
其中令可得再次转化后的第一子优化方程：
[0212][0213]
并且，所述再次转化后的第一子优化方程具有如下约束条件：
[0214][0215]
进一步的，可选的，所述再次转化后的第一子优化方程是凸规划问题，通过连续求解再次转化后的第一子优化方程和更新可得所述转化后的第一子优化方程次优解，所述转化后的第一子优化方程次优解可为所述第一子优化方程使用分支定界求解法提供数值下界。
[0216]
可选的，一种具体实现方式中，所述第二子优化方程为：
[0217][0218]
并且，所述第二子优化方程具有如下约束条件：
[0219]
[0220]
进而，在本具体实现方式的一种实施例中，上述第二子优化公式的求解方式可以为：
[0221]
可选的，一种具体实现方式中，可以将所述用户设备上传功率分配与所述用户设备处理器频率分配分开进行求解，可得第二子优化上传功率分配方程与第二子优化处理器频率分配方程。
[0222]
可选的，一种具体实现方式中，令所述第二子优化上传功率分配方程为：
[0223][0224]
并且，所述第二子优化上传功率分配方程具有如下约束条件：
[0225][0226]
进一步的，可选的，利用连续凸近似方法求解第二子优化上传功率分配方程，令其中其中是所述第二子优化上传功率分配方程的一可行解，令用户设备k的模型上传速率有下界：
[0227][0228]
其中令可得转化后的第二子优化上传功率分配方程：
[0229][0230]
并且，所述转化后的第二子优化上传功率分配方程具有如下约束条件：
[0231][0232]
进一步的，可选的，所述再次转化后的第二子优化上传功率分配方程是凸规划问题，通过连续求解转化后的第二子优化上传功率分配方程和更新可得所述第二子优化上传功率分配方程次优解。
[0233]
可选的，一种具体实现方式中，所述第二子优化处理器频率分配方程为：
[0234]
[0235]
并且，所述转化后的第二子优化处理器频率分配方程具有如下约束条件：
[0236][0237]
可选的，一种具体实现方式中，当所述用户设备处理器频率θtk取最大值时，所述第二子优化处理器频率分配方程有最优解，所述用户设备处理器频率有取值：
[0238][0239]
可选的，一种具体实现方式中，通过迭代求解所述第二子优化上传功率分配方程与所述第二子优化处理器频率分配方程直至收敛所述第二子优化方程可得所述第二子优化方程次优解。
[0240]
可选的，一种具体实现方式中，通过迭代求解所述第一子优化方程与第二子优化方程，直至所述联邦学习延迟优化方程收敛，可得所述给定设备调度下的资源分配方案。
[0241]
图3为本发明实施例提供的一种无线联邦学习设备调度与资源分配装置的结构示意图，如图3所示，该装置可以包括如下模块：
[0242]
信息获取与方案确定模块310，用于获取各信道状态信息与各用户设备本地样本数，并基于所获取的各信道状态信息、用户设备本地样本数与预设的各个用户设备上行传输功率约束、预设的各个用户设备处理器频率约束、预设的各个用户设备能量消耗约束、以及预设的关于用户设备、基站和上行子信道的匹配关系约束，进行设备调度，并对各用户设备上行传输功率，处理器频率，上行子信道进行分配，获得目标设备调度与资源分配方案；其中，所述目标设备调度与资源分配方案包括：各用户设备调度、各用户设备上行子信道分配、各用户设备的上行传输功率、各用户设备的处理器频率；
[0243]
设备调度与资源分配模块320，用于控制所述一个基站、多个无线接入点、多个终端设备，按照所述设备调度与资源分配方案，为自身分配所对应的资源，完成调度设备的联邦学习本地模型更新与上传；
[0244]
模型聚合处理模块330，用于控制基站根据接收到的各本地联邦学习参数，更新全局联邦学习模型；随后基站将全局联邦学习模型广播至所有用户设备，进行循环迭代，直至收敛或达到最大迭代次数。
[0245]
以上可见，应用本发明实施例提供的方案，由于在确定上述目标无线联邦学习设备调度与资源分配方案时，综合考虑了所获取当前信道状态信息，用户设备本地样本数，因此可以改善无线联邦学习误差与时延；并且预设的各用户设备上行传输功率约束可以保证在用户设备上行传输功率不超过最大值；预设的各用户设备处理器频率约束可以保证在用户设备计算时处理器频率不超过最大值；预设的各用户设备能量消耗约束可以保证在用户设备每轮次联邦学习的能量消耗不超过最大值；预设的关于用户设备、基站和子信道的匹配关系约束可以保证调度设备被分配有且只有一个上行子信道，且同一基站或无线接入点下的用户设备所占用的上行子信道彼此正交。
[0246]
进一步的，由于联合优化设备调度与资源分配，可以使无线分层边缘网络中资源
利用率提高，从而，可以降低无线联邦学习的误差与时延，进而，提高联邦学习精度，加速联邦学习收敛，提高无线分层边缘网络中联邦学习性能。
[0247]
基于此，应用本发明实施例提供的方案，便可以显著降低无线分层边缘网络中，无线联邦学习的误差与时延，进而，提高联邦学习精度，加速联邦学习收敛，提高无线分层边缘网络中联邦学习性能。
[0248]
可选的，一种具体实现方式中，在无线分层边缘网络中，所有用户设备集合表示为基站与所有无线接入点集合表示为其中i＝0表示基站，其余表示各无线接入点；用户设备k包含有dk个样本的本地数据集其中是n维输入向量，是x
k,j
的标签；并且当前联邦学习训练轮次有上行子信道分配方案信道分配方案表示用户设备k与上行子信道n的匹配因子，若则当前联邦学习训练轮次上行子信道n被分配给用户设备k，否则，当前联邦学习训练轮次上行子信道n未被分配给用户设备k，共有n个上行子信道；当前联邦学习训练轮次有上行传输功率分配方案练轮次有上行传输功率分配方案表示用户设备k当前联邦学习训练轮次的上行传输功率；当前联邦学习训练轮次有用户设备处理器频率分配方案训练轮次的上行传输功率；当前联邦学习训练轮次有用户设备处理器频率分配方案表示用户设备k当前联邦学习训练轮次的处理器频率；有设备调度方案其中表示设备调度因子，若则用户设备k参与当前轮次联邦学习，否则，用户设备k不参与当前联邦学习训练轮次；
[0249]
可选的，一种具体实现方式中，调度用户设备k进行联邦学习模型本地更新的计算时延为：
[0250][0251]
其中，κk是用户设备k计算联邦学习模型的每一位数据所需的处理器周期数，z(w)是联邦学习模型大小；
[0252]
用户设备k的计算能量消耗为：
[0253][0254]
其中，是用户设备k处理器的电容系数；
[0255]
每个调度用户设备k的模型上传速率为：
[0256][0257]
其中，bu是一个上行子信道的带宽；α是路径损耗指数；n0是噪声功率谱密度；d
i,k
是用户设备k与基站或无线接入点i间的地理距离，是用户设备k与基站或无线接入点i间在上行子信道n上的小尺度衰落；表示用户设备k与基站或无线接入点i的匹配因子，当用户设备k被调度参与当前轮次联邦学习，其上行方向上与接收到用户设备k的最高平均上行链路功率的基站或无线接入点i相连，此时
[0258]
调度用户设备k的模型上传时延为：
[0259][0260]
调度用户设备k的模型上传能量消耗为：
[0261][0262]
调度用户设备k的总能量消耗为：
[0263][0264]
根据所述设备调度因子存在最优调度与当前调度误差上界：
[0265][0266]
基站广播传输速率为：
[0267][0268]
其中bd是基站广播带宽，p
bs
是基站广播功率，是用户设备k与基站间的小尺度衰落；
[0269]
当前轮次联邦学习的总时延为：
[0270][0271]
可选的，一种具体实现方式中，各用户设备按设备调度与资源分配方案接入无线分层边缘网络，随后进行本地联邦学习模型更新，具体形式为：
[0272][0273]
其中，是用户设备k的损失函数，具体形式为：
[0274][0275]
其中γ是联邦学习学习率，f(
·
)是单个样本的损失函数；
[0276]
在调度设备本地联邦学习更新结束后，将本地联邦学习模型参数发送到相连的基站或各无线接入点，随后所述各无线接入点将接收到的各本地模型参数通过有线链路转发到基站端；
[0277]
可选的，一种具体实现方式中，基站根据接收到的各本地联邦学习模型参数，更新全局联邦学习模型，具体形式为：
[0278][0279]
随后基站将全局联邦学习模型广播至所有用户设备，进行循环迭代，直至收敛或达到最大迭代次数。
[0280]
可选的，一种具体实现方式中，所述当前联邦学习训练轮次，所述各个用户设备发送功率约束包括：
[0281][0282]
其中为所述当前联邦学习训练轮次各个用户设备能向与其相关联的基站或无线接入点提供的上传发射功率最大值；
[0283]
所述各个用户设备处理器频率约束包括：
[0284][0285]
其中θ
max
为所述当前联邦学习训练轮次各个用户设备进行联邦学习计算时提供的处理器频率最大值；
[0286]
所述各个用户设备能量消耗约束包括：
[0287][0288]
其中e
max
为所述当前联邦学习训练轮次，各个用户设备进行联邦学习计算时提供的能量消耗最大值；
[0289]
所述关于用户设备、基站、无线接入点和上行子信道的匹配关系约束包括第一关系约束公式和第二关系约束公式；
[0290]
其中，所述第一关系约束公式为：
[0291][0292]
所述第一关系约束公式表示：若用户设备k被调度参与当前联邦学习训练轮次，则用户设备k有且只被分配一个上行子信道；
[0293]
所述第二约束关系公式为：
[0294][0295]
第二关系约束公式表示：关联同一基站或无线接入点的用户设备的上行子信道彼此正交。
[0296]
所述信息获取与方案确定模块310包括：
[0297]
信息获取与方案确定子模块，用于获取各信道状态信息与各用户设备本地样本数，并基于所获取的各信道状态信息、用户设备本地样本数与预设的各个用户设备上行传输功率约束、预设的各个用户设备处理器频率约束、预设的各个用户设备能量消耗约束、以及预设的关于用户设备、基站和上行子信道的匹配关系约束，求解预设的联邦学习误差与延迟优化方程，确定当前联邦学习轮次的用户设备调度与资源分配方案；其中，所述联邦学习误差与延迟优化方程为：其中，所述联邦学习误差与延迟优化方程为：
[0298][0299]
其中，δ
t
、p
t
和θ
t
为所述联邦学习误差与延迟优化方程的优化变量。并若小化全局损失函数f(w
t
)，可通过减小实现。当给定全局模型广播延迟恒定，可转化为如下转化后的联邦学习误差与延迟优化方程：
[0300][0301]
可选的，一种具体实现方式中，所述信息获取与方案确定子模块，具体用于：
[0302]
基于所获取的各信道状态信息、用户设备本地样本数、预设的各用户设备上行传输功率约束、预设的各用户设备处理器频率约束、预设的各用户设备能量消耗约束、以及预设的关于用户设备、基站和上行子信道的匹配关系约束，求解预设的转化后的联邦学习误差与延迟优化方程，得到所述当前联邦学习轮次设备调度与资源分配方案的步骤，包括：
[0303]
以转化后的联邦学习误差与延迟优化方程为适应度函数的基于遗传算法的用户设备调度方案获取，优化设备调度因子给定用户设备调度方案下的联邦学习延迟优化方程为遗传算法提供部分适应度数值，联邦学习延迟优化方程具体形式为：
[0304][0305]
其中k'是的用户设备集合。
[0306]
根据预设的各个用户设备上行传输功率约束、预设的各个用户设备处理器频率约束、预设的各个用户设备能量消耗约束、以及预设的关于用户设备、基站和上行子信道的匹配关系约束，将所述联邦学习延迟优化方程拆分为第一子优化方程和第二子优化方程；其中，所述第一子优化方程的优化变量为：每个被调度用户设备和每个上行子信道的匹配因子，第二子优化方程的优化变量为：每个被调度用户设备的上行传输功率和处理器频率；
[0307]
基于所获取的用户设备调度方案与被调度用户设备的上行传输功率和处理器频率求解所述第一子优化方程，基于所获取的用户设备调度方案与每个被调度用户设备和每个上行子信道的匹配因子求解所述第二子优化方程，得到所述当前联邦学习轮次当前设备调度方案的目标资源分配方案，为所述基于遗传算法的设备调度提供适应度数值。
[0308]
可选的，一种具体实现方式中，所述第一子优化方程为：
[0309][0310]
并且，所述第一子优化方程具有如下约束条件：
[0311][0312]
可选的，一种具体实现方式中，所述第二子优化方程为：
[0313][0314]
并且，所述第二子优化方程具有如下约束条件：
[0315][0316]
相应于上述本发明实施例提供的一种无线联邦学习设备调度与资源分配方案，本发明实施例还提供了一种电子设备，该电子设备为无线分层边缘网络中的控制设备，并且，该无线分层边缘网络中还可以包括一个基站、多个无线接入点、多个用户设备，以及多个子信道。
[0317]
如图4所示，该电子设备包括处理器401、通信接口402、存储器403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信，
[0318]
存储器403，用于存放计算机程序；
[0319]
处理器401，用于执行存储器403上所存放的程序时，实现上述本发明实施例提供的任一无线联邦学习设备调度与资源分配方法的步骤。
[0320]
以上所述仅是对本发明的优选实施例及原理进行了详细说明，并非用于限定本发明的保护范围。对本领域的普通技术人员而言，依据本发明提供的思想，凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均应视为本发明的保护范围。

技术特征：
1.一种无线联邦学习设备调度与资源分配方法，其特征在于：包括如下步骤：s1、在各用户设备接收到基站广播的联邦学习模型后，基站与各无线接入点获取当前信道状态信息与用户设备本地样本数；基于所获取的当前信道状态信息、用户设备本地样本数与预设的各个用户设备上行传输功率约束、预设的各个用户设备处理器频率约束、预设的各个用户设备能量消耗约束、以及预设的关于用户设备、基站和上行子信道的匹配关系约束，进行设备调度，并对各用户设备上行传输功率、处理器频率、上行子信道进行分配，获得目标设备调度与资源分配方案；其中，所述目标设备调度与资源分配方案包括：各用户设备调度、各用户设备上行子信道分配、各用户设备的上行传输功率、各用户设备的处理器频率；s2、各用户设备按设备调度与资源分配方案接入无线分层边缘网络，调度设备在本地联邦学习更新结束后，将本地联邦学习参数发送至基站或各无线接入点，随后各无线接入点将接收到的各本地模型参数通过有线链路转发到基站端；s3、基站根据接收到的各本地联邦学习参数，更新全局联邦学习模型；随后基站将全局联邦学习模型广播至所有用户设备，进行循环迭代，直至收敛或达到最大迭代次数。2.根据权利要求1所述的无线联邦学习设备调度与资源分配方法，其特征在于，步骤s1中，在无线分层边缘网络中，所有用户设备集合表示为基站与所有无线接入点集合表示为其中i＝0表示基站，其余表示各无线接入点；用户设备k包含有d
k
个样本的本地数据集其中是n维输入向量，是x
k,j
的标签；当前联邦学习训练轮次有上行子信道分配方案：其中表示用户设备k与上行子信道n的匹配因子，若则当前联邦学习训练轮次上行子信道n被分配给用户设备k，否则，当前联邦学习训练轮次上行子信道n未被分配给用户设备k，共有n个上行子信道；当前联邦学习训练轮次有上行传输功率分配方案：其中表示用户设备k当前联邦学习训练轮次的上行传输功率；当前联邦学习训练轮次有用户设备处理器频率分配方案：其中表示用户设备k当前联邦学习训练轮次的处理器频率；当前联邦学习训练轮次有设备调度方案：其中表示设备调度因子，若则用户设备k参与当前轮次联邦学习，否则，用户设备k不参与当前联邦学习训练轮次。3.根据权利要求1所述的无线联邦学习设备调度与资源分配方法，其特征在于，步骤s1
中，用户设备k进行联邦学习模型本地更新的计算时延为：其中，κ
k
是用户设备k计算联邦学习模型的每一位数据所需的处理器周期数，z(w)是联邦学习模型大小；用户设备k的计算能量消耗为：其中，是用户设备k处理器的电容系数；每个调度用户设备k的模型上传速率为：其中，b
u
是一个上行子信道的带宽；α是路径损耗指数；n0是噪声功率谱密度；d
i,k
是用户设备k与基站或无线接入点i间的地理距离，是用户设备k与基站或无线接入点i间在上行子信道n上的小尺度衰落；表示用户设备k与基站或无线接入点i的匹配因子，当用户设备k被调度参与当前轮次联邦学习，其上行方向上与接收到用户设备k的最高平均上行链路功率的基站或无线接入点i相连，此时调度用户设备k的模型上传时延为：调度用户设备k的模型上传能量消耗为：调度用户设备k的总能量消耗为：根据设备调度因子存在最优调度与当前调度误差上界：基站广播传输速率为：其中b
d
是基站广播带宽，p
bs
是基站广播功率，是用户设备k与基站间的小尺度衰落；当前轮次联邦学习的总时延为：
4.根据权利要求1所述的无线联邦学习设备调度与资源分配方法，其特征在于，步骤s1中，基站根据接收到的各本地联邦学习模型参数，更新全局联邦学习模型，具体形式为：5.根据权利要求1所述的无线联邦学习设备调度与资源分配方法，其特征在于，步骤s1中，当前联邦学习训练轮次，各个用户设备发送功率约束包括：其中为所述当前联邦学习训练轮次各个用户设备能向与其相关联的基站或无线接入点提供的上传发射功率最大值；各个用户设备处理器频率约束包括：其中θ
max
为所述当前联邦学习训练轮次各个用户设备进行联邦学习计算时提供的处理器频率最大值；各个用户设备能量消耗约束包括：其中e
max
为所述当前联邦学习训练轮次，各个用户设备进行联邦学习计算时提供的能量消耗最大值；关于用户设备、基站、无线接入点和上行子信道的匹配关系约束包括第一关系约束公式和第二关系约束公式；其中，所述第一关系约束公式为：第一关系约束公式表示：若用户设备k被调度参与当前联邦学习训练轮次，则用户设备k有且只被分配一个上行子信道；所述第二约束关系公式为：第二关系约束公式表示：关联同一基站或无线接入点的用户设备的上行子信道彼此正交。6.根据权利要求1所述的无线联邦学习设备调度与资源分配方法，其特征在于，步骤s1中，确定当前联邦学习轮次内的目标设备调度与资源分配方案的过程如下：联邦学习误差与延迟优化方程为：
其中，δ
t
、p
t
和θ
t
为所述联邦学习误差与延迟优化方程的优化变量；联邦学习误差与延迟优化方程满足如下预设条件公式：其中，为各用户设备的上传发射功率约束，表示：目标设备调度与资源分配方案中，各个用户设备的上传发射功率不大于最大上传发射功率其中，为各用户设备的处理器频率约束，表示：目标设备调度与资源分配方案中，各个用户设备的处理器频率不大于最大处理器频率θ
max
；其中，为各用户设备的能量消耗约束，表示：目标设备调度与资源分配方案中，各个用户设备的能量消耗不大于最大能量消耗e
max
；其中，为各个用户设备的上行子信道约束，表示：若用户设备k被调度参与当前联邦学习训练轮次，则用户设备k有且只被分配一个上行子信道，否则用户设备k不被分配上行子信道；其中，为各个子信道约束，表示：关联同一基站或无线接入点的用户设备的上行子信道彼此正交。7.根据权利要求1所述的无线联邦学习设备调度与资源分配方法，其特征在于，步骤s2中，各用户设备按设备调度与资源分配方案接入无线分层边缘网络，随后进行本地联邦学习模型更新，具体形式为：其中，是用户设备k的损失函数，具体形式为：其中γ是联邦学习学习率，f(
·
)是单个样本的损失函数。8.根据权利要求1所述的无线联邦学习设备调度与资源分配方法，其特征在于，步骤s3中，基站根据接收到的各本地联邦学习模型参数，更新全局联邦学习模型，具体形式为：
随后基站将全局联邦学习模型广播至所有用户设备，进行循环迭代，直至收敛或达到最大迭代次数。9.一种无线联邦学习设备调度与资源分配系统，其特征在于，包括以下模块以实现权利要求1-8任一项所述的无线联邦学习设备调度与资源分配方法：信息获取与方案确定模块，用于获取各信道状态信息与各用户设备本地样本数，并基于所获取的各信道状态信息、用户设备本地样本数与预设的各个用户设备上行传输功率约束、预设的各个用户设备处理器频率约束、预设的各个用户设备能量消耗约束、以及预设的关于用户设备、基站和上行子信道的匹配关系约束，进行设备调度，并对各用户设备上行传输功率、处理器频率、上行子信道进行分配，获得目标设备调度与资源分配方案；其中，所述目标设备调度与资源分配方案包括：各用户设备调度、各用户设备上行子信道分配、各用户设备的上行传输功率、各用户设备的处理器频率；设备调度与资源分配模块，用于控制一个基站、多个无线接入点和多个终端设备，按照设备调度与资源分配方案，为自身分配所对应的资源，完成调度设备的联邦学习本地模型更新与上传；模型聚合处理模块，用于控制基站根据接收到的各本地联邦学习参数，更新全局联邦学习模型；随后基站将全局联邦学习模型广播至所有用户设备，进行循环迭代，直至收敛或达到最大迭代次数。10.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口、存储器通过通信总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序时，实现权利要求1-8任一项所述的无线联邦学习设备调度与资源分配方法。

技术总结
本发明公开了一种无线联邦学习设备调度与资源分配方法、装置及电子设备，综合考虑了所获取当前信道状态信息和用户设备本地样本数，改善无线联邦学习误差与时延；并且预设的各用户设备上行传输功率约束保证在用户设备上行传输功率不超过最大值；预设的各用户设备处理器频率约束保证在用户设备计算时处理器频率不超过最大值；预设的各用户设备能量消耗约束保证在用户设备每轮次联邦学习的能量消耗不超过最大值；预设的关于用户设备、基站和子信道的匹配关系约束保证调度设备被分配有且只有一个上行子信道，且同一基站或无线接入点下的用户设备所占用的上行子信道彼此正交，提高了无线分层边缘网络中资源利用率及无线分层边缘网络中的联邦学习性能。分层边缘网络中的联邦学习性能。分层边缘网络中的联邦学习性能。


技术研发人员：张波 袁金祥 孙浩峰 赵耀忠 张集 郑安 李国鹏 张安萍 王梓宇 房圆武
受保护的技术使用者：华能伊敏煤电有限责任公司
技术研发日：2023.05.23
技术公布日：2023/8/9