本技术介绍了一种优化的D2D配对及设备调度方法,适用于联邦边缘学习环境,旨在提升设备参与度和数据共享效率。该方法通过构建支持D2D通信的联邦边缘学习架构,专注于设备配对方式和调度策略,特别关注通信丢包和数据异构性对模型收敛的影响。其核心目标是解决基站频谱资源限制导致的设备接入限制问题。该方法通过设备关联调度策略增强系统的通信弹性,引入公平性约束确保设备参与机会,并通过D2D通信提升基站接入能力,优化边缘联邦学习性能,同时在满足接收容量限制的前提下最小化全局损失。
背景技术
得益于5G/IoT技术的快速发展,物联网设备数量呈指数级增长,随着越来越多的物联网设备接入物联网,在无线网络边缘产生了大量数据。为了利用这些宝贵的数据资源,传统的机器学习将它们上传到中央服务器进行训练。然而,该过程可能会导致设备隐私数据泄露,并造成数据滥用的恶劣效果,于是提出了一种部署在网络边缘的联邦边缘学习系统以克服上述问题,其允许参与模型训练的边缘设备在不暴露本地数据的同时协同训练全局模型。遗憾的是,联邦边缘学习的部署目前面临两个实际挑战:有限的频谱资源和数据异构性。具体而言,受并发处理能力和频谱资源约束,边缘基站无法同时支持海量物联网设备的传输服务,仅能够允许少量设备进行单轮集中式访问,从而较大程度上限制了设备参与全局模型训练的程度,对模型收敛性能产生负面影响。此外,大规模分布式设备的本地数据集通常具有统计异构性和高度冗余性,容易导致模型收敛缓慢甚至模型漂移,特别是当每轮训练只有有限数量的设备参与时。现有研究考虑通过设备到设备(Device-to-Device,D2D)通信增加每轮参与训练设备数量来提高模型收敛性能的同时缓解基站的访问约束,但受不可靠通信环境的影响,模型传输过程中存在潜在的数据包丢失及设备可用性约束问题,设备间本地数据集的不平衡特性也会对各训练轮中的设备D2D关联及调度策略产生影响。因此,在复杂通信环境下的联邦边缘学习系统中设计一个安全可靠且保障学习性能的D2D关联调度方案需要进行研究。
所以如何解决上述提出的问题,成为当前急需解决的难题。
实现思路