(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210771115.5 (22)申请日 2022.06.30 (71)申请人 东南大学 地址 211102 江苏省南京市江宁区东 南大 学路2号 (72)发明人 陶云蔚　张敏　王志恒　张玲玲　 陈世泽　蒋雁翔　 (74)专利代理 机构 南京瑞弘专利商标事务所 (普通合伙) 32249 专利代理师 孙建朋 (51)Int.Cl. G06F 16/957(2019.01) G06F 9/50(2006.01) G06N 20/00(2019.01) G06N 7/00(2006.01) (54)发明名称 雾无线接入网中基于联邦贝叶斯学习的流 行度预测方法 (57)摘要 本发明公开了一种雾无线接入网中基于联 邦贝叶斯学习的流行度预测方法， 包含如下步 骤： 1、 根据对内容请求的先验知识， 构建内容请 求到达概率模型； 2、 根据训练数据， 每个设备利 用随机方差减小梯度对模 型梯度进行更新； 3、 对 更新后的梯度进行量化、 编码后传输到服务器 端； 4、 服务器端进行梯度聚合， 并按照哈密顿蒙 特卡洛方法进行采样； 5、 对存在于内容库中的内 容和不存在于内容库中的内容分别做流行度预 测。 本发明有效地利用多个边缘节 点的计算资源 和本地数据集， 高效地训练全局模型。 本发明还 采用了基于量化、 编码的联邦贝 叶斯学习， 在精 度和通信开销之间达到有效权衡， 同时可以加速 收敛速度， 减少预测误差 。 权利要求书2页 说明书4页 附图4页 CN 115080888 A 2022.09.20 CN 115080888 A 1.一种雾无线接入网中基于联邦贝叶斯学习的流行度预测方法， 其特征在于， 包括以 下步骤： 步骤1、 根据内容请求的随机到达方式， 第f个内容在第n个时隙的请求数满足泊松分布 并建立对应的概率模型， 其中rcf[n]表示第f个内容在第n 个时隙的请求数， 看成内容流行度， λf(xf)表示所服从泊松分布的到达率是Q维内容特征向 量xf的函数； 步 骤 2 、记 录 内 容 库 里 已 有 内 容 的 从 第 1 个 到 第 N 个 时 隙 的 请 求 数 量 及对应的Q维内容特征向量[x1， x2，…， xf]T作为训练数据， 上标 T表示矩阵的转置； 每 个设备基于 本地训练数据集更新模型的梯度； 步骤3、 将步骤2计算之后的梯度依次进行量 化、 编码后传输 到服务器端； 步骤4、 服务器端对收到的结果进行解码， 并分配不同权重进行联邦聚合， 之后并按照 哈密顿蒙特卡洛方法进行采样； 步骤5、 根据存在于内容库内和不存在于内容库内的内容进行分类， 对于已存在于内容 库中的内容c1～cF， 计算其流行度 表示在给定内容观察 的情况下， 计算 内容库中所有内容在下一时隙的流行度的期望， 其中， 对于不存在于 内容库当中的、 即将到来的新内容cF+1， 计算其在下一时隙流行度E(rF+1[N+1]|xF+1)， 表示基 于其Q维内容特 征向量xF+1， 计算该内容在下一时隙流行度的期望 。 2.根据权利要求1所述的雾无线接入网中基于联邦贝叶斯学习的流行度预测方法， 其 特征在于， 所述 步骤3具体包括以下步骤： 步骤3.1、 根据计算得到的梯度结果v， 将向量的每个分量vi结果通过量化器Qi(v， s)＝| |v||2·sgn(vi)ξi(v， s)后输出， 其中||v||2表示向量的模长， sgn(vi)用于表示第i个分量的 符号， 约定sgn(0)＝1， ξi(v， s)表示用于 量化的随机变 量， s为量化级别， 对 每个ξi(v， s)， 令0 ≤li＜s为一正整数使得|vi|/||v||2∈[li/s， li+1/s]， ξi(v， s)的定义如下： 式中 其中p表示取值 概率； 步骤3.2、 对于每个梯度， 只需要传输一次 向量的模长||v||2； 对于每个分量的量化结果 Qi(v， s)， 将其对应的量化等级s ·ξi(v， s)经过ELIAS递归编码后传输至服务器； 此外， 还要 传输Qi(v， s)的符号。 3.根据权利要求2所述的雾无线接入网中基于联邦贝叶斯学习的流行度预测方法， 其 特征在于， 所述 步骤4具体包括以下步骤： 步骤4.1、 对接收到的编码结果进行解码， 得到梯度向量； 步骤4.2、 根据每个联邦学习参与者的数据集大小， 分配对应的聚合权重进行聚合， 得 到全局梯度， 该梯度聚合了每 个联邦学习参与者的梯度信息；权　利　要　求　书 1/2 页 2 CN 115080888 A 2步骤4.3、 根据全局梯度进行哈密顿蒙特卡洛采样， 迭代采样样本， 得到S个平稳分布的 样本 权　利　要　求　书 2/2 页 3 CN 115080888 A 3