(19)中华 人民共和国 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 202111316422.6 (22)申请日 2021.11.08 (71)申请人 北京工业大 学 地址 100124 北京市朝阳区平乐园10 0号 (72)发明人 孙恩昌　张卉　何若兰　屈晗星　 张冬英　杨睿哲　李萌　孙艳华　 司鹏搏　 (74)专利代理 机构 北京思海天达知识产权代理 有限公司 1 1203 代理人 沈波 (51)Int.Cl. H04W 4/44(2018.01) H04W 24/02(2009.01) G06N 20/00(2019.01) (54)发明名称 一种车联网环境下基于联邦学习的无线资 源分配和通信优化方法 (57)摘要 本发明公开了一种车联网环境下基于联邦 学习的无线资源分配和通信优化方法， 该方法基 于车联网环境中基站与车辆用户设备的交互构 建系统模型， 利用Jonker  Volgenant、 遍历和随 机梯度量化算法， 对车联网环 境下基于联邦学习 的无线资源分配和通信过程进行优化。 该方法首 先利用Jonker  Volgenant算 法， 根据车辆用户设 备通信的信道状态和数据集大小迭代求出车辆 用户与无线资源块的最佳匹配； 然后， 提出采用 遍历算法选择训练性能高的车辆用户以高效和 快速地构建全局模型； 最后， 提出采用随机梯度 量化算法来优化联邦学习上行链路的通信过程， 旨在减少车辆用户传输至基站模型参数的比特 大小， 以节省车辆用户的通信资源， 提高收敛精 度和最小化训练损失。 权利要求书3页 说明书6页 附图3页 CN 114051222 A 2022.02.15 CN 114051222 A 1.一种车联网环境下基于联邦学习的无线资源分配和通信优化方法， 其特征在于， 包 括以下步骤： S1、 基站与车辆用户设备交互时， 基站收集车辆用户设备工作的基本信息， 同时进行初 始化过程； S2、 基站判断步骤S1收集车辆用户信息用于训练本地模型参数、 传输本地模型训练参 数至基站和接 收全局模型参数的延迟及用于训练和传输参数至基站的能耗是否满足预设 门限值， 若是则执 行步骤S3， 否则返回S1； S3、 基站根据车辆用户通信的信道状态和数据集大小， 对满足S2预设门限值条件的车 辆用户利用Jo nker Volgenant算法对当前满足要求的车辆用户设备分配无线资源块； S4、 基站采用遍历算法判断车辆用户设备用于训练和传输本地模型训练参数的延迟以 及能耗是否满足预设门限值， 若是则参与联邦学习的迭代过程， 否则返回S1； S5、 参与迭代过程的车辆用户设备采用随机梯度量化算法对本地模型训练参数进行 Elias编码压缩， 然后将其传输 至基站； S6、 基站对接收的模型参数进行Elias解码并加权聚合， 将聚合更新后的全局模型参数 广播至各个车辆用户设备； S7、 车辆用户设备根据基站传输的全局模型参数更新本地模型训练参数， 返回所述步 骤S1。 2.如权利要求1所述的一种车联网环境下基于联邦学习的无线资源分配和通信优化方 法， 其特征在于， 所述步骤S1收集的车辆用户设备工作的基本信息包括车辆用户设备工作 的基本参 数， 用户设备n的有效电容系数σn， 用户设备n的CPU 工作频率fn和用户设备n处理一 个参数所需要的CPU周期数cn， 同时进行初始化过程， 包括车辆用户设备的数据集、 本地模 型参数， 可 得出车辆用户设备n和基站的参数传输 速率， 分别表示 为： 其中Bu和Bd分别表示车辆用户传输本地模型训练参数至基站上行链 路和基站传输全局 模型参数至车辆用户下行链路的传输带宽， N0表示噪声功 率谱密度， pn和pB分别表示车辆用 户设备n和基站传输模型参数的功率， hn表示车辆用户设备n和基站之间的信道增益， I ′n和 I′B表示不参与FL算法的车辆用户和基站对参与FL 算法的车辆用户和基站的干扰。 3.如权利要求2所述的一种车联网环境下基于联邦学习的无线资源分配和通信优化方 法， 其特征在与， 所述步骤S2车辆用户n用于训练本地模型参数、 传输本地模型训练参数至 基站和接收全局模型参数的延迟表示 为： 其中 和 分别表示车辆用户在 每一次迭代 过程中的本地模型训练延迟、 上行链路 的参数传输延迟、 下行链路接收参数的延迟， 总延迟表示为 w表示车辆用户的 本地模型训练参数， H(w)表示车辆用户传输至基站的本地模型训练参数大小， g表 示全局模 型参数， H(g)表示基站广播至各个车辆用户全局模型参数的大小， Kn表示车辆用户n本地训 练数据集的大小； 车辆用户在每一次迭代过程中用于训练本地模型和传输本地模型训练参数至基站的 能耗分别表示 为：权　利　要　求　书 1/3 页 2 CN 114051222 A 2每一次迭代过程的总能耗表示 为 4.如权利要求3所述的一种车联网环境下基于联邦学习的无线资源分配和通信优化方 法， 其特征在于， 所述 步骤S3包括以下分步骤： S31、 车辆用户设备通信的信道状态和数据集大小联合表示 为： Z＝Kn(qn， D‑1) 其中 表示无线信道中的分组错 误率； S32、 采用Jonker  Volgenant算法根据车辆用户设备通信的信道状态和 数据集大小寻 找车辆用户与无线资源块之间的最优匹配， 使总成本最小； 首先给定三组对象A＝[u1， u2， ...， uN]， B＝[r1， r2， ...， rN]及C＝c[a， b]∈RN×N， 分别表示满足S2要求的车辆用户、 无线 资源块向量及寻找最优匹配时的成本矩阵； 车联网环境下车辆用户与无线资源块向量的最 优匹配问题 表示为： minimize ∑abc[a， b]·x[a， b] s.t. ∑bx[a， b]＝1(a＝1. ..N) ∑ax[a， b]＝1(b＝1. ..N) x[a， b]≥0  a， b＝(1. ..N) 其中， c[a， b]为将无线资源块分配给车辆用户时的成本矩阵， a表示成本矩阵C的行， b 表示成本矩阵C的列， x[a， b]为二进制矩阵， x[a， b]＝1， 表示车辆用户ua对应于无线资源块 向量rb， 否则为0； S33、 将无线资源分配问题视为 最小化成本的求 解问题表述如下： maximum ∑au[a]+∑bv[b] s.t. c[a， b]‑u[a]‑v[b]≥0(a， b＝1. ..N) 上述最小化成本问题的求解， 是无线资源分配的关键步骤， 即构建辅助网络， 寻找增广 路径， 迭代直至找到车辆用户设备与无线资源块的一一对应关系； 构建辅助网络后， 更新最 小化成本问题中u[a]和v[b]的值： c[a， k]‑u[a]‑v[k]＝0 if x[a]＝k(a＝1...N)    (1) c[a， b]‑u[a]‑v[b]≥0(a， b＝1. ..N)    (2) 将(1)和(2)结合得： c[a， k]‑v[k]≤c[a， b]‑v[b]。 5.如权利要求4所述的一种车联网环境下基于联邦学习的无线资源分配和通信优化方 法， 其特征在于， 所述步骤S4中车辆用户设备n用于本地训练和传输本地模型训练参数的总 延迟表示 为： 在每一迭代过程中， 车辆用户设备用于本地模型训练和传输本地模型训练参数至基站 的能耗表示 为：权　利　要　求　书 2/3 页 3 CN 114051222 A 3