毕设之：对于问题的再明确（3.3）

对于问题的再明确

解决问题背景

三个基站，都能够连接到所有的用户（可以设置为部分连不到），现在要完成一个FL任务（Minist识别），基站挑选合适的用户并分簇。

一言以蔽之

基站收集用户设备的功耗、时延信息，进行数学建模；转化为二部图问题，通过匈牙利算法确定匹配，完成分簇。

• 功耗？待机功率+计算功率+通信功率

  • 通信功率：发射天线功率+数据量得到。

• 时延？通信时延+计算时延

  • 通信时延：城市环境，瑞利信道增益；香农公式计算上下行速率，进而得到时延。
    • 同一个设备连接不同的基站，其信道质量不同。
  • 计算时延，给定计算的数据量、CPU频率、指令轮数，得到时延。
    • 不同设备的计算能力不同，有的设备因为老化等原因，计算很慢。

• 二部图？

我们所建数学模型的输出就是二部图连线的权重，随后用匈牙利算法得到权重和最小的匹配，也就实现了时延和功耗最小的分簇。

可行性及测试验证

最后测试，是想着把通过分簇后得到的FL网络架构，和随机分簇的FL网络架构，训练同一个Minist网络，看最后的耗时、功耗、神经网络精度。

理论上，由于我们初始化的时候，每个设备的计算能力、信道水平都随机初始化了，那么经过我们的算法，必然挑出来的是时延少、功耗低的分簇。

另外，在总功耗有限制的情况下，随机选择由于功耗高的单个设备被选上了，那么总的备选设备数量就小，导致模型训练数据量少了，最后的网络精度肯定下降。

测试验证方面，使用pysyft，能够实现对远端客户机模型的手动聚合（为了分簇，我们必须手动控制它的模型平均以及参数平均），对于并行训练，可以串行计算，但是最后统计时间的时候修改即可。

学习这种自定义网络结构

进阶版

我们之前做的，感觉只是个建模+分配问题，同样的在别的论文也有做（虽然他们主要是对资源如RB进行分配，而我们站在了一个分簇的角度上），如果接下来还要显得专业一些的话，就是针对数据分布不均匀，进行调整：

显然，数据分布不均匀会影响模型精度（比如手写数字识别，数字“1”占了大部分），但是由于隐私问题，我们没法直接获取每个用户其数据的分布情况，因此采用一种FedTrace，通过对设备们在训练过程中损失下降的情况进行聚类，然后根据聚类结果，让中心server在模型聚合的时候加上权重，这样就能够减少一些数据分布不均匀带来的影响。

在前面分簇好的基础上，每个簇内再进行一个这么加权。

当然，这个进阶版需要更多的时间和精力去实现（看毕设需不需要做到这个程度了）。

问题和困难

困难也就是毕设实现的三步，1. 建立数学模型（通信部分的公式和匈牙利算法的公式推导），2. 用pytorch实现FL整个算法（需要时间熟悉和实现代码），3. 调整参数和对比测试。

问题：所做工作的难度到底够不够，如果可以的话接下来就冲冲冲！