该论文荣获2023年度IEEE马可尼论文奖(Marconi Prize Paper Award) ,特记录拜读过程。
文章贡献:
- 新颖的FL模型:上行链路传输带宽有限;基站选择合适的用户;考虑数据包传输错误对模型训练的影响
- 问题描述:基站优化RB资源分配、用户优化发射功率分配,以降低用户数据包错误率,提高FL性能
- 公式推导:FL预期收敛速度闭式表达式,用于解决优化问题
- 实验验证:用户的发射功率、基站的RB分配和用户选择,以及FL学习率、批次大小对FL在无线网络的影响。
1 系统模型
min w 1 , … , w U 1 K ∑ i = 1 U ∑ k = 1 K i f ( w i , x i k , y i k ) , ( 1 ) s. t. w 1 = w 2 = … = w U = g , ( 1 a ) \begin{aligned} & \min _{\boldsymbol{w}_1, \ldots, \boldsymbol{w}_U} \frac{1}{K} \sum_{i=1}^U \sum_{k=1}^{K_i} f\left(\boldsymbol{w}_i, \boldsymbol{x}_{i k}, y_{i k}\right), \quad(1)\\ & \text { s. t. } \boldsymbol{w}_1=\boldsymbol{w}_2=\ldots=\boldsymbol{w}_{\mathrm{U}}=\boldsymbol{g},\quad(1a) \end{aligned} w1,…,wUminK1i=1∑Uk=1∑Kif(wi,xik,yik),(1) s. t. w1=w2=…=wU=g,(1a)
Ki:用户i的训练数据的大小
全局模型更新:
g
t
=
∑
i
=
1
U
K
i
w
i
,
t
K
,
(
2
)
\boldsymbol{g}_t=\frac{\sum_{i=1}^U K_i \boldsymbol{w}_{i, t}}{K},\quad(2)
gt=K∑i=1UKiwi,t,(2)
2 传输模型
上行链路,OFDMA技术,每个用户占用1个RB
上行传输速率:
c
i
U
(
r
i
,
P
i
)
=
∑
n
=
1
R
r
i
,
n
B
U
E
h
i
(
log
2
(
1
+
P
i
h
i
I
n
+
B
U
N
0
)
)
,
(
3
)
c_i^{\mathrm{U}}\left(\boldsymbol{r}_i, P_i\right)=\sum_{n=1}^R r_{i, n} B^{\mathrm{U}} \mathbb{E}_{h_i}\left(\log _2\left(1+\frac{P_i h_i}{I_n+B^{\mathrm{U}} N_0}\right)\right),\quad(3)
ciU(ri,Pi)=n=1∑Rri,nBUEhi(log2(1+In+BUN0Pihi)),(3)
r i = [ r i , 1 , … , r i , R ] \boldsymbol{r}_i=\left[r_{i, 1}, \ldots, r_{i, R}\right] ri=[ri,1,…,ri,R]
ri,n:表示未被分配RB,1表示用户i被分配1个RB,ri,n对RB序列n求和等于1
BU:每个RB的带宽
Pi:用户i的传输功率
hi=oidi2:信道增益,di是距离,oi是瑞利衰落参数
Ehi:是相对于hi的期望值
In:其它BS对该BS中使用RB n的用户引起的干扰
N0:噪声功率谱密度
下行传输速率:
c
i
D
=
B
D
E
h
i
(
log
2
(
1
+
P
B
h
i
I
D
+
B
D
N
0
)
)
,
(
4
)
c_i^{\mathrm{D}}=B^{\mathrm{D}} \mathbb{E}_{h_i}\left(\log _2\left(1+\frac{P_B h_i}{I^{\mathrm{D}}+B^{\mathrm{D}} N_0}\right)\right),\quad(4)
ciD=BDEhi(log2(1+ID+BDN0PBhi)),(4)
BD:广播带宽
PB:BS的发射功率
ID:其它BS造成的干扰
上下行传输时延:
l
i
U
(
r
i
,
P
i
)
=
Z
(
w
i
)
c
i
U
(
r
i
,
P
i
)
,
(
5
)
l_i^{\mathrm{U}}\left(\boldsymbol{r}_i, P_i\right)=\frac{Z\left(\boldsymbol{w}_i\right)}{c_i^{\mathrm{U}}\left(\boldsymbol{r}_i, P_i\right)},\quad(5)
liU(ri,Pi)=ciU(ri,Pi)Z(wi),(5)
l i D = Z ( g ) c i D , ( 6 ) l_i^{\mathrm{D}}=\frac{Z(\boldsymbol{g})}{c_i^{\mathrm{D}}},\quad(6) liD=ciDZ(g),(6)
Z:模型参数的比特数
假设上下行传输的Z相同
3 数据包错误率
假设本地模型参数wi 作为一个数据包上传。
循环冗余校验机制(cyclic redundancy check,CRC) 用于检查BS接收到的模型参数数据错误。
C(wi)=0:表示BS收到的模型包含数据错误
q i ( r i , P i ) = ∑ n = 1 R r i , n q i , n , ( 7 ) q_i\left(\boldsymbol{r}_i, P_i\right)=\sum_{n=1}^R r_{i, n} q_{i, n},\quad(7) qi(ri,Pi)=n=1∑Rri,nqi,n,(7)
q i , n = E h i ( 1 − exp ( − m ( I n + B U N 0 ) P i h i ) ) q_{i, n}=\mathbb{E}_{h_i}\left(1-\exp \left(-\frac{m\left(I_n+B^{\mathrm{U}} N_0\right)}{P_i h_i}\right)\right) qi,n=Ehi(1−exp(−Pihim(In+BUN0)))
假设BS只使用正确的本地FL模型进行更新全局FL模型,传输错误时不要求重发。
全局聚合更新:
g
(
a
,
P
,
R
)
=
∑
i
=
1
U
K
i
a
i
w
i
C
(
w
i
)
∑
i
=
1
U
K
i
a
i
C
(
w
i
)
,
(
8
)
\boldsymbol{g}(\boldsymbol{a}, \boldsymbol{P}, \boldsymbol{R})=\frac{\sum_{i=1}^U K_i a_i \boldsymbol{w}_i C\left(\boldsymbol{w}_i\right)}{\sum_{i=1}^U K_i a_i C\left(\boldsymbol{w}_i\right)},\quad(8)
g(a,P,R)=∑i=1UKiaiC(wi)∑i=1UKiaiwiC(wi),(8)
C ( w i ) = { 1 , with probability 1 − q i ( r i , P i ) 0 , with probability q i ( r i , P i ) , ( 9 ) C\left(\boldsymbol{w}_i\right)= \begin{cases}1, & \text { with probability } 1-q_i\left(\boldsymbol{r}_i, P_i\right) \\ 0, & \text { with probability } q_i\left(\boldsymbol{r}_i, P_i\right)\end{cases},\quad(9) C(wi)={1,0, with probability 1−qi(ri,Pi) with probability qi(ri,Pi),(9)
a = [a1,…,aU]:用户被选择本地训练,1被选,0不被选
R = [r1,…,rU]:用户i是否被分配一个RB
P = [P1,…PU]:上行传输功率
分母是训练数据样本总数量
分析:用户i被选择可能不被分配RB,被分配RB后可能传输错误而不参与聚合,
-
被选择的用户都能被分配RB吗?如果不被分配,还被选择进行本地训练吗
被选就会分配RB
4 能耗模型
包括本地训练能耗+上行传输能耗:
e
i
(
r
i
,
P
i
)
=
ς
ω
i
ϑ
2
Z
(
w
i
)
+
P
i
l
i
U
(
r
i
,
P
i
)
,
(
10
)
e_i\left(\boldsymbol{r}_i, P_i\right)=\varsigma \omega_i \vartheta^2 Z\left(\boldsymbol{w}_i\right)+P_i l_i^{\mathrm{U}}\left(\boldsymbol{r}_i, P_i\right),\quad(10)
ei(ri,Pi)=ςωiϑ2Z(wi)+PiliU(ri,Pi),(10)
ϑ:每个用户i的中央处理器(CPU)时钟频率
ωi:用户i计算每个比特数据所需的CPU周期数,假设所有用户CPU周期数相等
ς:取决于每个用户i设备芯片的能耗系数
liU:上行传输延迟
由于BS 可以持续供电,我们在优化问题中不考虑 BS 的能耗
5 问题表述
优化目标是最小化训练损失,同时考虑无线网络参数,最小化问题包括优化发射功率分配、用户的资源分配,
min
a
,
P
,
R
1
K
∑
i
=
1
U
∑
k
=
1
K
i
f
(
g
(
a
,
P
,
R
)
,
x
i
k
,
y
i
k
)
,
(
11
)
s. t.
a
i
,
r
i
,
n
∈
{
0
,
1
}
,
∀
i
∈
U
,
n
=
1
,
…
,
R
,
(
11
a
)
∑
n
=
1
R
r
i
,
n
=
a
i
,
∀
i
∈
U
,
(
11
b
)
l
i
U
(
r
i
,
P
i
)
+
l
i
D
≤
γ
T
,
∀
i
∈
U
,
(
11
c
)
e
i
(
r
i
,
P
i
)
≤
γ
E
,
∀
i
∈
U
,
(
11
d
)
∑
i
∈
U
r
i
,
n
≤
1
,
∀
n
=
1
,
…
,
R
,
(
11
e
)
0
≤
P
i
≤
P
max
,
∀
i
∈
U
,
(
11
f
)
\begin{aligned} & \min _{\boldsymbol{a}, \boldsymbol{P}, \boldsymbol{R}} \frac{1}{K} \sum_{i=1}^U \sum_{k=1}^{K_i} f\left(\boldsymbol{g}(\boldsymbol{a}, \boldsymbol{P}, \boldsymbol{R}), \boldsymbol{x}_{i k}, y_{i k}\right),\quad(11)\\ & \text { s. t. } a_i, r_{i, n} \in\{0,1\}, \quad \forall i \in \mathcal{U}, n=1, \ldots, R \text {, } \quad(11a)\\ & \sum_{n=1}^R r_{i, n}=a_i, \quad \forall i \in \mathcal{U}, \quad(11b)\\ & l_i^{\mathrm{U}}\left(\boldsymbol{r}_i, P_i\right)+l_i^{\mathrm{D}} \leq \gamma_{\mathrm{T}}, \quad \forall i \in \mathcal{U}, \quad(11c)\\ & e_i\left(\boldsymbol{r}_i, P_i\right) \leq \gamma_{\mathrm{E}}, \quad \forall i \in \mathcal{U} \text {, } \quad(11d)\\ & \sum_{i \in \mathcal{U}} r_{i, n} \leq 1, \forall n=1, \ldots, R, \quad(11e)\\ & 0 \leq P_i \leq P_{\max }, \quad \forall i \in \mathcal{U}, \quad(11f)\\ & \end{aligned}
a,P,RminK1i=1∑Uk=1∑Kif(g(a,P,R),xik,yik),(11) s. t. ai,ri,n∈{0,1},∀i∈U,n=1,…,R, (11a)n=1∑Rri,n=ai,∀i∈U,(11b)liU(ri,Pi)+liD≤γT,∀i∈U,(11c)ei(ri,Pi)≤γE,∀i∈U, (11d)i∈U∑ri,n≤1,∀n=1,…,R,(11e)0≤Pi≤Pmax,∀i∈U,(11f)
γT :实施FL算法的延迟要求
γE :FL 算法的能耗
用户选择向量a、RB分配矩阵R和发射功率向量P在FL训练过程中不会改变,优化后的必须满足延迟和能耗要求。
6 收敛率分析
由于全局 FL 模型的更新取决于瞬时信号干扰加噪声比(SINR),只能分析 FL 的预期收敛速率。
用户采用标准梯度下降法更新本地模型:
w
i
,
t
+
1
=
g
t
(
a
,
P
,
R
)
−
λ
K
i
∑
k
=
1
K
i
∇
f
(
g
t
(
a
,
P
,
R
)
,
x
i
k
,
y
i
k
)
,
(
12
)
\boldsymbol{w}_{i, t+1}=\boldsymbol{g}_t(\boldsymbol{a}, \boldsymbol{P}, \boldsymbol{R})-\frac{\lambda}{K_i} \sum_{k=1}^{K_i} \nabla f\left(\boldsymbol{g}_t(\boldsymbol{a}, \boldsymbol{P}, \boldsymbol{R}), \boldsymbol{x}_{i k}, y_{i k}\right),\quad(12)
wi,t+1=gt(a,P,R)−Kiλk=1∑Ki∇f(gt(a,P,R),xik,yik),(12)
λ :学习率
全局更新:
F
(
g
)
=
1
K
∑
i
=
1
U
∑
k
=
1
K
i
f
(
g
,
x
i
k
,
y
i
k
)
F(\boldsymbol{g})=\frac{1}{K} \sum_{i=1}^U \sum_{k=1}^{K_i} f\left(\boldsymbol{g}, \boldsymbol{x}_{i k}, y_{i k}\right)
F(g)=K1i=1∑Uk=1∑Kif(g,xik,yik)
F i ( g ) = ∑ k = 1 K i f ( g , x i k , y i k ) F_i(\boldsymbol{g})=\sum_{k=1}^{K_i} f\left(\boldsymbol{g}, \boldsymbol{x}_{i k}, y_{i k}\right) Fi(g)=k=1∑Kif(g,xik,yik)
g t + 1 = g t − λ ( ∇ F ( g t ) − o ) , ( 13 ) g_{t+1}=g_{t}-\lambda\left(\nabla F\left(g_{t}\right)-o\right),\quad(13) gt+1=gt−λ(∇F(gt)−o),(13)
o = ∇ F ( g t ) − ∑ i = 1 U a i ∑ k = 1 K i ∇ f ( g , x i k , y i k ) C ( w i ) ∑ i U K i a i C ( w i ) o=\nabla F\left(g_{t}\right)-\frac{\sum_{i=1}^{U}a_{i}\sum_{k=1}^{K_{i}}\nabla f(\boldsymbol{g},\boldsymbol{x}_{ik},y_{ik})C(\boldsymbol{w}_{i})}{\sum_{i}^{U}K_{i}a_{i}C(\boldsymbol{w}_{i})} o=∇F(gt)−∑iUKiaiC(wi)∑i=1Uai∑k=1Ki∇f(g,xik,yik)C(wi)
一组假设:
∥
∇
F
(
g
t
+
1
)
−
∇
F
(
g
t
)
∥
≤
L
∥
g
t
+
1
−
g
t
∥
,
(
14
)
\left\|\nabla F\left(\boldsymbol{g}_{t+1}\right)-\nabla F\left(g_{t}\right)\right\|\leq L\|g_{t+1}-g_{t}\|,\quad(14)
∥∇F(gt+1)−∇F(gt)∥≤L∥gt+1−gt∥,(14)
F ( g t + 1 ) ≥ F ( g t ) + ( g t + 1 − g t ) T ∇ F ( g t ) + μ 2 ∥ g t + 1 − g t ∥ 2 , ( 15 ) \begin{aligned}F\left(g_{t+1}\right)\geq F\left(g_{t}\right)+\left(g_{t+1}-g_{t}\right)^{T}\nabla F\left(g_{t}\right)\\+\frac{\mu}{2}\|g_{t+1}-g_{t}\|^{2}\end{aligned},\quad(15) F(gt+1)≥F(gt)+(gt+1−gt)T∇F(gt)+2μ∥gt+1−gt∥2,(15)
μ I ⪯ ∇ 2 F ( g ) ⪯ L I , ( 16 ) \mu I\preceq\nabla^{2}F\left(\boldsymbol{g}\right)\preceq LI,\quad(16) μI⪯∇2F(g)⪯LI,(16)
∥ ∇ f ( g t , x i k , y i k ) ∥ 2 ≤ ζ 1 + ζ 2 ∥ ∇ F ( g t ) ∥ 2 with ζ 1 , ζ 2 ≥ 0. , \begin{array}{lllll}&\|\nabla f\left(\boldsymbol{g}_t,\boldsymbol{x}_{ik},y_{ik}\right)\|^2&\le&\zeta_1&+\\\zeta_2\|\nabla F\left(\boldsymbol{g}_t\right)\|^2&\text{with}&\zeta_1,\zeta_2\geq0.\end{array}, ζ2∥∇F(gt)∥2∥∇f(gt,xik,yik)∥2with≤ζ1,ζ2≥0.ζ1+,
定理1:损失函数与最优值的差值上界
E
(
F
(
g
t
+
1
)
−
F
(
g
∗
)
)
≤
A
t
E
(
F
(
g
0
)
−
F
(
g
∗
)
)
+
2
ζ
1
L
K
∑
i
=
1
U
K
i
(
1
−
a
i
+
a
i
q
i
(
r
i
,
P
i
)
)
1
−
A
t
1
−
A
⏟
Impoct of wineless faclors on FL convergence
,
(
17
)
\begin{aligned}\mathbb{E}\left(F\left(\boldsymbol{g}_{t+1}\right)-F\left(\boldsymbol{g}^{*}\right)\right)&\leq A^{t}\mathbb{E}\left(F\left(\boldsymbol{g}_{0}\right)-F\left(\boldsymbol{g}^{*}\right)\right)\\&+\underbrace{\frac{2\zeta_{1}}{LK}\sum_{i=1}^{U}K_{i}\left(1-a_{i}+a_{i}q_{i}\left(\boldsymbol{r}_{i},P_{i}\right)\right)\frac{1-A^{t}}{1-A}}_{\text{Impoct of wineless faclors on FL convergence}},\quad(17)\end{aligned}
E(F(gt+1)−F(g∗))≤AtE(F(g0)−F(g∗))+Impoct of wineless faclors on FL convergence
LK2ζ1i=1∑UKi(1−ai+aiqi(ri,Pi))1−A1−At,(17)
根据定理1,得出命题1:
0
<
ζ
2
<
K
max
P
,
R
4
∑
i
=
1
U
K
i
q
i
(
r
i
,
P
i
)
,
(
18
)
0<\zeta_{2}<\frac{K}{\underset{P,R}{\operatorname*{\max}}4\sum\limits_{i=1}^{U}K_{i}q_{i}\left(\boldsymbol{r}_{i},P_{i}\right)},\quad(18)
0<ζ2<P,Rmax4i=1∑UKiqi(ri,Pi)K,(18)
根据定理1,得出引理1:
E
(
F
(
g
t
+
1
)
−
F
(
g
∗
)
)
≤
(
1
−
μ
L
)
t
E
(
F
(
g
0
)
−
F
(
g
∗
)
)
,
(
19
)
\mathbb{E}\left(F\left(\boldsymbol{g}_{t+1}\right)-F\left(\boldsymbol{g}^{*}\right)\right)\leq\left(1-\frac{\mu}{L}\right)^t\mathbb{E}\left(F\left(\boldsymbol{g}_{0}\right)-F\left(\boldsymbol{g}^{*}\right)\right),\quad(19)
E(F(gt+1)−F(g∗))≤(1−Lμ)tE(F(g0)−F(g∗)),(19)
7 训练损失优化
优化问题转换为:
min
P
,
R
∑
i
=
1
U
K
i
(
1
−
∑
n
=
1
R
r
i
,
n
+
q
i
(
r
i
,
P
i
)
)
,
(21)
s
.
t
.
(
11
c
)
−
(
11
f
)
,
r
i
,
n
∈
{
0
,
1
}
,
∀
i
∈
U
,
n
=
1
,
…
,
R
,
(21a)
∑
n
=
1
R
r
i
,
n
≤
1
,
∀
i
∈
U
.
(21b)
\begin{aligned} &\min_{P,R} \sum_{i=1}^{U}K_{i}\left(1-\sum_{n=1}^{R}r_{i,n}+q_{i}\left(r_{i},P_{i}\right)\right), && \text{(21)} \\ &\mathrm{s.~t.} (11\mathrm{c})-(11\mathrm{f}), \\ &r_{i,n}\in\left\{0,1\right\},\quad\forall i\in\mathcal{U},n=1,\ldots,R,&& \text{(21a)} \\ &\sum_{n=1}^{R}r_{i,n}\leq1,\forall i\in\mathcal{U}.&& \text{(21b)} \end{aligned}
P,Rmini=1∑UKi(1−n=1∑Rri,n+qi(ri,Pi)),s. t.(11c)−(11f),ri,n∈{0,1},∀i∈U,n=1,…,R,n=1∑Rri,n≤1,∀i∈U.(21)(21a)(21b)
7.1 优化传输功率
命题2:用户i的最佳发射功率
P
i
∗
(
r
i
)
=
min
{
P
max
,
P
i
,
γ
E
}
,
(
22
)
P_{i}^{*}\left(\boldsymbol{r}_{i}\right)=\min{\{P_{\max},P_{i,\gamma_{\mathrm{E}}}\}},\quad(22)
Pi∗(ri)=min{Pmax,Pi,γE},(22)
ς ω i ϑ 2 Z ( w i ) + P i , γ E Z ( w i ) c i U ( r i , P i , γ E ) = γ E \varsigma\omega_{i}\vartheta^{2}Z\left(\boldsymbol{w_{i}}\right)+\frac{P_{i,\gamma_{\mathrm{E}}}Z(\boldsymbol{w_{i}})}{c_{i}^{\mathrm{U}}\left(\boldsymbol{r_{i}},P_{i,\gamma_{\mathrm{E}}}\right)}=\gamma_{\mathrm{E}} ςωiϑ2Z(wi)+ciU(ri,Pi,γE)Pi,γEZ(wi)=γE
分析:最佳发射功率取决于本地模型大小和每个RB中的干扰情况。
7.2 优化上行RB分配
基于命题2最佳发射功率和数据包错误率(7),问题21转换为 优化问题:
min
R
∑
i
=
1
U
K
i
(
1
−
∑
n
=
1
R
r
i
,
n
+
∑
n
=
1
R
r
i
,
n
q
i
,
n
)
,
(23)
s
.
t
.
(
21
a
)
,
(
21
b
)
,
a
n
d
(
11
e
)
,
l
i
U
(
r
i
,
P
i
∗
)
+
l
i
D
≤
γ
T
,
∀
i
∈
U
,
(23a)
e
i
(
r
i
,
P
i
∗
)
≤
γ
E
,
∀
i
∈
U
.
(23b)
\begin{aligned} &\operatorname*{min}_{R} \sum_{i=1}^{U}K_{i}\left(1-\sum_{n=1}^{R}r_{i,n}+\sum_{n=1}^{R}r_{i,n}q_{i,n}\right), && \text{(23)} \\ &\mathrm{s.~t.} \mathrm{(21a),~(21b),~and~(11e),} \\ &l_{i}^{\mathrm{U}}(\boldsymbol{r}_{i},P_{i}^{*})+l_{i}^{\mathrm{D}}\leq\gamma_{\mathrm{T}},\forall i\in\mathcal{U},&& \text{(23a)} \\ &e_{i}\left(\boldsymbol{r}_{i},P_{i}^{*}\right)\leq\gamma_{\mathrm{E}},\forall i\in\mathcal{U}.&& \text{(23b)} \end{aligned}
Rmini=1∑UKi(1−n=1∑Rri,n+n=1∑Rri,nqi,n),s. t.(21a), (21b), and (11e),liU(ri,Pi∗)+liD≤γT,∀i∈U,ei(ri,Pi∗)≤γE,∀i∈U.(23)(23a)(23b)
使用双匹配算法解决问题23,相比于传统凸优化算法,既不需要计算每个变量的梯度,也不需要动态调整步长以实现收敛。
先将问题23转换为双匹配问题。
构建一个双方图
A
≐
(
U
×
R
,
E
)
\mathcal{A}\doteq(\mathcal{U}\times\mathcal{R},\mathcal{E})
A≐(U×R,E)
U:一个顶点代表一个用户
R:一个顶点代表一个RB
E:代表边
χ i n ∈ E \chi_{in}\in\mathcal{E} χin∈E
1:表示RB n被分配给了用户i
假设 T 是E中的一个边子集,没有两条边共享R中的一个共同顶点,保证每个RB只能分配给一个用户;没有边共享U中的顶点,保证一个用户只能占用一个RB。
- bipartite matching algorithm [33]
边的权重等于Xin:
ψ
i
n
=
{
K
i
(
q
i
,
n
−
1
)
,
l
i
U
(
r
i
,
n
,
P
i
∗
)
+
l
i
D
≤
γ
T
and
e
i
(
r
i
,
n
,
P
i
∗
)
≤
γ
E
,
0
,
otherwise
.
(
24
)
\psi_{in}=\begin{cases}K_i\left(q_{i,n}-1\right),l_i^\mathrm{U}\left(r_{i,n},P_i^*\right)+l_i^\mathrm{D}\leq\gamma_\mathrm{T}\text{and}\\e_i\left(r_{i,n},P_i^*\right)\leq\gamma_\mathrm{E},\\0,&\text{otherwise}.\end{cases}\quad(24)
ψin=⎩
⎨
⎧Ki(qi,n−1),liU(ri,n,Pi∗)+liD≤γTandei(ri,n,Pi∗)≤γE,0,otherwise.(24)
当延迟和能耗不满足要求时,值为0,表示RB n不会分配给用户i
标准的匈牙利算法可用来找到最有匹配集T*,找到该集合就能确定RB最佳分配。
当最优RB分配 ri*确定后,每个设备的最佳发射功率通过(22)确定,
23是基于22,23计算出来RB分配后的Pi不一定小于等于Pmax,因此还需要根据22进行计算
算法1:
1、根据(17)分析FL预期收敛性
2、利用 (22) 求出每个用户在每个 RB 上的最佳发射功率
3、使用标准匈牙利算法和 (24) 求解优化问题 (23)
- Hungarian algorithm [34] 具体原理还不懂,但可以直接用
4、使用最优 RB 分配矩阵 R∗、用户选择向量 a∗ 和发射功率向量 P∗ 实现 FL 算法。
备注:学习记录,仅供参考
开源代码:https://github.com/mzchen0/Wireless-FL
参考文献:
[1] Chen M, Yang Z, Saad W, et al. A joint learning and communications framework for federated learning over wireless networks[J]. IEEE Transactions on Wireless Communications, 2020, 20(1): 269-283.