聚类联邦学习三阶段stackelberg博弈

联邦学习架构：客户端层，骨干层，FL任务层

FL任务层：模型所有者每次只发布一个任务，模型在无人机上进行训练，生成原始数据，然后，在不泄露原始数据的情况下，将本地更新的模型参数传输给模型所有者进行聚合。在集中平台进行参数聚合后，更新后的全局模型响应无人机进行下一轮训练，直到收敛到目标。

骨干层：由无人机簇头组成，每个簇头充当集群的中央聚合服务器，在集群内聚合和更新训练模型；并且执行集群间交互来聚合中间训练结果。本文直接选择了资源较多的节点作为簇头（感觉是不是可以从能量，信任度来考虑簇头的选择问题）

客户端层：对于每个集群，数据可以被认为是同构的，可以将全局优化问题看作针对多个聚类的联合优化问题。其中CFL包括：

• 工人通过下载最后一轮模型w来将任务与簇头h同步
• 无人机进行随机梯度下降来执行多次迭代，tig奥中间模型的性能

• 簇头h聚合集群内参与者的局部参数，更新新的中间模型

       每隔k，簇头发送中间模型参数，模型所有者进行全局聚合，如果不满足训练目标，则将中间模型打回重新进行局部训练。

系统模型：作为任务发布者，模型所有者的目标是通过k迭代 训练模型，使全局损失函数L（w）最小化，其中w表示全局模型参数。

无人机：每个worker都有本地数据样本来说参与Dn来参与聚类联邦学习任务，簇头h的支付取决于相应worker的数据贡献。数据贡献可以定义为Pn=DnD，考虑到一个集群内的学习过程消耗的计算资源，计算成本可以表示为

（τ表示一次迭代k期间的轮数，cn表示能量消耗的单位成本。αnk