(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 202111444856.4 (22)申请日 2021.11.30 (71)申请人 山东师范大学 地址 250014 山东省济南市历下区文化 东 路88号 (72)发明人 田杰　纪秀朝　李腆腆　支媛　 王娣　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 代理人 董雪 (51)Int.Cl. H04W 24/02(2009.01) H04W 28/02(2009.01) H04W 28/20(2009.01) H04W 28/22(2009.01)H04L 41/14(2022.01) G06F 9/50(2006.01) G06N 20/00(2019.01) G16Y 10/75(2020.01) G16Y 30/00(2020.01) (54)发明名称 一种基于联邦边缘学习的工业物联网资源 分配方法及系统 (57)摘要 本发明提供了一种基于联邦边缘学习的工 业物联网资源分配方法， 包括： 获取工业设备数 据； 根据获取的工业设备数据， 利用工业物联网 下联邦边缘学习的无线通信网络模 型， 得到分配 结果； 其中， 通过最小化所有设备总成本的优化 目标对无线通信网络模型进行全局优化； 通过李 雅普诺夫优化方法和迭代算法实现最小化所有 设备总成本的优化目标。 本发明采用李雅普诺夫 优化理论来实现长期问题到短期问题的转化， 同 时引入虚拟能量 队列避免工业设备超出能耗要 求无法工作的问题。 权利要求书1页 说明书9页 附图4页 CN 114363923 A 2022.04.15 CN 114363923 A 1.一种基于联邦边 缘学习的工业物联网资源分配方法， 其特 征在于， 包括： 获取工业设备 数据； 根据获取的工业设备数据， 利用工业物联网下联邦边缘学习的无线通信网络模型， 得 到分配结果； 其中， 通过最小化所有设备总成本的优化目标对无线通信网络模型进行全局优化； 通 过李雅普诺夫优化方法和迭代算法实现最小化所有设备总成本的优化目标。 2.如权利要求1所述的一种基于联邦边缘学习的工业物联网资源分配方法， 其特征在 于， 所述最小化所有设备总成本的优化 目标， 基于时延约束以及设备长期能耗要求的条件 下， 通过优化设备选择和带宽分配实现。 3.如权利要求2所述的一种基于联邦边缘学习的工业物联网资源分配方法， 其特征在 于， 所述李雅普诺夫优化方法用于实现长期问题到短期问题的转 化。 4.如权利要求3所述的一种基于联邦边缘学习的工业物联网资源分配方法， 其特征在 于， 所述利用工业物联网下联邦边缘学习的无线通信网络模型， 得到最小化所有设备总成 本的优化 目标， 包括对工业物联网下联邦边缘学习的无线通信网络模型分析， 针对设备本 地计算以及向边 缘基站传输模型参数的上 行链路， 构建相应的模型。 5.如权利要求4所述的一种基于联邦边缘学习的工业物联网资源分配方法， 其特征在 于， 所述获取工业设备 数据集后， 考虑长期地应用联邦学习来进行 数据集的训练。 6.如权利要求5所述的一种基于联邦边缘学习的工业物联网资源分配方法， 其特征在 于， 所述联邦学习包括将全局模型参数给参与联邦学习的工业设备， 所述工业设备根据本 地数据来更新本地模型。 7.如权利要求6所述的一种基于联邦边缘学习的工业物联网资源分配方法， 其特征在 于， 所述联邦学习还包括利用边缘服务器聚合更新后的本地模型参数得到新的全局模型参 数。 8.一种基于联邦边 缘学习的工业物联网资源分配系统， 其特 征在于， 包括： 数据获取模块， 被 配置为， 获取工业设备 数据； 计算模块， 被配置为， 根据获取的工业设备数据， 利用工业物联网下联邦边缘学习的无 线通信网络模型， 得到分配结果； 其中， 通过最小化所有设备总成本的优化目标对无线通信网络模型进行全局优化； 通 过李雅普诺夫优化方法和迭代算法实现最小化所有设备总成本的优化目标。 9.一种计算机可读存储介质， 其特征在于， 其中存储有多条指令， 所述指令适于由终端 设备的处理器加载并执行权利要求 1‑7中任一项 所述的一种基于联邦边缘学习的工业物联 网资源分配方法。 10.一种终端设备， 其特征在于， 包括处理器和计算机可读存储介质， 处理器用于实现 各指令； 计算机可读存储介质用于存储多条指令， 所述指令适于由处理器加载并执行权利 要求1‑7中任一项所述的一种基于联邦边 缘学习的工业物联网资源分配方法。权　利　要　求　书 1/1 页 2 CN 114363923 A 2一种基于联邦边缘学习的工 业物联网资源分配方 法及系统 技术领域 [0001]本发明涉及无线通信技术领域， 尤其涉及 一种基于联邦边缘学习的工业物联网资 源分配方法及系统。 背景技术 [0002]本部分的陈述仅仅是提供了与本发明相关的背景技术信息， 不必然构成在先技 术。 [0003]目前， 随着工业物联网(Industr ial Internet  of Things， IIOT)设备的广泛部署 和边缘人工智能(Edge  Artificial  Intelligenc e， Edge AI)技术的快速发展， 工业物联网 技术在边缘网络上已经大量应用， 大规模的工业数据在边缘产生。 但是， 通过传统的集中式 训练方法来训练机器学习(Machine  Learning， ML)模型， 需要将所有设备的原始数据通过 无线传输汇总到中央服务器来进行计算。 这不仅会大大地损耗无限带宽资源， 同时由于所 有设备的数据都要在中央服务器进 行计算， 还会消耗较多的计算资源， 产生大量的延迟， 从 而带来了巨大的成本 。 因此传统的集中 式训练方法对实际的I IOT场景并不实用。 [0004]为 了 解 决 以 上 问 题 ， 一 种分 布 式 模 型 训练 框 架 — — 联 邦 边 缘 学 习 (FederatedEdgeLearning， FEEL)被提出了。 FL的目标是使设备能够协同学习一个共享的机 器学习(MachineLearning)模 型， 并与中央服务器协作， 同时将所有的训练数据保存在设备 上， 从而将执行ML的能力与在中央服务器中上传/存储数据的需要分离。 通过在本地更新模 型参数， FEEL利用了在设备上分布的数据和 计算能力， 因此可以减少中央服务器的能量损 耗， 缩减模型训练延迟以及保护设备 数据隐私， 降低了整体成本 。 [0005]虽然在IIOT的无线网络场景下， FEEL可以减少延迟， 降低一定 成本， 但是由于无线 网络带宽资源有限， 在每轮训练过程中， 需要合理地进行用户的选择以及带宽的分配； 同 时， 在长期的FEEL过程中， 在不同回合之间的决策具有依赖性， 并且用户的能量是有限的。 因此， 为了能够更好地在边缘IIOT训练联邦学习的模型， 需要合理地进行设备的选择和带 宽的分配， 使得在 满足设备长期能耗要求的情况下， 最小化长期的设备总成本， 实现FEEL在 IIOT上更好地应用。 发明内容 [0006]本发明为了解决上述问题， 提出了一种基于联邦边缘学习的工业物联网资源分配 方法及系统， 本发明能够提高联邦学习的训练准确度性能， 从而来实现FEEL在IIOT更好地 应用。 [0007]根据一些实施例， 本发明采用如下技 术方案： [0008]一种基于联邦边 缘学习的工业物联网资源分配方法， 包括： [0009]获取工业设备 数据； [0010]根据获取的工业设备数据， 利用工业物联网下联邦边缘学习的无线通信网络模 型， 得到分配结果；说　明　书 1/9 页 3 CN 114363923 A 3