För att lösa problemet (6.38) kan vi tillämpa linjär programmering, vilket ger oss möjlighet att dela upp problemet i N oberoende delproblem. Variablerna för optimala tidsluckor definieras som {δ[n]}, och dessa används för att maximera den totala tidsförbrukningen, enligt formeln:

τk[n]+maxak[n]tVkτk[n] + max ak[n]t V k

Målet är att optimera alla faktorer så att den maximala kommunikationen kan uppnås utan att överskrida kapacitetsbegränsningar.

Den lösning som tillhandahålls av problem (6.24) kan sammanfattas genom Algoritm 7, där vi använder duala metoder för att hitta de optimala lösningarna för de primära och duala variablerna. För att säkerställa att lösningen konvergerar inom en förutbestämd noggrannhet, uppdateras variablerna A, τ och δ enligt tidigare definierade ekvationer (6.31), (6.29) och (6.33), medan de duala variablerna λ, μ och ξ uppdateras enligt ekvationerna (6.35)-(6.37).

När det gäller trajectory design, dvs. optimeringen av UAV:ns bana, reduceras problemet till att kontrollera om de givna restriktionerna är möjliga att uppfylla. Genom att lösa problem (6.40) kan vi hitta lösningar som ger en effektivare användning av energi och minimerar tidsförbrukning samtidigt som vi upprätthåller kommunikationskapaciteten.

För att ytterligare minska tidsförbrukningen samtidigt som vi säkerställer att problemets restriktioner är uppfyllda, transformeras problem (6.40) till ett mer explicit optimeringsproblem med en objektiv funktion som ges av:

∑n=1N∑k=1Kbk[n]∣∣q[n]−uk∣∣2\sum_{n=1}^{N} \sum_{k=1}^{K} b_k[n] ||q[n] - u_k||^2

Här minimeras kvadraten av avståndet mellan enheterna och UAV:n för att optimera resursanvändning och systemkapacitet. Genom att lösa detta problem får vi en lösning som även är genomförbar för det ursprungliga problemet.

Algoritmen som används för att lösa problemet med hjälp av BCD (Block Coordinate Descent) metod innebär att vi iterativt löser delproblemen, där varje block av variabler uppdateras optimalt i varje iteration tills vi når en konvergenspunkt.

För att analysera konvergensen och komplexiteten i denna lösning är det viktigt att förstå hur varje iteration minskar värdet på objektivfunktionen, vilket innebär att vi gradvis närmar oss den optimala lösningen.

Genom att tillämpa denna metod för att lösa problem (6.19) för en UAV-baserad FEEL-systemdesign, kan vi uppnå signifikanta förbättringar i effektiviteten för att minska tidsförbrukningen för inlärning och kommunikation. Resultaten från simuleringarna visar att när UAV:ns bana och enheternas schemaläggning optimeras i enlighet med dessa metoder, kan systemet minska betydligt på den totala tiden jämfört med andra scheman, som den statiska UAV eller full schemaläggning.

Det är också viktigt att notera att de föreslagna algoritmerna för optimering av enheternas schemaläggning, och UAV:ns bana, minskar effekten av straggler-problem, dvs. enheter som är långsammare än andra, vilket annars skulle leda till fördröjningar i kommunikationsflödet. Genom att utnyttja UAV:ns mobilitet och optimera var enheterna är schemalagda i varje steg, kan vi minimera dessa problem och uppnå en mycket snabbare slutföring av lärandeprocessen.

Vidare bör läsaren förstå att dessa optimeringar inte bara handlar om att minska den totala tiden för FEEL-träning utan även om att effektivt hantera energi och bandbredd. Genom att balansera dessa faktorer kan man maximera systemets prestanda utan att överskrida de tekniska gränser som ställs av UAV:ns hastighet och kommunikationskapacitet.

Hur blockchain och federerad inlärning samverkar för att säkerställa global modellaggregation och autentisering

I denna process används en federerad inlärningsmodell som drivs av blockchain-teknologi för att säkerställa att den globala modellen som skapas under träning är både säker och korrekt. I varje träningsomgång genomgår alla kant-enheter (edge-enheter) en lokal träningsprocess där en individuell modell, wktw_k^t, beräknas baserat på lokala data SkS_k. Detta görs genom att optimera den lokala förlustfunktionen FkF_k och beräkna gradienten för att justera parametrarna wktw_k^t enligt algoritmen:

wkt=wkt−1−η∇Fk(wkt−1;Sk)w_k^t = w_{k}^{t-1} - \eta \nabla F_k(w_{k}^{t-1}; S_k)

där η\eta är inlärningshastigheten och ∇Fk(wkt−1;Sk)\nabla F_k(w_{k}^{t-1}; S_k) är gradienten av den lokala förlustfunktionen. Denna lokala uppdatering är en kritisk del av processen, men det som verkligen gör den federerade inlärningen säker är hur dessa modeller sedan skickas och valideras genom en blockchain.

Efter att kant-enheterna har tränat sina individuella modeller, laddar de upp sina modeller till en primär kant-server, vilket görs genom transaktioner som digitalt signeras av varje kant-enhet för att säkerställa autenticitet och integritet. Varje transaktion innehåller ett paket med modellparametrar och signaturer, vilket skyddar mot obehörig åtkomst eller manipulation. Genom att använda blockchain kan vi dokumentera alla dessa transaktioner och säkerställa att ingen obehörig part kan påverka de data som delas mellan kant-enheter och servrar.

En viktig aspekt av denna process är hur modellen aggregas på servernivå. Den primära kant-servern samlar in alla lokala modeller, validerar varje transaktion och använder en smart kontrakt för att slå samman dessa modeller till en global modell. För att hantera störningar eller felaktiga modeller används en algoritm som kallas multi-KRUM, vilket gör det möjligt att motstå påverkan från avvikande data eller "Byzantine" enheter som kan försöka sabotera systemet.

Den globalt aggregerade modellen, som representeras som wgtw_g^t, beräknas genom att välja de lokala modeller som är mest representativa för hela nätverket. Detta uppnås genom att beräkna avstånden mellan modeller och sedan välja de som ligger närmast varandra för att bilda den mest robusta och korrekta globala modellen. Denna säkerställning av att modeller är pålitliga och inte manipulerade är en grundläggande del av processen.

När den globala modellen har aggregerats och verifierats av alla validatorer, inkluderas den i en ny blockkedja som skickas till andra kant-servrar för konsensus. Konsensusprocessen säkerställer att varje server är överens om blocket och den globala modellens korrekthet. Den här processen är uppdelad i flera faser, såsom pre-prepare, prepare, commit och reply, där varje validator skickar bekräftelser och verifierar den globala modellen för att säkerställa att inga felaktiga eller falska data inkluderas.

Slutligen, när konsensus har uppnåtts och blocket har lagts till i blockchainen, skickas den aggregerade globala modellen tillbaka till kant-enheterna för att påbörja nästa träningsomgång. Här spelar kommunikationslatenser en viktig roll, då det tar tid för kant-enheterna att ladda ner den globala modellen och förbereda sig för nästa cykel av federerad inlärning.

Denna modell ger en stark och effektiv struktur för federerad inlärning i kombination med blockchain-teknologi, men det är viktigt att förstå att för att systemet ska fungera optimalt måste både dataöverföring och beräkningsresurser vara noggrant balanserade. Kommunikationstider mellan enheter och servrar måste hållas på en låg nivå för att inte försena hela träningsprocessen. Därtill måste servrarna kunna hantera en stor mängd transaktioner snabbt och effektivt för att undvika att bli en flaskhals i systemet. Dessa aspekter kräver att man noggrant designar både hårdvaru- och mjukvaruarkitekturen för att säkerställa systemets skalbarhet och pålitlighet.

Hur snabbt växer fakultetsfunktionen och varför är det viktigt?
Hur fungerar Level-Set-metoden i simulering av isackumulation under flygplansoperationer?
Hur påverkar axiom om valet och vektorbaser över rationella tal Lebesgue-måttet och mätbarhet i Rn\mathbb{R}^nRn?
Vad är skillnaden mellan inbäddade system och Internet of Things?