基于联邦学习的激励机制与功率分配方法

一种基于联邦学习的激励机制与功率分配方法，根据系统场景建立FL系统模型、时延模型以及边缘设备与服务器效用函数模型，再在此基础上提出两阶段的Stackelberg博弈的优化问题并通过两阶段凸优化迭代算法(TSPA)求解得出资源优化配置方案。本发明利用两阶段Stackelberg博弈模型对服务器和边缘设备的收益进行建模，以优化功率分配、提高模型精度、保障模型安全性及缩短训练时延。在该模型中，服务器作为博弈的领导者，制定奖励策略，边缘设备作为跟随者，基于服务器的奖励策略优化其上传功率和干扰功率。通过分析博弈的均衡点，迭代优化模型上传和合作干扰的功率分配，最终达到最大化服务器与边缘设备双方收益的目的。