本發(fā)明涉及網(wǎng)絡(luò)通信的，尤其是涉及用于6g切片的可解釋性和靈敏度感知的聯(lián)邦深度學習方法。

背景技術(shù)：

1、目前，6g網(wǎng)絡(luò)切片技術(shù)中比較流行的是在網(wǎng)絡(luò)域中采用端到端(e2e)網(wǎng)絡(luò)資源的自主管理和編排，因為切片的隔離可能會導致效率方面的高成本。因此，etsi組織已經(jīng)開始考慮標準化的零接觸網(wǎng)絡(luò)和服務(wù)管理框架，零接觸是指在沒有人為干預(yù)的情況下對資源進行自動化和管理。此外，在6g網(wǎng)絡(luò)中開發(fā)認知切片管理解決方案對于自動編排和管理網(wǎng)絡(luò)切片，特別是跨不同技術(shù)域(td)的網(wǎng)絡(luò)資源，以及確保最終用戶的qoe和qos是至關(guān)重要的。

2、此外，6g網(wǎng)絡(luò)技術(shù)誕生了ai原生網(wǎng)絡(luò)切片管理解決方案以支持新興的ai服務(wù)，人工智能算法由于數(shù)據(jù)集的分布式特性驅(qū)動，以獲得網(wǎng)絡(luò)切片自動化的全部潛力，用于解決以云為中心的傳統(tǒng)機器學習方案的問題行為。因此，需要一種分散的學習方法來有效地處理分布式網(wǎng)絡(luò)切片。

3、6g網(wǎng)絡(luò)將是“以機器為中心”的技術(shù)，這意味著6g網(wǎng)絡(luò)中所有相應(yīng)的“智能事物”都將智能地運行，就像一個智能黑匣子，智能黑匣子在其行動或決策過程中是不透明的，可能會對6g技術(shù)的網(wǎng)絡(luò)運行產(chǎn)生不利影響。在這個問題上，xai提供了人類可解釋的方法來充分解釋人工智能系統(tǒng)及其在循環(huán)中獲得人類信任的決策。鑒于這一事實，零接觸xai驅(qū)動的聯(lián)邦學習將因其自動化和獨特優(yōu)勢而受到特別重視，這對最終用戶信任和安全程序至關(guān)重要。

4、本發(fā)明提出一種用于6g切片的聯(lián)合可解釋性和靈敏度感知的聯(lián)邦深度學習方法，明顯優(yōu)于無約束積分梯度后自組織聯(lián)邦深度學習的性能，可有效降低網(wǎng)絡(luò)資源管理的復(fù)雜度。

技術(shù)實現(xiàn)思路

1、本部分的目的在于概述本發(fā)明的實施例的一些方面以及簡要介紹一些較佳實施例。在本部分以及本發(fā)明的說明書摘要和發(fā)明名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和發(fā)明名稱的目的模糊，而這種簡化或省略不能用于限制本發(fā)明的范圍。

2、因此，本發(fā)明目的是提供用于6g切片的可解釋性和靈敏度感知的聯(lián)邦深度學習方法，通過可解釋的聯(lián)邦學習本地模型來預(yù)測每個無線接入網(wǎng)絡(luò)(ran)切片的掉話率，同時將靈敏度感知和可解釋性指標作為此類非獨立同分布本地數(shù)據(jù)集設(shè)置中的約束，通過對數(shù)幾率分值來定量驗證解釋器的可信度，該分值可作為運行時聯(lián)邦學習優(yōu)化任務(wù)中的約束條件，本發(fā)明提供的方法明顯優(yōu)于傳統(tǒng)的無約束積分梯度后自組織聯(lián)邦深度學習的性能，可有效降低網(wǎng)絡(luò)資源管理的復(fù)雜度。

3、為解決上述技術(shù)問題，本發(fā)明提供用于6g切片的可解釋性和靈敏度感知的聯(lián)邦深度學習方法，采用如下的技術(shù)方案：所述的方法主要通過應(yīng)用框架來實現(xiàn)，所述應(yīng)用框架包括

4、無線接入網(wǎng)絡(luò)，所述無線接入網(wǎng)絡(luò)由k個基站組成，其中每一個基站均部署n個并行切片，每個基站運行一個本地控制閉環(huán)，所述本地控制閉環(huán)收集監(jiān)控數(shù)據(jù)并執(zhí)行掉話率預(yù)測，其中，本地控制閉環(huán)獨自訓練得到本地聯(lián)邦學習本地模型；

5、所述的方法通過本地控制閉環(huán)以閉環(huán)方式迭代運行，并帶有運行時的解釋器、模型測試器和對數(shù)幾率映射器，

6、對于每個本地控制閉環(huán)，本地聯(lián)邦學習本地模型將模型圖饋送至模型測試器，模型測試器將測試特征和相應(yīng)的預(yù)測特征提供給解釋器，所述解釋器首先使用集成梯度xai方法生成特征屬性；然后對數(shù)幾率映射器使用這些屬性來選擇頂部p％的特征，然后計算對數(shù)幾率分值θk,n，該分值被反饋給本地聯(lián)邦學習本地模型，以將其包含在本地聯(lián)邦學習本地模型的本地約束條件優(yōu)化中。

7、還包括召回映射器，根據(jù)模型測試器和解釋器輸出的預(yù)測值和真實值計算召回分數(shù)ρk,n，將其納入本地聯(lián)邦學習本地模型的本地約束條件優(yōu)化中；

8、對于每個本地控制閉環(huán)，通過將預(yù)測的掉話率分類m＝(1,…,dk,n)，聯(lián)合本地數(shù)據(jù)集dk,n樣本上定義的長期統(tǒng)計約束以及對應(yīng)的召回分數(shù)ρk,n和對數(shù)幾率分值θk,n的約束條件下，應(yīng)使與之關(guān)聯(lián)的真實值的主損失函數(shù)最小化。

9、可選的，所述本地控制閉環(huán)收集的監(jiān)控數(shù)據(jù)用于對切片n(n＝1，···n)構(gòu)建本地數(shù)據(jù)集，所述本地數(shù)據(jù)集包括：平均物理資源塊、平均數(shù)據(jù)發(fā)送時延、表征信道質(zhì)量的snr值，用公式表示為：

10、其中，表示本地數(shù)據(jù)集中第i個輸入特征，而表示相應(yīng)的第i個輸出特征，k(k＝1，···k)，輸出特征包括：掉話率。

11、可選的，還包括聯(lián)邦學習層，用于收集各個本地控制閉環(huán)獨自訓練得到的本地聯(lián)邦學習本地模型信息，通過算法將各個本地控制閉環(huán)獨自訓練得到的本地聯(lián)邦學習本地模型信息進行聚合，然后將獲得的全局模型信息反饋給聚合云服務(wù)器進行無線接入網(wǎng)絡(luò)的資源管理優(yōu)化。

12、可選的，在閉環(huán)方式迭代運行的第t輪，將聯(lián)邦學習框架中本地閉環(huán)優(yōu)化后的權(quán)重發(fā)送到聚合云服務(wù)器，聚合云服務(wù)器為切片n生成全局聯(lián)邦學習模型，如下述公式所示：

13、

14、其中表示第t輪中第k個基站中的第n個切片的權(quán)重因子，用于后續(xù)約束優(yōu)化中，使得主損失函數(shù)最小，從而構(gòu)建聯(lián)邦學習的實現(xiàn)框架，是與切片n相關(guān)的所有數(shù)據(jù)集的總數(shù)據(jù)樣本，然后，聚合云服務(wù)器將全局聯(lián)邦學習模型廣播給所有使用它的本地k個本地控制閉環(huán)，以開始下一輪的本地迭代優(yōu)化。

15、可選的，所述本地聯(lián)邦學習本地模型信息包括本地聯(lián)邦學習本地模型參數(shù)或者本地聯(lián)邦學習本地模型更新參數(shù)，所述模型測試器在收到更新的模型圖后，所述模型測試器從本地數(shù)據(jù)集中提取的數(shù)據(jù)子集來重建測試預(yù)測所有模型圖、測試特征和相應(yīng)的預(yù)測特征都將提供給解釋器。

16、可選的，所述對數(shù)幾率分值的計算公式為：

17、

18、其中，是預(yù)測特征，是本地數(shù)據(jù)集中第i個輸入特征，表示修改后的本地數(shù)據(jù)集中的前p％特征為零填充的特征。

19、可選的，所述召回分數(shù)ρk,n的計算公式為：

20、

21、其中，π+(dk,n)定義dk,n分類為正值的比例，dk,n[*]是滿足表達式*的dk,n的子集。

22、可選的，對召回分數(shù)施加了下限αn，對對數(shù)幾率分數(shù)設(shè)置了上限βn，約束條件優(yōu)化轉(zhuǎn)化為在由迭代周期指定以及在聯(lián)邦學習的輪次t,(t＝0,…,t-1)中解決受約束的局部分類問題，即

23、

24、ρk,n≥αn，

25、θk,n≤βn。

26、可選的，構(gòu)造兩個拉格朗日方程框架來解決上述受約束的局部分類問題，公式如下：

27、

28、其中，φ1和φ2表示原始約束，ψ1和ψ2表示平滑替代，λ1和λ2表示拉格朗日乘數(shù)，

29、其中，平滑替代公式如下：

30、

31、ψ2＝φ2＝βn-θk,n。

32、可選的，所述約束條件優(yōu)化是一個非零和的雙玩家游戲策略，局部約束條件優(yōu)化通過以下公式計算：

33、

34、綜上所述，本發(fā)明包括以下至少一種有益效果：通過可解釋的聯(lián)邦學習本地模型來預(yù)測每個無線接入網(wǎng)絡(luò)(ran)切片的掉話率，同時將靈敏度感知和可解釋性指標作為此類非獨立同分布本地數(shù)據(jù)集設(shè)置中的約束，通過對數(shù)幾率分值來定量驗證解釋器的可信度，該分值可作為運行時聯(lián)邦學習優(yōu)化任務(wù)中的約束條件，本發(fā)明提供的方法明顯優(yōu)于傳統(tǒng)的無約束積分梯度后自組織聯(lián)邦深度學習的性能，可有效降低網(wǎng)絡(luò)資源管理的復(fù)雜度。