1.一种基于Cell‑Free mMIMO网络的联邦学习设备端能耗优化方法，其特征在于，具体步骤如下：S0：初始化系统参数，初始化全局模型；

S1：服务器分发全局模型给用户设备；

S2：用户设备采集数据生成本地数据集；

S3：构建用户设备进行本地训练的功耗模型，迭代优化用户设备的CPU工作频率和本地模型精度；

S4：用户设备依据S3步骤得到的最优参数使用本地数据集训练本地模型；

S5：构建用户设备进行模型参数上传的上行功耗模型；

S6：根据上行功耗模型优化用户设备延迟，得到最优功率分配方案；

S7：用户设备依据S6步骤得到的最优功率分配方案传输本地模型的模型参数到服务器，服务器聚合模型得到全局模型；

S8：重复上述S1‑S7直至全局模型收敛为止；

所述步骤S0中：

初始化的系统参数包括K个用户设备的CPU所支持的工作频率范围，即用户设备k的CPU所支持的最小工作频率 和最大工作频率初始化的系统参数包括K个用户设备的本地模型支持的训练精度范围，即用户设备k的所支持的最小训练精度 和最大训练精度(0) (i)

初始化的全局模型为w ，在第i轮全局训练中，服务器下发的全局模型为w ；

所述步骤S1中：

服务器向所有用户设备分发全局模型，或是向部分用户设备分发全局模型；

所述步骤S2中：

用户设备k采集数据得到本地数据集{xk∈Su,yk}，其中Su为本地数据集的大小，xk和yk分别表示本地数据集的输入参数与输出参数；

所述步骤S3中：

(i)

在联邦学习的第i轮全局训练过程中，用户设备k使用本地数据集训练全局模型w 得到本地模型对于一个给定的本地模型精度θk，本地模型 在本地训练得到最优模型需要的迭代次数为 其中 取决于数据集的大小和本地模型的规模；

用户设备k在本地训练的时间延迟可以表示为：其中ck表示用户设备k的CPU处理一个数据样本所需的周期数，ck是通过离线测量预先知晓的常数，Dk和fk分别为本地数据集的大小和用户设备k的CPU工作频率；

用户设备k在本地训练模型所消耗的能量可以表示为：其中αk表示用户设备k的CPU的电容系数，αk是通过离线测量预先知晓的常数；

根据用户设备本地训练的功耗模型建立以下本地模型训练阶段的功耗优化问题：其中，

表示用户k的本地训练功耗， 表示用户设备进行模型上传的次数，即全局训练次数，其中 和ò为全局模型参数，为已知常数；

解决用户设备k本地模型训练阶段的功耗优化问题的迭代优化算法如下：算法1：本地模型训练阶段的功耗优化问题的迭代优化算法输入：最小工作频率 最大工作频率 最小训练精度 最大训练精度 本地训练延迟 算法精度ò，算法迭代次数索引ω，算法最大迭代次数ωmax；

初始化：算法精度ò＞0，ω＝1For k＝1:K

While ω＜ωmax doWhile

令 并引入辅助变量xk，

固定 更新

固定 更新

固定 通过求解下列凸优化问题更新End

End

ω＝1

End

输出：

所述步骤S4中：

在联邦学习的第i轮全局训练过程中，用户设备k依据最优参数 使用本地数据集{xk∈Su,yk}训练本地模型 在本地模型收敛后，用户设备k本地模型在全局第i次迭代的更新表示为 需要的存储空间为Su；

所述步骤S5中：

用户设备进行模型参数上传的上行功耗模型建模为：Eu,k(ηk,Ru,k(ηk))＝ρuηktu,k(Ru,k(ηk))        (1.5)用户的发射功率为ρuηk，其中ρu为上行最大发射功率，ηk为用户k的上行功率控制系数，为用户设备k发送本地模型 所需的时间，其中：为用户设备k在去蜂窝大规模MIMO网络中的上行通信速率，βmk表示无蜂窝网络中接入点m与用户设备k之间无线信道的大尺度衰落系数，σlk表示估计的信道的功率，表示第 个导频， 表示零均值的复高斯随机噪声；

所述步骤S6中：

根据用户设备上传模型参数的功耗模型建立以下上传模型阶段的功耗优化问题：*

其中 θ通过本地模型训练阶段的功耗优化问题的迭代优化算法*

获得，G(θ)为已知常数；C.1中Tk＝tc,k+tu,k为用户设备k的本地训练延迟和上行传输延迟，TG为联邦学习一次全局训练所允许的最大延迟；C.2中hu,k(ηk)为Ru,k(ηk)的凹的下界，便于使用凸优化工具在可行域上搜索Ru,k(ηk)的解；为了抑制落后者效应，本地模型训练阶段的功耗优化问题服从延迟约束T1＝...＝Tk＝...＝TK；

用户设备上传模型阶段的功耗优化问题转化为以下可行性搜索问题：其中 为一次算法迭代过程中最大设备延迟；

解决用户设备k上传模型阶段的功耗优化问题的优化算法如下：算法2：上传模型阶段的功耗优化问题的优化算法输入：本地训练延迟tc,k，用户上行最大功率ρu，用户设备的上行功率控制系数ηk，upper lower算法精度ò，算法上界T ，算法下界T ；

lower

初始化：算法精度ò＞0，算法上界 算法下界T ＝0；

upper lower

While T ‑T ＞ωdomid

对于T＝T ，通过下述优化问题寻找ηk的解If上述问题可行Then

lower mid

T ＝T ，

*

ηk＝ηk

Else

upper mid

T ＝T

End if

End

输出：

所述步骤S7中：

服务器包括云服务器和边缘服务器。