欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021116127642
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种面向分层联邦边缘学习的模型训练节点选择方法,其特征在于,在分层联邦边缘学习中引入信誉作为衡量终端设备及边缘服务器的可信度指标;在分层联邦边缘学习中引入时延阈值及能耗阈值作为限制终端设备及边缘服务器在模型训练过程中资源消耗的指标;设计一种历史信誉值与当前信誉值加权的计算方法更新参与模型训练的终端设备及边缘服务器的信誉值;具体包括以下步骤:步骤一:任务条件的发布;

云端服务器发布分层联邦边缘学习任务 任务Tn对终端设备最低信誉 的要求和对边缘服务器最低信誉 的要求、在每次迭代的每个模型训练过程中任务Tn对所有参与模型训练的终端设备及边缘服务器的时延阈值Llow和能耗阈值Elow的要求以及任务Tn对每个模型精度的要求;其中,Tn为编号为n的分层联邦边缘学习任务,n为正整数,模型包括局部模型、边缘模型以及全局模型;

步骤二:终端设备及边缘服务器的选择;

根据云端服务器发布的分层联邦边缘学习任务Tn对参与训练的终端设备和边缘服务器的最低信誉要求,信誉区块链选择信誉值不小于分层联邦边缘学习任务Tn的信誉要求的终端设备 及边缘服务器

并将选择结果传输给云端服务器,其中, 为信誉区块链选择的终端设备的数量, 为信誉区块链选择的边缘服务器的数量,Di为编号为i的终端设备,Nm为编号为m的边缘服务器,且i和m均为正整数;

步骤三:分层联邦边缘学习的进行;

云端服务器根据信誉区块链选择的符合学习条件的终端设备及边缘服务器,进行分层联邦边缘学习;

步骤四:信誉值的计算与更新;

假设终端设备Di的历史信誉为 边缘服务器Nm的历史信誉为 云端服务器对每个终端设备和边缘服务器的历史信誉及其通过模型训练获得的信誉加权计算得到最新信誉值,并更新存储到信誉区块链中,以便为下一个任务的模型训练过程中的终端设备及边缘服务器的选择提供信誉依据;其中, l为信誉管理方设定的、终端设备及边缘服务器所能获得的最高信誉值。

2.根据权利要求1所述的一种面向分层联邦边缘学习的模型训练节点选择方法,其特征在于,步骤三中的分层联邦边缘学习包括以下过程:过程(1):系统初始化;云端服务器将全局模型初始参数发送给信誉区块链选择的符合分层联邦边缘学习任务Tn信誉要求的终端设备D及边缘服务器N;

过程(2):局部模型训练;终端设备D首先计算是否同时满足局部模型训练的时延条件及能耗条件,如果不同时满足,则该终端设备不参与本次迭代的模型训练,如果同时满足,则根据其拥有的数据及云端服务器的参数训练局部模型,然后将局部模型参数传输到边缘服务器N;

过程(3):不可靠终端设备的剔除及边缘模型训练;边缘服务器对每个局部模型进行质量评估,并从符合学习条件的终端设备集D中,剔除局部模型更新质量下降超过系统给定阈值的终端设备,剔除后的终端设备不再参与任务Tn的模型训练过程;然后,边缘服务器计算是否同时满足边缘模型训练的时延条件及能耗条件,如果不同时满足,则该边缘服务器不参与本次迭代的模型训练,如果同时满足,边缘服务器根据其拥有的边缘模型及对剔除后的局部模型参数进行聚合更新得到最新的边缘模型,并将边缘模型参数发送给剔除后的终端设备;

过程(4):不断重复过程(2)及过程(3),直至边缘模型训练达到系统给定的精度或训练过程中的损失函数收敛,然后将更新后的边缘模型参数传输到云端服务器;

过程(5):不可靠边缘服务器的剔除及全局模型训练;云端服务器对每个边缘模型进行质量评估,并从符合学习条件的边缘服务器集N中,剔除边缘模型更新质量下降超过系统给定阈值的边缘服务器,剔除后的边缘服务器不再参与任务Tn的模型训练过程,然后云端服务器根据其拥有的全局模型及对剔除后的边缘模型参数进行聚合更新得到最新的全局模型,然后将全局模型参数传输给剩余边缘服务器及终端设备;

过程(6):不断重复过程(2)、过程(3)、过程(4)及过程(5),直至全局模型训练达到系统给定的精度或训练过程中的损失函数收敛。

3.根据权利要求2所述的一种面向分层联邦边缘学习的模型训练节点选择方法,其特征在于,步骤四中信誉值的更新计算过程为:假设终端设备及边缘服务器在整个模型训练的过程中未被剔除,即完成分层联邦边缘学习任务Tn获得的信誉值为 其中, λ为终端设备及边缘服务器完成任务Tn可获得的最大信誉值,由云端服务器管理方自行设定;假设任务Tn对于终端设备D的重要度为αD,其计算公式为 任务Tn对于边缘服务器N的重要度为αN,其计算公式为

如果终端设备Di在整个联邦边缘学习模型训练的过程中未被剔除,假设则终端设备Di的最新信誉值 表达为:如果终端设备Di在整个联邦边缘学习模型训练的过程中被剔除,即未完成分层联邦边缘学习任务Tn,假设 则终端设备Di的最新信誉值 表达为:如果边缘服务器Nm在整个联邦边缘学习模型训练的过程中未被剔除,假设则边缘服务器Nm的最新信誉值 表达为:如果边缘服务器Nm在整个联邦边缘学习模型训练的过程中被剔除,即未完成分层联邦边缘学习任务Tn,假设 则边缘服务器Nm的最新信誉值 表达为:

当边缘服务器和终端设备信誉值更新计算完成后,云端服务器将最新的信誉值存储到信誉区块链中,以便为下一个任务的模型训练过程中的终端设备及边缘服务器的选择提供信誉依据。

4.根据权利要求2或权利要求3所述的一种面向分层联邦边缘学习的模型训练节点选择方法,其特征在于,步骤三的过程(2)中的终端设备计算是否同时满足局部模型训练的时延条件及能耗条件的过程为:

假设终端设备Di的CPU频率为 模型训练的数据量 以及局部模型训练1bit数据所需的CPU转数 因此,终端设备Di训练局部模型所需要的时间 需低于时延阈值Llow,即满足:

终端设备Di训练局部模型的能耗 需低于能耗阈值Elow,即满足:其中, 表示与终端设备Di的CPU结构有关的常系数,本‑26

方法中 的取值为10 。

5.根据权利要求2或权利要求3所述的一种面向分层联邦边缘学习的模型训练节点选择方法,其特征在于,步骤三的过程(3)中的边缘服务器计算是否同时满足边缘模型训练的时延条件及能耗条件的过程为:

假设边缘服务器Nm的CPU频率为 模型训练的数据量 以及边缘模型训练1bit数据所需的CPU转数 因此,边缘服务器Nm训练边缘模型所需要的时间 需低于时延阈值Llow,即满足:

边缘服务器Nm训练边缘模型的能耗 需低于能耗阈值Elow,即满足:其中, 表示与边缘服务器Nm的CPU结构有关的常系‑28

数,本方法中 的取值为10 。

6.根据权利要求2或权利要求3所述的一种面向分层联邦边缘学习的模型训练节点选择方法,其特征在于,步骤三的过程(3)中的边缘服务器对每个局部模型进行质量评估的方法为:边缘服务器采用攻击检测方案对其接收到的局部模型进行逐一检测,检测过程中,对于独立同分布的数据场景,边缘服务器采用RONI攻击检测方法,对于非独立同分布的数据场景,边缘服务器采用FoolsGold攻击检测方法。

7.根据权利要求2或权利要求3所述的一种面向分层联邦边缘学习的模型训练节点选择方法,其特征在于,步骤三的过程(5)中的云端服务器对每个边缘模型进行质量评估的方法为:云端服务器采用攻击检测方案对其接收到的边缘模型进行逐一检测,检测过程中,对于独立同分布的数据场景,云端服务器采用RONI攻击检测方法,对于非独立同分布的数据场景,云端服务器采用FoolsGold攻击检测方法。