申请/专利权人：大庆市凯德信信息技术有限公司

申请日：2021-12-10

公开（公告）日：2023-11-17

公开（公告）号：CN114301935B

主分类号：H04L67/12

分类号：H04L67/12;H04L67/10;H04L9/40;G06F18/214;G06N3/098

优先权：

专利状态码：有效-授权

法律状态：2023.11.17#授权;2022.04.26#实质审查的生效;2022.04.08#公开

摘要：本发明属于大数据技术领域，一种基于声誉的物联网边云协同联邦学习节点选择方法；该方法包括：构建基于声誉的物联网边云协同FL体系架构；根据构建的基于声誉的物联网边云协同FL体系架构，根据构建的基于声誉的物联网边云协同FL体系架构采用基于多权重主观逻辑模型的声誉评分方法对节点进行选取，得到最优的节点；本发明利用多权重主观逻辑模型来计算每个参与节点的声誉值，提高了联邦学习的准确率和训练速度，且具有良好的适用性和健壮性。

主权项：1.一种基于声誉的物联网边云协同联邦学习节点选择方法，其特征在于，包括：构建基于声誉的物联网边云协同FL体系架构；根据构建的基于声誉的物联网边云协同FL体系架构采用基于多权重主观逻辑模型的声誉评分方法对节点进行选取，得到最优的节点；对节点进行选取包括：S1：服务器节点发布联邦学习任务；边缘节点获取联邦学习任务后将包含身份信息和数据资源信息的加入联邦学习请求发送给服务器节点；S2：服务器节点验证边缘节点的身份和数据资源信息，若边缘节点合法，则将该边缘节点作为执行联邦学习任务的边缘节点；若不合法，则该边缘节点请求失败；S3：服务器节点采用基于多权重主观逻辑的声誉计算模型计算候选边缘节点的声誉值，根据计算出的声誉值选出执行联邦学习任务的边缘节点；具体过程包括：服务器节点从其他服务器节点获取该候选边缘节点的声誉意见，该声誉意见为推荐声誉意见；服务器节点获取候选边缘节点的历史交互记录，采用多权重主观逻辑模型对历史交互记录进行处理，得到本地声誉意见；根据本地声誉意见和推荐声誉意见计算候选边缘节点的声誉；其中，候选边缘节点的历史交互记录包括：交互效果、交互时延、交互频率以及交互新鲜度；采用多权重主观逻辑模型对历史交互记录进行处理包括：步骤1：构建基于主观逻辑的声誉计算模型，在连续时间间隔{t1,...ty,...,tY+内，采用三元向量组表示服务器节点i对边缘节点j在时间段ty内的声誉评价，即：其中和分别表示中央服务器“相信”、“不相信”和“不确定”边缘节点模型更新质量可靠的程度，并满足以下约束条件：且根据三元向量组构建声誉计算模型；步骤2：交互效果，包括积极交互行为和消极交互行为，若候选边缘节点为积极交互行为节点，则候选边缘节点声誉值高，若候选边缘节点为消极交互行为节点，则候选边缘节点的声誉值低；将积极交互和消极交互的权值分别表示为k和η，k≤η且η+k＝1；根据积极交互和消极交互的权值构建交互效果的主观逻辑模型；步骤3：交互时延，在时间段ty内获取交互次数，并设置交互时延权重，根据交互次数和交互时延权重构建交互时延的主观逻辑模型；交互时延的主观逻辑模型为： 其中，表示在ty时间内按时交互次数的多少，λ、μ为各自所占权重；步骤4：交互频率，获取服务器节点与边缘节点交互的次数，根据获取的交互次数计算服务器在一个时间窗口内与其他边缘节点交互的平均次数；计算服务器节点与边缘节点交互的次数与服务器在一个时间窗口内与其他边缘节点交互的平均次数的比率，该比率为交互频率；根据交互频率构建交互频率的主观逻辑模型；交互频率的主观逻辑模型为： 其中，表示数据包传输成功的概率，k表示积极交互的权重参数，表示在ty时间内积极交互数量的多少，η表示消极交互的权重参数，表示在ty时间内消极交互数量的多少；步骤5：交互新鲜度，定义时间衰减函数，根据时间衰减函数计算交互事件的新鲜程度，即θty＝θy＝zY-y，其中z为关于事件新鲜度的衰减参数，满足z∈0,1；y表示事件新鲜度的淡出程度，满足y∈[1,Y]，根据交互事件的新鲜程度计算服务器节点i对边缘节点j的声誉值；计算候选边缘节点的声誉的公式为： 其中，表示服务器节点对候选边缘节点的声誉值，表示服务器对边缘节点的信任度，γ表示不确定性对声誉的影响程度，表示服务器对边缘节点的不确定度；根据计算出的声誉值选出执行联邦学习任务的边缘节点的过程包括：设置筛选条件，将计算出的边缘节点声誉值与设置的筛选条件进行对比，若满足筛选条件，则将该边缘节点作为执行联邦学习任务的边缘节点，否则取消该边缘节点；筛选条件为： 其中，表示服务器节点对候选边缘节点的声誉值，Rthreshold表示声誉阈值，Ti表示候选边缘节点的时延，Tthreshold表示时延阈值；S4：服务器节点将全局模型的参数发送给选出执行联邦学习任务的边缘节点，边缘节点接收全局模型参数后采用SGD优化算法对当前全局模型进行训练更新，并将训练更新后的的本地模型参数发送给服务器；采用SGD优化算法对全局模型进行训练更新的过程包括：步骤1：中央服务器从预定义的范围中初始化全局模型参数；步骤2：将全局模型参数下发给选定的边缘节点，边缘节点接收到全局模型参数后采用随机梯度下降算法使用自己的本地数据对当前全局模型进行更新训练，通过最小化FL任务的损失函数对当前全局模型的参数进行优化；步骤3：边缘节点将优化更新后的本地模型参数上传到服务器；步骤4：当上传的本地模型参数达到一定数量或者迭代次数N后，服务器节点对得到的本地模型参数执行全局模型聚合，得到新的全局模型；对全局模型的权值进行聚合的表达式为： 其中，ω′g表示最终的权值聚合参数，ωg表示当前要训练的全局模型的权值参数，Zi表示与任务i相关的MEC服务器集合，Di表示与任务i相关的终端设备集合，|Hz,d|表示被MEC服务器z覆盖的终端设备d的数据集大小，ω′z,d表示终端设备d待上传的本地模型参数，ωz,d表示终端设备d当前要训练的本地模型的权值参数，d表示终端设备，|Hi|表示与FL任务i相关的总数据集大小；步骤5：服务器节点将新的全局模型发送给选定的边缘节点，以便进行下一次模型迭代，直到生成的全局模型参数达到预定义的收敛条件；S5：服务器节点根据训练更新后的的本地模型参数对该边缘节点进行评估，生成声誉意见，对声誉意见进行保存更新；服务器节点对经过评估可靠的边缘节点的本地模型参数进行聚合，生成一个新的全局模型，重复进行上述步骤，直至生成的全局模型参数达到预定义的收敛条件为止。

全文数据：

权利要求：

百度查询： 大庆市凯德信信息技术有限公司 一种基于声誉的物联网边云协同联邦学习节点选择方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD