申请/专利权人：华东师范大学

申请日：2022-01-29

公开（公告）日：2024-01-09

公开（公告）号：CN114584581B

主分类号：H04L67/12

分类号：H04L67/12;G06N20/00;H04L67/01;H04L67/02;H04L43/10;H04L43/0805;G16Y10/75;G16Y40/10

优先权：

专利状态码：有效-授权

法律状态：2024.01.09#授权;2022.06.21#实质审查的生效;2022.06.03#公开

摘要：本发明公开了一种面向智慧城市物联网信物融合的联邦学习系统，包括设备端和服务端；所述设备端包括MQTT、训练线程、心跳发送线程；所述服务端包括MQTT、模型聚合线程、任务调度线程、心跳监测线程。本发明还提供了基于上述联邦学习系统的联邦学习训练方法，包括：服务器初始化全局模型，在一个通信回合中，服务器选择一定比例的设备，并向被选择的设备发送全局模型；设备接收到消息后，对模型执行训练并更新；将更新的模型重新上传到服务器并进行聚合，得到新的全局模型，进入下一个通信回合；完成预设的通信回合数后，设备接收服务器下发的最新的全局模型并保存供后续使用。本发明具备一定的设备可扩展性、鲁棒性和高效性。

主权项：1.一种利用联邦学习系统实现的联邦学习训练方法，其特征在于，所述联邦学习系统为面向智慧城市物联网信物融合的联邦学习系统，包括设备端和服务端；其中，所述设备端包括消息队列遥测传输协议MQTT、训练线程、心跳发送线程；所述服务端包括消息队列遥测传输协议MQTT、模型聚合线程、任务调度线程、心跳监测线程；所述联邦学习训练方法包括如下步骤：步骤一、服务器初始化全局模型；步骤二、在每一个通信回合中，服务器根据参与节点的数量和自身的通信带宽限制，选择至少一个设备参与训练，随后向被选择的设备发送全局模型；步骤三、步骤二中的设备接收到消息后，将全局模型作为初始模型，基于模型分层加权的距离约束方法在本地执行训练并更新模型；步骤四、步骤三中各设备更新的模型重新上传到服务器中；步骤五、服务器将更新后的模型按照基于模型分层的滑动聚合更新策略与设备分组策略进行聚合，得到新的全局模型，进入下一个通信回合；步骤六、当服务器完成预设的通信回合数后，视为完成联邦学习训练过程，服务器将最新的全局模型发送至所有参与设备，并发送停止训练指令；步骤七、设备接收到最新的全局模型和停止训练指令后，停止相关线程，并将全局模型其保存于本地，用于后续模型部署和任务预测。

全文数据：

权利要求：

百度查询： 华东师范大学 面向智慧城市物联网信物融合的联邦学习系统及联邦学习训练方法

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