[发明专利]基于联邦学习的移动边缘环境下安全QoS预测方法

权利要求书

1.一种基于联邦学习的移动边缘环境下安全QoS预测方法，其特征在于，包括如下步骤：

步骤1：收集边缘位置信息和QoS数据集；

步骤2：以用户ID号为连接对QoS数据和边缘位置点进行融合；

步骤3：融合后得到时-空边缘用户QoS数据集；

步骤4：考虑边缘服务器和市辖区的地理位置分布，将原始的边缘网络区域划分为多个边缘区域，并进行公有数据集提取；

步骤5：利用各边缘区域的公有数据集基于LSTM进行公有数据训练得到公有模型；

步骤6：将用户所属区域中的公有LSTM权值参数作为私有LSTM的初始参数，并根据私有数据不断训练私有LSTM从而进行个性化预测；

所述步骤1中收集数据主要包括两个方面：包含用户ID、服务ID、时间段ID和属性值的QoS数据集；包含经度纬度信息的基站数据集；

所述步骤2包括如下步骤：

步骤21：以用户ID、时间段ID、服务ID和属性值的顺序整理QoS数据集；

步骤22：根据步骤21中用户的总数量在基站数据集中随机选取相应数量的边缘位置点并进行ID编号；

步骤23：统计边缘位置点的经纬度信息，通过地图服务定位基站的位置点得到边缘服务器的分布情况；

步骤24：QoS数据集中的用户总数量和边缘服务器的总数量是相等的，因此以用户ID为连接将两个数据集进行融合；

所述步骤4包括如下步骤：

步骤41：考虑边缘服务器和市辖区的地理位置分布，将整个边缘网络区域划分为k个边缘区域，每个边缘区域对应1-4个市辖区，其中k≥2，由边缘服务器的地理分布决定；

步骤42：取出各边缘区域T₁时间段内的所有用户调用所有服务的属性值，并以服务-用户二维矩阵的形式表示；逐一取二维矩阵中每行数据的中位数，得到一个服务-T₁列向量，把该列向量作为T₁时间段调用的服务的属性值的公有数据；

步骤43：依次取T₂、…、T_n时间段所有用户调用所有服务的属性值，重复步骤42，得到服务-T₂、…、服务-T_n列向量，其中n≥2；

步骤44：将n个列向量合成形成一个服务-时间段二维矩阵，用于该边缘区域的公有模型训练。

2.根据权利要求1所述的基于联邦学习的移动边缘环境下安全QoS预测方法，其特征在于，所述步骤3包括如下步骤：

步骤31：统计融合后数据集的总时间段数和形成的总边缘服务器个数；

步骤32：总时间段简称为“时”，总边缘服务器简称为“空”，融合后得到时-空边缘用户QoS数据集。

3.根据权利要求1所述的基于联邦学习的移动边缘环境下安全QoS预测方法，其特征在于，所述步骤5包括如下步骤：

步骤51：每个边缘区域基于各自区域的公有数据集执行LSTM训练；在学习率和训练次数之间达成一种共识，即：学习率越大，误差调整的速度越快，因此在达到同等训练效果时所需执行的训练次数越少；

步骤52：将学习率和训练次数设为公有模型训练的一组组合参数，由于学习率和训练次数之间的负相关关系，因此当学习率取值增大时，训练次数取值逐渐减小；

步骤53：通过LSTM中的遗忘门、输入门、当前时刻单元状态和输出门计算最后的输出，并计算均方根误差值来估量损失函数；

步骤54：对损失函数求导不断调整权值参数；随着训练迭代次数的增加，训练误差不断减小，为个性化预测提供最佳初始权值参数。

4.根据权利要求1所述的基于联邦学习的移动边缘环境下安全QoS预测方法，其特征在于，所述步骤6在个性化预测过程中，基于用户不断产生的私有数据每隔一个时间间隔便执行一次LSTM训练，从而不断更新权值参数以满足边缘环境对数据实时性和准确度的要求，实现边缘环境下安全QoS属性值预测。

5.根据权利要求4所述的基于联邦学习的移动边缘环境下安全QoS预测方法，其特征在于，所述步骤6包括如下步骤：

步骤61：用户根据公有LSTM中传递的初始权值参数进行QoS预测；

步骤62：完成一个时间段的预测后，根据预测数据与实际QoS数据的偏差调整模型权值参数；

步骤63：判断下一时间段是否有新数据产生，若有便将最新权值参数传递给该时间段的模型预测中，并执行训练，从而进一步调整权值参数；以此往复直至不再产生新数据，实现实时的个性化预测。