[发明专利]一种基于声誉的物联网边云协同联邦学习节点选择方法

权利要求书

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；

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；

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。

2.根据权利要求1所述的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，构建的基于声誉的物联网边云协同FL体系架构包括终端设备、微基站、宏基站和移动边缘计算服务器；其中将移动边缘计算服务作为服务器节点，终端设备、微基站和宏基站作为边缘节点。

3.根据权利要求1所述的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，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。

4.根据权利要求3所述的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，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。

5.根据权利要求3所述的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，采用多权重主观逻辑模型对历史交互记录进行处理包括：

S1：构建基于主观逻辑的声誉计算模型，在连续时间间隔{t₁,…t_y,…,t_Y}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t_y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；

S2：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；

S3：交互时延，在时间段t_y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；

S4：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；

S5：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θ(t_y)＝θ_y＝z^Y-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。