[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

说明书

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。

技术领域

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。

背景技术

生态环境监测网络作为物联网的扩展用途，将众多检测设备、分析部门和工作人员互连。在环境监测中诸多决策通常需要大量数据来支持。然而，数据分布趋向于本地化，单个用户、机构或者监测站点通常拥有较小规模或较低质量的数据，仅使用这些数据进行训练容易导致模型过拟合，所以需要将参与方数据汇聚到一起来训练模型，各个监测站点直接传输数据容易造成数据隐私泄露的问题，各站点若不将自己的数据直接共享给其他站点，则会形成数据孤岛问题。同时传统的机器学习算法(包括训练和推理)通常部署在云数据中心,为了训练更准确的人工智能模型，边缘设备需要将所采集的海量原始数据通过移动网络发送至云端，这会给网络带来巨大的带宽压力。为解决这一问题，基于联邦学习(Federated Learning,FL)的分布式模型训练框架应运而生。通过分享模型参数或梯度的方式，联邦学习参与方可在保持数据本地私有的情况下协作训练一个高性能的共同模型。

在基于FL的分布式训练结构下，边缘侧终端设备利用自身采集的数据在本地执行训练任务，然后将训练好的本地模型上传至云服务器进行模型聚合。相比直接上传原始训练数据，该架构选择上传训练之后的模型参数，能有效降低数据传输成本，同时保护用户隐私。尽管有上述巨大的好处，联邦学习仍然面临着严峻的挑战。如：终端设备上数据集大小往往是不同的，数据也可能不满足独立同分布特性，这使得本地模型的训练质量存在差异。同时，边缘侧终端设备并不是完全可信的，存在一些恶意节点篡改训练数据，发送恶意更新，导致当前协作学习失败。此外，终端设备多样异构的计算资源和传输时间对FL的训练效率和准确性也具有较大的影响。

由于能提供有效的隐私保护和高效的模型训练方式，FL得到了越来越多的关注。Shi等人提出了一种带宽分配和设备调度的联合优化模型，并通过解耦为两个子问题来提高FL效率，但该方法仅根据训练时间来选择设备，而忽略了设备的本地训练质量。Ren等人设计了一个新的概率调度框架来调度多个边缘设备参与FL模型聚合，该框架能有效提高模型训练的准确率，但是对设备异质的计算能力和训练时间考虑不足，可能会导致较大的延迟。Chen等人构建了一个无线资源分配和节点选择的联合优化问题，并提出了一种依概率选择节点的方法。Wu等人设计了一个多层FL协议，依概率引入区域松弛因子后完成节点选择。但上述方案依赖概率进行节点选择，忽略了节点本身计算、通信能力等方面的差异。

中央服务器没有及时和动态的监控方法，很难实时监测各参与节点的行为，无法检测到恶意或不可靠的节点并及时将其从联邦学习系统中移除；另外由于缺乏时间累积的指标来评估节点的历史性能以及恶意和不可靠参与节点的同步信息，恶意或不可靠的工作人员可能会再次被选为新的联邦学习任务的工作人员。因此开发准确且高效的方案合理地选择设备集合参与模型聚合，以提高FL效率和准确率成为一个亟待解决的问题。

发明内容

为解决以上现有技术存在的问题，本发明提出了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；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；