[发明专利]一种基于联邦学习的生产链协同调度方法

权利要求书

1.一种基于联邦学习的生产链协同调度方法，其特征在于包括如下步骤：

S1.参与生产链的供应方和需求方对本地数据进行预处理，并设置训练集和验证集，并进行数据增强，获取增强数据集；

S2.供应方和需求方通过样本对齐获得中间样本；

S3.采用增强数据集，通过长短期记忆网络对供应方和需求方分别建立本地数据模型，并通过增强数据集进行训练；

S4.将供应方、需求方和第三方服务器进行同态加密，并进行交互；

S5.对若干供应方或需求方的数据贡献度进行加权计算和偏差修正；

S6.第三方服务器收集修正后的计算结果并整合后将当前最终的供应量和最终的需求量的差值发送到供应方或需求方；

S7.构建供应方和需求方的图结构，并输出生产链序列，采用输出的生产链进行协同调度。

2.根据权利要求1所述的基于联邦学习的生产链协同调度方法，其特征在于所述的步骤S1，包括如下步骤：

A1.参与方包括供应方和需求方，参与方各自获取历史供应量数据或历史需求量数据，并获取坐标数据，将时间点进行分组并进行数值化；

A2.设置时间步；

A3.对数据进行预处理，设置窗口长度；

A4.按照设置的窗口长度将本地数据分为训练集和验证集；

A5.将验证集分类，并采用ont-hot编码标签；

A6.评估参与方的历史供应量数据或历史需求量数据的数据量大小，利用本地数据增强，对数据量小于平均数据量的参与方的数据进行扩展。

3.根据权利要求2所述的基于联邦学习的生产链协同调度方法，其特征在于所述的步骤S2，包括如下步骤：

B1.使用RSA算法进行样本对齐，设供应方的样本集合为{h_s1,h_s2,...,h_sv}，需求方的样本集合为{h_m1,h_m2,...,h_mw}；其中，h_sv表示供应方的第v个样本；h_mv表示需求方的第w个样本；

B2.供应方生产RSA获取RSA加密的公钥和秘钥，随机选择两个大的质数求积，根据欧拉函数，求得关于两质数的值命名为r；选择一个小于r并与r互质的整数，定义为e；并求得e关于r的模反元素，表示为d；秘钥(d,n)保留在供应方，公钥(e,n)下发到需求方端；n表示样本数；

B3.供应方生成一个全域哈希散列；

B4.需求方生成一个小于n且与n互质的随机数，n表示样本数；

B5.供应方计算样本对齐ID的最终签名；

B6.需求方针对要对齐的ID进行公钥加密处理，并采用步骤B4生成的随机数进行扰动，将加了随机数扰动的乘积传递给供应方；

B7.供应方接收到需求方传递的数据后，按照私钥对最终签名进行解密；

B8.供应方将初步计算到的签名传送给需求方，并采用欧拉定理进行解密，需求方计算后将初步计算后的签名发送到供应方进行样本对齐。

4.根据权利要求3所述的基于联邦学习的生产链协同调度方法，其特征在于所述的步骤S3，包括如下步骤：

C1.采用keras深度学习框架，在隐藏单元中，给定当前时间步的小批量输入和上一时间步的隐藏状态；

C2.计算输入门、遗忘门和输出门；

C3.使用tanh函数作为激活函数，计算在当前时间步的候选记忆细胞；

C4.计算当前时间步的记忆细胞，包括组合上一时间步的记忆细胞和当前时间步的候选记忆细胞的信息，并通过遗忘门和输入门控制信息的流动；

C5.通过输出门控制记忆细胞到当前时间步的隐藏状态的信息流动：当输出的当前时间步的隐藏状态为1时，记忆细胞信息将传递到隐藏状态供输出层使用；当输出的当前时间步的隐藏状态为0时，记忆细胞信息不进行传递，进行保留；

C6.输出训练结果，并计算初始损失函数；重复训练直到收敛，获得训练后的本地梯度参数。