[发明专利]智能家居场景下基于云边端的高效联邦学习方法

说明书

本发明提供一种智能家居场景下基于云边端的高效联邦学习方法。该方法包括：云端服务器获取学习任务并初始化初始模型，并下发至参与训练的通讯基站；通讯基站将学习任务及初始模型发送至参与训练的临时服务器及家居终端；家居终端根据本地数据和初始模型或第一中间模型进行本地训练，得到新的本地模型并传输至临时服务器；临时服务器将所有本地模型以及自身的本地模型进行加权聚合，得到第一中间模型并返回至各家居终端；重复执行前两个步骤，直至满足结束条件后，将第一中间模型传输至通讯基站；通讯基站对所有第一中间模型进行加权聚合，得到第二中间模型并返回至云端服务器；云端服务器对所有第二中间模型进行聚合，得到最终的全局模型。

技术领域

本发明涉及智能家居和隐私安全技术领域，尤其涉及一种基于智能家居场景下基于云边缘的高效联邦学习方法。

背景技术

近年来，物联网的发展朝着为人们提供更加舒适、便捷的方向发展，家居产品也不例外。例如，家庭摄像头可以监控家庭是否有火灾隐患，扫地机器人可以帮助人们清洁卫生，智能电表可以检测家庭电器用电情况合理规划省电模式等等。家居产品作为生活物品，同时伴随着互联网的发展逐渐升级为智能化，当这些智能化的家居产品提供更优质的服务时，各个厂商就需要通过这些数字化产品收集人们的生活数据，优化服务模型。而这些生活数据对于用户来说往往是相对隐私的(如语音交互数据、电力使用数据、家庭情景模式等隐私数据)，所以智能家居在训练模型的同时，也面临着隐私数据泄露的风险。

联邦学习方法的提出解决了很多数据安全的问题，利用原始数据集不出本地的思想保证数据安全。智能家居领域利用这种思想，让模型的训练在智能家居设备终端进行本地训练，将得到的更新传输给家庭单元局域网的中央服务器，从而进行模型的下一步聚合。由于数据不出本地，数据安全等级进而得到极大的提高。

然而，由于我国家庭居住社区聚集性特点，仍面临很多问题。首先，随着智能家居产品的不断发展，设备厂商利用云端直接与密集区域的家庭设备进行通讯，一方面给云端增加了模型训练的压力，另一方面也加大了数据通讯的负载。其次，智能家居设备含有的计算能力各不相同，收集到的数据特点也不一致，从而导致模型聚合工作面临一些挑战。最后，家居终端的空闲情况相对灵活，而在现有的联邦学习算法，对处于计算能力分布不均，以及数据量大的家居场景中较为劣势。

中国专利文献CN 113946127 A公开了一种基于边缘计算技术的智能家居系统，该方案中在智能家居场景下进行训练的算法是通过单次模型的平均聚合方法，没有与云端服务器进行交互，而且需要单独设备指定为中央服务器，在成本消耗上较高的同时，该方法在模型训练的过程中耗时比较严重，因此对于社区环境下密集终端设备中如何提高计算效率没有帮助。

发明内容

为了提高智能家居场景下的模型训练效率和准确度，本发明提供一种智能家居场景下基于云边端的高效联邦学习方法。

本发明提供一种智能家居场景下基于云边端的高效联邦学习方法，包括：

步骤1：云端服务器获取学习任务并初始化初始模型；

步骤2：云端服务器将学习任务以及初始模型下发至参与训练的通讯基站；

步骤3：通讯基站将获取到的学习任务及初始模型发送至其通信范围内参与训练的家庭单元中的临时服务器及家居终端；所述临时服务器是由一个家庭单元中所有家居终端进行选举得到的；

步骤4：家居终端根据本地数据和接收的初始模型或上一轮的第一中间模型进行本地模型训练更新，得到新的本地模型，将本地模型传输至临时服务器；

步骤5：临时服务器将接收到的所有本地模型以及自身的本地模型进行加权聚合，得到第一中间模型，将所述第一中间模型返回至各家居终端；

步骤6：重复执行步骤4至步骤5，直至满足结束条件后，由临时服务器将第一中间模型传输至通讯基站；