CN111008704B - 电动汽车联邦学习的处理方法、装置、设备与存储介质 - Google Patents

电动汽车联邦学习的处理方法、装置、设备与存储介质 Download PDF

Info

Publication number
CN111008704B
CN111008704B CN201911209942.XA CN201911209942A CN111008704B CN 111008704 B CN111008704 B CN 111008704B CN 201911209942 A CN201911209942 A CN 201911209942A CN 111008704 B CN111008704 B CN 111008704B
Authority
CN
China
Prior art keywords
model
server
vehicle
mounted terminal
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911209942.XA
Other languages
English (en)
Other versions
CN111008704A (zh
Inventor
李佳
颜卿
袁一
潘晓良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Nonda Intelligent Technology Co ltd
Original Assignee
Shanghai Nonda Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Nonda Intelligent Technology Co ltd filed Critical Shanghai Nonda Intelligent Technology Co ltd
Priority to CN201911209942.XA priority Critical patent/CN111008704B/zh
Publication of CN111008704A publication Critical patent/CN111008704A/zh
Application granted granted Critical
Publication of CN111008704B publication Critical patent/CN111008704B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/12—Remote or cooperative charging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Bioethics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明提供了一种电动汽车联邦学习的处理方法、装置、设备与存储介质，所述的方法，应用于车载终端，所述车载终端为服务器中目标模型联邦学习的一个节点；所述的方法，包括：接收服务器发送的目标模型；若检测到所述电动汽车正在充电，则：根据本次充电前所述电动汽车所产生的目标数据，对所述车载终端中的目标模型进行训练，得到训练后的节点模型；所述目标数据为训练所述车载终端中的目标模型所需的数据；将所述节点模型上传至所述服务器，以使得所述服务器能够根据所述节点模型更新所述服务器中的目标模型。本发明通过联邦学习能够保障用户的隐私与数据的安全，还可避免联邦学习在行车时占用过多算力，保障行车时的安全性。

Description

电动汽车联邦学习的处理方法、装置、设备与存储介质
技术领域
本发明涉及车辆领域，尤其涉及一种电动汽车联邦学习的处理方法、装置、设备与存储介质。
背景技术
电动汽车，可理解为以电力为动力源之一的汽车，在配置有车载终端的电动汽车中，为了满足驾驶、娱乐、交互等用户需求，可在车载终端中使用机器学习的模型。
现有相关技术中，由于机器学习需要整合多方数据来训练模型，该模型均在服务器维护，车载终端运行相应软件时，可请求服务器进行处理，此时，服务器可将自车载终端接收到的数据输入模型，进而将模型反馈的结果发送至车载终端。
然而，在该过程中，车载终端的数据需上传至服务器，不论是用户相关数据还是车辆相关数据，均可能涉及到用户的隐私，将其均上传至服务器易于造成数据的安全隐患。
发明内容
本发明提供一种电动汽车联邦学习的处理方法、装置、设备与存储介质，以解决易于造成数据的安全隐患的问题。
根据本发明的第一方面，提供了一种电动汽车联邦学习的处理方法，应用于车载终端，所述车载终端为服务器中目标模型联邦学习的一个节点；所述的方法，包括：
接收服务器发送的目标模型；
若检测到所述电动汽车正在充电，则：根据本次充电前所述电动汽车所产生的目标数据，对所述车载终端中的目标模型进行训练，得到训练后的节点模型；所述目标数据为训练所述车载终端中的目标模型所需的数据；
将所述节点模型上传至所述服务器，以使得所述服务器能够根据所述节点模型更新所述服务器中的目标模型。
可选的，根据本次充电前所述电动汽车所产生的目标数据，对所述车载终端中的目标模型进行训练，得到训练后的节点模型之前，还包括：
检测所述电动汽车的电量；
确定所述电量大于预设的第一阈值，所述第一阈值是根据训练得到所述节点模型的训练用电需求，以及所述电动汽车的行车用电需求确定的。
可选的，检测所述电动汽车的电量之后，还包括：
若检测到所述电动汽车的软件需升级，且所述电量大于预设的第二阈值且小于预设的第三阈值，则优先执行软件升级，所述第二阈值是根据升级软件的升级用电需求与所述行车用电需求确定的，所述第三阈值是根据所述训练用电需求、所述升级用电需求与所述行车用电需求确定的。
可选的，将所述训练后的节点模型上传至所述服务器，以使得所述服务器能够根据所述训练后的节点模型更新所述服务器中的目标模型之前，还包括：
检测所述车载终端当前的信号强度信息；
确定所述当前的信号强度信息高于预设的强度阈值。
可选的，检测所述车载终端当前的信号强度信息之后，还包括：
若所述当前的信号强度信息低于所述强度阈值，则：控制所述节点模型暂时不被上传至服务器，直至所述信号强度信息变化为高于所述强度阈值。
可选的，所述的方法，还包括：
在所述服务器中的目标模型发生更新后，接收所述服务器发送的更新后的目标模型。
可选的，所述目标模型为以下任意之一：
娱乐系统的模型、底盘调校的计算模型、驾驶策略的计算模型、发动机省油策略的计算模型、电动机省电策略的计算模型、疲劳驾驶评估模型、驾驶员身体状况评估模型，驾驶舒适性评估的模型。
根据本发明的第二方面，提供了一种电动汽车联邦学习的处理装置，应用于车载终端，所述车载终端为服务器中目标模型联邦学习的一个节点；所述的装置，包括：
接收模块，用于接收服务器发送的目标模型；
训练模块，用于若检测到所述电动汽车正在充电，则：根据本次充电前所述电动汽车所产生的目标数据，对所述车载终端中的目标模型进行训练，得到训练后的节点模型；所述目标数据为训练所述车载终端中的目标模型所需的数据；
上传模块，用于将所述训练后的节点模型上传至所述服务器，以使得所述服务器能够根据所述训练后的节点模型更新所述服务器中的目标模型。
根据本发明的第三方面，提供了一种电子设备，包括存储器与处理器，
所述存储器，用于存储代码；
所述处理器，用于执行所述存储器中的代码用以实现第一方面及其可选方案涉及的方法。
根据本发明的第四方面，提供了一种存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现第一方面及其可选方案涉及的方法。
本发明提供的电动汽车联邦学习的处理方法、装置、设备与存储介质中，服务器可将模型发送至车载终端，进而，车载终端可使用本地的模型完成相应功能，无需再将数据上传至服务端，保障了用户的隐私与数据的安全。同时，本发明中，可将车载终端作为模型的联邦学习的节点，进而，成为节点的车载终端可以利用其自身的数据训练模型，从而为服务器中模型的更新提供依据。在此基础上，服务器的模型均可基于车载终端训练后的节点模型迭代更新，在实现迭代更新的同时，服务器依旧不会直接接收到作为训练素材的相关数据，进一步保障了用户的隐私与数据的安全。
此外，本发明中，可在充电时启动联邦学习，进而，由于充电时未在行车，通常也未使用车辆的其他功能，不会产生新的目标数据，进而，可充分利用当前已有数据(且之前训练时未使用过的数据)对模型进行训练，还可避免联邦学习在行车时占用过多算力，保障行车时的安全性。同时，在充电时进行联邦学习，还可保障电力能够保持供应，减小或避免因电力不足而发生联邦学习中断的可能性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中电动汽车联邦学习的处理方法的流程示意图一；
图2是本发明一实施例中电动汽车联邦学习的处理方法的流程示意图二；
图3是本发明一实施例中电动汽车联邦学习的处理方法的流程示意图三；
图4是本发明一实施例中电动汽车联邦学习的处理方法的流程示意图四；
图5是本发明一实施例中电动汽车联邦学习的处理方法的流程示意图五；
图6是本发明一实施例中电动汽车联邦学习的处理装置的程序模块示意图一；
图7是本发明一实施例中电动汽车联邦学习的处理装置的程序模块示意图二；
图8是本发明一实施例中电动汽车联邦学习的处理装置的程序模块示意图三；
图9是本发明一实施例中电动汽车联邦学习的处理装置的程序模块示意图四；
图10是本发明一实施例中的电子设备的构造示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1是本发明一实施例中电动汽车联邦学习的处理方法的流程示意图一。
本实施例所涉及的电动汽车联邦学习的处理方法可应用于车载终端，该车载终端可与服务器交互。
其中的服务器，可理解为具有一定数据存储与数据处理能力的任意设备或设备的集合，其还配置有任意可对外通讯的通讯电路。
其中的车载终端，可以为车辆本身的车机，也可以是连接于车机的其他任意智能终端。该车载终端可以为服务器中目标模型联邦学习的一个节点。
其中的联邦学习，也可描述为联盟学习、联合学习、联邦机器学习等，具体可理解为：Federated machine learning或者Federated Learning。
其中一种举例中，联邦学习的工作原理可例如：作为节点的终端可分别从服务器端下载当前的模型；其中部分或全部终端可用各自的数据训练模型；进而，各终端将训练好的模型或其相关训练好的参数传输给服务器；服务器将接收到的各个终端的模型或其参数聚合成一个最终的模型。
在应用于车载领域时，其中一种实施方式中，所述目标模型可例如为以下任意之一模型：
娱乐系统的模型、底盘调校的计算模型、驾驶策略的计算模型、发动机省油策略的计算模型、电动机省电策略的计算模型、疲劳驾驶评估模型、驾驶员身体状况评估模型，驾驶舒适性评估的模型。
请参考图1，电动汽车联邦学习的处理方法，包括：
S101：接收服务器发送的目标模型；
S102：是否检测到所述电动汽车正在充电；
若步骤S102的判断结果为是，则可实施步骤S103：根据本次充电前所述电动汽车所产生的目标数据，对所述车载终端中的目标模型进行训练，得到训练后的节点模型。
其中的目标数据为训练所述车载终端中的目标模型所需的数据；不同的模型可对应需要不同的数据来训练，不同模型的目标数据也可能具有重合，不论采用何种数据，均不脱离本实施的描述。
同时，目标数据具体可以指之前训练时未使用过的数据，进而避免利用数据重复训练。具体实施过程中，可对已训练使用过的数据进行标识，进而，在步骤S103中，可针对于未被标识为已训练使用过的部分数据进行训练学习，其通常为上次训练学习之后产生的。
若步骤S102的判断结果为否，则可禁止实施以上所涉及的训练。
在步骤S103之后的任意时机，均可实施步骤S104：将所述节点模型上传至所述服务器，以使得所述服务器能够根据所述节点模型更新所述服务器中的目标模型。该任意时机可以是在充电时，也可以是在充电后行车的过程中。
以上实施方式中，服务器可将模型发送至车载终端，进而，车载终端可使用本地的模型完成相应功能，无需再将数据上传至服务端，保障了用户的隐私与数据的安全。同时，以上实施方式中，可将车载终端作为模型的联邦学习的节点，进而，成为节点的车载终端可以利用其自身的数据训练模型，从而为服务器中模型的更新提供依据。在此基础上，服务器的模型均可基于车载终端训练后的节点模型迭代更新，在实现迭代更新的同时，服务器依旧不会直接接收到作为训练素材的相关数据，进一步保障了用户的隐私与数据的安全。
此外，以上实施方式中，可在充电时启动联邦学习，进而，由于充电时未在行车，通常也未使用车辆的其他功能，不会产生新的目标数据，进而，可充分利用当前已有数据(且之前训练时未使用过的数据)对模型进行训练，还可避免联邦学习在行车时占用过多算力，保障行车时的安全性。同时，在充电时进行联邦学习，还可保障电力能够保持供应，减小或避免因电力不足而发生联邦学习中断的可能性。
图2是本发明一实施例中电动汽车联邦学习的处理方法的流程示意图二。
请参考图2，步骤S103之前，还可包括：
在步骤S102的判断结果为是的情况下，实施以下步骤：
S105：检测所述电动汽车的电量；
S106：所述电量是否大于预设的第一阈值；
若步骤S106的判断结果为是，可实施步骤S103。
其中的第一阈值是根据训练得到所述节点模型的训练用电需求，以及所述电动汽车的行车用电需求确定的。进而，步骤S106判断结果为是的情形，可理解为电量可以同时满足训练用电需求与行车用电需求。
其中的行车用电需求，可理解为最低行车用电需求，其可以是预先配置的任意电量数据。其也可根据预设的最低行车里程换算确定。
其中的训练用电需求，可理解为用于联邦学习的用电需求，其也可以是预先配置的任意电量数据。
此外，以上所涉及的电量，可以以电量相关数值本身来表征，也可以通过换算确定的可行车里程来表征。
通过以上实施方式，可保障联邦学习的过程可以在电量在充电时达到一定充足程度才实施，避免了联邦学习对电力的消耗影响正常的行车需求。
图3是本发明一实施例中电动汽车联邦学习的处理方法的流程示意图三。
其中一种实施方式中，软件升级的过程可能被安排在车辆空闲时，进而，也可能会被安排在充电时实施，此时软件升级会与联邦学习形成冲突，故而，图3所述实施方式充分考虑该种情形，为其配置了一种区分优先级的处理手段。
请参考图3，在步骤S105之后，还可包括：
S107：所述电动汽车的软件是否需升级；
若步骤S107的判断结果为是，则可实施步骤S108：所述电量是否大于预设的第二阈值且小于预设的第三阈值；
若步骤S108的判断结果为是，则可实施步骤S109：优先执行软件升级。
在步骤S109之后，即完成了软件升级之后，可继续执行步骤S106及其后续步骤。
其中的软件升级，可理解为能够使得电动汽车的软件完成升级的任意步骤，例如可以包括利用已下载的升级文件升级电动汽车的软件的过程，其他举例中，还可包括访问服务器，从而下载升级文件的过程。
其中的第二阈值是根据升级系统的升级用电需求与所述行车用电需求确定的，第三阈值是根据所述训练用电需求、所述升级用电需求与所述行车用电需求确定的。进而，可在电量能够同时满足升级用电需求与行车用电需求，且无法同时满足训练用电需求、升级用电需求与行车用电需求时，优先执行系统升级。
其中的软件，可理解为按照特定顺序组织的计算机数据和指令的集合，其可以为应用软件、后台软件，也可以为操作系统。同时，升级用电需求可以是根据所需升级的软件变化的，哈克根据所需升级的软件的数量变化。
可见，由于软件升级所需消耗的电力通常是小于联邦学习的，且对用户的使用体验的影响更直观，以上实施方式可配置为软件升级的优先级可高于联邦学习。
在其他可选实施方式中，也可将其配置为联邦学习的优先级高于系统升级。
图4是本发明一实施例中电动汽车联邦学习的处理方法的流程示意图四。
请参考图4，电动汽车联邦学习的处理方法中，在步骤S103之后，还可包括：
S110：检测所述车载终端当前的信号强度信息；
S111：所述当前的信号强度信息是否高于预设的强度阈值；
若步骤S111的判断结果为是，则可实施步骤S104；
若步骤S111的判断结果为否，则可实施步骤S112：控制所述节点模型暂时不被上传至服务器，直至所述信号强度信息变化为高于所述强度阈值。
其中的信号强度信息，可以对信号强度进行表征的任意信息，该信号可以指车载终端的用于与服务器相交互的信号，例如可以是4G LTE信号、5G信号、WIFI信号等等。
具体举例中，信号强度信息可以为RSSI值，其中的RSSI具体为：Received SignalStrength Indication，其可理解为接收的信号强度指示。
通过以上实施方式中，可仅在信号强度足够好时才上传节点模型，从而保障节点模型上传的稳定性。
图5是本发明一实施例中电动汽车联邦学习的处理方法的流程示意图五。
请参考图5，步骤S101之后，还可包括：
S113：所述服务器中的目标模型是否发生更新；
若步骤S113的判断结果为是，则可实施步骤S114：接收所述服务器发送的更新后的目标模型。
其中目标模型的更新，可以是基于本实施例所涉及方法的车载终端所上传的节点模型而发生的更新，也可以是基于其他终端或车载终端上传的节点模型而发生的更新，还可以是服务器本身基于素材或主动的参数调整而发生的更新，不论何种原因而发生的更新，均不脱离本实施例的描述。
通过以上实施方式，可在服务器的目标模型发生更新时，及时更新车载终端中的模型。
综上，本实施例提供的电动汽车联邦学习的处理方法中，服务器可将模型发送至车载终端，进而，车载终端可使用本地的模型完成相应功能，无需再将数据上传至服务端，保障了用户的隐私与数据的安全。同时，本实施例中，可将车载终端作为模型的联邦学习的节点，进而，成为节点的车载终端可以利用其自身的数据训练模型，从而为服务器中模型的更新提供依据。在此基础上，服务器的模型均可基于车载终端训练后的节点模型迭代更新，在实现迭代更新的同时，服务器依旧不会直接接收到作为训练素材的相关数据，进一步保障了用户的隐私与数据的安全。
此外，本实施例中，可在充电时启动联邦学习，进而，由于充电时未在行车，通常也未使用车辆的其他功能，不会产生新的目标数据，进而，可充分利用当前已有数据(且之前训练时未使用过的数据)对模型进行训练，还可避免联邦学习在行车时占用过多算力，保障行车时的安全性。同时，在充电时进行联邦学习，还可保障电力能够保持供应，减小或避免因电力不足而发生联邦学习中断的可能性。
图6是本发明一实施例中电动汽车联邦学习的处理装置的程序模块示意图一。
请参考图6，电动汽车联邦学习的处理装置200，应用于车载终端，所述车载终端为服务器中目标模型联邦学习的一个节点；所述的装置，包括：
接收模块201，用于接收服务器发送的目标模型；
训练模块202，用于若检测到所述电动汽车正在充电，则：根据本次充电前所述电动汽车所产生的目标数据，对所述车载终端中的目标模型进行训练，得到训练后的节点模型；所述目标数据为训练所述车载终端中的目标模型所需的数据；
上传模块203，用于将所述训练后的节点模型上传至所述服务器，以使得所述服务器能够根据所述训练后的节点模型更新所述服务器中的目标模型。
图7是本发明一实施例中电动汽车联邦学习的处理装置的程序模块示意图二。
请参考图7，可选的，所述的装置，还包括：
电量检测模块204，用于检测所述电动汽车的电量；
大于第一阈值确定模块205，用于确定所述电量大于预设的第一阈值，所述第一阈值是根据训练得到所述节点模型的训练用电需求，以及所述电动汽车的行车用电需求确定的。
图8是本发明一实施例中电动汽车联邦学习的处理装置的程序模块示意图三。
请参考图8，可选的，所述的装置，还包括：
系统升级模块206，用于若检测到所述电动汽车的系统需升级，且所述电量大于预设的第二阈值且小于预设的第三阈值，则优先执行系统升级，所述第二阈值是根据升级系统的升级用电需求与所述行车用电需求确定的，所述第三阈值是根据所述训练用电需求、所述升级用电需求与所述行车用电需求确定的。
图9是本发明一实施例中电动汽车联邦学习的处理装置的程序模块示意图四。
请参考图9，可选的，所述的装置，还包括：
强度检测模块207，用于检测所述车载终端当前的信号强度信息；
高于强度阈值确定模块208，用于确定所述当前的信号强度信息高于预设的强度阈值。
可选的，所述的装置，还包括：
不上传控制模块209，用于若所述当前的信号强度信息低于所述强度阈值，则：控制所述节点模型暂时不被上传至服务器，直至所述信号强度信息变化为高于所述强度阈值。
可选的，所述接收模块201，还用于
在所述服务器中的目标模型发生更新后，接收所述服务器发送的更新后的目标模型。
可选的，所述目标模型为以下任意之一：
娱乐系统的模型、底盘调校的计算模型、驾驶策略的计算模型、发动机省油策略的计算模型、电动机省电策略的计算模型、疲劳驾驶评估模型、驾驶员身体状况评估模型，驾驶舒适性评估的模型。
综上，本实施例提供的电动汽车联邦学习的处理装置中，服务器可将模型发送至车载终端，进而，车载终端可使用本地的模型完成相应功能，无需再将数据上传至服务端，保障了用户的隐私与数据的安全。同时，本实施例中，可将车载终端作为模型的联邦学习的节点，进而，成为节点的车载终端可以利用其自身的数据训练模型，从而为服务器中模型的更新提供依据。在此基础上，服务器的模型均可基于车载终端训练后的节点模型迭代更新，在实现迭代更新的同时，服务器依旧不会直接接收到作为训练素材的相关数据，进一步保障了用户的隐私与数据的安全。
此外，本实施例中，可在充电时启动联邦学习，进而，由于充电时未在行车，通常也未使用车辆的其他功能，不会产生新的目标数据，进而，可充分利用当前已有数据(且之前训练时未使用过的数据)对模型进行训练，还可避免联邦学习在行车时占用过多算力，保障行车时的安全性。同时，在充电时进行联邦学习，还可保障电力能够保持供应，减小或避免因电力不足而发生联邦学习中断的可能性。
图10是本发明一实施例中电子设备的结构示意图。
请参考图10，提供了一种电子设备30，包括：
处理器31；以及，
存储器32，用于存储所述处理器的可执行指令；
其中，所述处理器31配置为经由执行所述可执行指令来执行以上所涉及的方法。
处理器31能够通过总线33与存储器32通讯。
本实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以上所涉及的方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种电动汽车联邦学习的处理方法，应用于车载终端，其特征在于，所述车载终端为服务器中目标模型联邦学习的一个节点；所述的方法，包括：
接收服务器发送的目标模型；
若检测到所述电动汽车正在充电，则：根据本次充电前所述电动汽车所产生的目标数据，对所述车载终端中的目标模型进行训练，得到训练后的节点模型；所述目标数据为训练所述车载终端中的目标模型所需的数据；
将所述节点模型上传至所述服务器，以使得所述服务器能够根据所述节点模型更新所述服务器中的目标模型；
其中，根据本次充电前所述电动汽车所产生的目标数据，对所述车载终端中的目标模型进行训练，得到训练后的节点模型之前，还包括：
检测所述电动汽车的电量；
确定所述电量大于预设的第一阈值，所述第一阈值是根据训练得到所述节点模型的训练用电需求，以及所述电动汽车的行车用电需求确定的。
2.根据权利要求1所述的方法，其特征在于，检测所述电动汽车的电量之后，还包括：
若检测到所述电动汽车的软件需升级，且所述电量大于预设的第二阈值且小于预设的第三阈值，则优先执行软件升级，所述第二阈值是根据升级软件的升级用电需求与所述行车用电需求确定的，所述第三阈值是根据所述训练用电需求、所述升级用电需求与所述行车用电需求确定的。
3.根据权利要求1所述的方法，其特征在于，将所述训练后的节点模型上传至所述服务器，以使得所述服务器能够根据所述训练后的节点模型更新所述服务器中的目标模型之前，还包括：
检测所述车载终端当前的信号强度信息；
确定所述当前的信号强度信息高于预设的强度阈值。
4.根据权利要求3所述的方法，其特征在于，检测所述车载终端当前的信号强度信息之后，还包括：
若所述当前的信号强度信息低于所述强度阈值，则：控制所述节点模型暂时不被上传至服务器，直至所述信号强度信息变化为高于所述强度阈值。
5.根据权利要求1所述的方法，其特征在于，还包括：
在所述服务器中的目标模型发生更新后，接收所述服务器发送的更新后的目标模型。
6.根据权利要求1所述的方法，其特征在于，所述目标模型为以下任意之一：
娱乐系统的模型、底盘调校的计算模型、驾驶策略的计算模型、发动机省油策略的计算模型、电动机省电策略的计算模型、疲劳驾驶评估模型、驾驶员身体状况评估模型，驾驶舒适性评估的模型。
7.一种电动汽车联邦学习的处理装置，应用于车载终端，其特征在于，所述车载终端为服务器中目标模型联邦学习的一个节点；所述的装置，包括：
接收模块，用于接收服务器发送的目标模型；
训练模块，用于若检测到所述电动汽车正在充电，则：根据本次充电前所述电动汽车所产生的目标数据，对所述车载终端中的目标模型进行训练，得到训练后的节点模型；所述目标数据为训练所述车载终端中的目标模型所需的数据；
上传模块，用于将所述训练后的节点模型上传至所述服务器，以使得所述服务器能够根据所述训练后的节点模型更新所述服务器中的目标模型。
8.一种电子设备，其特征在于，包括存储器与处理器，
所述存储器，用于存储代码；
所述处理器，用于执行所述存储器中的代码用以实现权利要求1至6任一项所述的方法。
9.一种存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现权利要求1至6任一项所述的方法。
CN201911209942.XA 2019-11-29 2019-11-29 电动汽车联邦学习的处理方法、装置、设备与存储介质 Active CN111008704B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911209942.XA CN111008704B (zh) 2019-11-29 2019-11-29 电动汽车联邦学习的处理方法、装置、设备与存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911209942.XA CN111008704B (zh) 2019-11-29 2019-11-29 电动汽车联邦学习的处理方法、装置、设备与存储介质

Publications (2)

Publication Number Publication Date
CN111008704A CN111008704A (zh) 2020-04-14
CN111008704B true CN111008704B (zh) 2023-08-04

Family

ID=70113683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911209942.XA Active CN111008704B (zh) 2019-11-29 2019-11-29 电动汽车联邦学习的处理方法、装置、设备与存储介质

Country Status (1)

Country Link
CN (1) CN111008704B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112164224A (zh) * 2020-09-29 2021-01-01 杭州锘崴信息科技有限公司 信息安全的交通信息处理系统、方法、设备及存储介质
CN112329009B (zh) * 2020-10-12 2022-12-06 南京理工大学 一种针对联合学习中噪声攻击的防御方法
CN113259333B (zh) * 2021-04-29 2022-10-21 深圳大学 联邦学习数据压缩方法、系统、终端、服务器及存储介质
CN113657606B (zh) * 2021-07-05 2024-06-18 河南大学 车联网场景下分压聚合的局域联邦学习方法
CN113642737B (zh) * 2021-08-12 2024-03-05 广域铭岛数字科技有限公司 一种基于汽车用户数据的联邦学习方法及系统
WO2024045043A1 (zh) * 2022-08-31 2024-03-07 华为技术有限公司 计算资源共享的方法、装置以及终端设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106534299A (zh) * 2016-11-10 2017-03-22 深圳国人通信股份有限公司 一种监控可移动目标的方法及其监控端
CN108664258A (zh) * 2018-03-27 2018-10-16 斑马网络技术有限公司 升级保护系统、车辆及其保护方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106534299A (zh) * 2016-11-10 2017-03-22 深圳国人通信股份有限公司 一种监控可移动目标的方法及其监控端
CN108664258A (zh) * 2018-03-27 2018-10-16 斑马网络技术有限公司 升级保护系统、车辆及其保护方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡彬轩.基于联邦学习的空气质量监测系统设计与实现.《中国优秀硕士学位论文全文数据库 工程科技I辑》.2019,正文第三章. *

Also Published As

Publication number Publication date
CN111008704A (zh) 2020-04-14

Similar Documents

Publication Publication Date Title
CN111008704B (zh) 电动汽车联邦学习的处理方法、装置、设备与存储介质
CN109159786B (zh) 基于驾驶员身份的驾驶习惯记忆恢复方法、装置及系统
CN108369505B (zh) 控制设备、程序更新方法和计算机程序
US11704104B2 (en) Control apparatus, control method, and computer program
US20200215930A1 (en) Control apparatus, control method, and computer program
CN111032439B (zh) 控制设备、控制方法和非暂时性计算机可读存储介质
US11340891B2 (en) Control device, control method, and computer program
CN108734336B (zh) 基于云的连接能量预算管理器
US11169797B2 (en) Vehicle controller configuration backup and restoration using data snapshots
CN111064803A (zh) 车辆软件升级方法及升级系统
CN112416371A (zh) 车载系统的远程升级方法、装置、系统及存储介质
CN111886561A (zh) 电源控制装置、电源控制方法和计算机程序
US20160112517A1 (en) Vehicle performance customization via downloadable applications
CN105974830A (zh) 电动汽车及其远程程序更新控制方法
CN112905214A (zh) 远程升级方法、装置、设备及存储介质
US9201843B2 (en) Control device
CN113625690A (zh) 一种汽车智能诊断方法、系统及移动终端
CN112109592B (zh) 车载电池的控制方法、车辆及可读存储介质
CN105210034A (zh) 显示控制装置、显示控制方法、以及其程序
CN108241361B (zh) 一种车辆电源控制方法、控制器及车辆
CN111625261B (zh) 汽车仪表软件升级方法、汽车中控主机及存储介质
CN113760326A (zh) 一种升级方法、装置、可读存储介质及车辆
WO2024011617A1 (zh) 一种升级方法及装置
CN116923287A (zh) 车载信息处理装置
CN114443092A (zh) 一种车辆执行升级任务的控制方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant