CN112749403B - 一种适用于边缘物联代理装置的边缘数据加密方法 - Google Patents

一种适用于边缘物联代理装置的边缘数据加密方法 Download PDF

Info

Publication number
CN112749403B
CN112749403B CN202110067490.7A CN202110067490A CN112749403B CN 112749403 B CN112749403 B CN 112749403B CN 202110067490 A CN202110067490 A CN 202110067490A CN 112749403 B CN112749403 B CN 112749403B
Authority
CN
China
Prior art keywords
agent device
edge
edge internet
parameters
things agent
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
CN202110067490.7A
Other languages
English (en)
Other versions
CN112749403A (zh
Inventor
于东晓
陈姝祯
邹宗瑞
田兵
严莉
郭小燕
杨飞华
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202110067490.7A priority Critical patent/CN112749403B/zh
Priority to DE112021000092.6T priority patent/DE112021000092T5/de
Priority to PCT/CN2021/081260 priority patent/WO2022156054A1/zh
Publication of CN112749403A publication Critical patent/CN112749403A/zh
Application granted granted Critical
Publication of CN112749403B publication Critical patent/CN112749403B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F21/602—Providing cryptographic facilities or services
    • 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
    • G06F21/6227—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 where protection concerns the structure of data, e.g. records, types, queries
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Abstract

本发明公开了一种适用于边缘物联代理装置的边缘数据加密方法，包括以下步骤：通过下连通信接口，为每一个边缘物联代理装置初始化系统相关的全局参数；每个边缘物联代理装置通过对训练集的随机抽样，利用得到的数据样本对机器学习模型的损耗函数计算梯度；先进行容错处理，然后对每个边缘物联代理装置的本地参数与上一阶段的梯度做差后进行加噪处理；每个边缘物联代理装置将上一阶段经过加噪处理后的参数传输给邻居设备；边缘物联代理装置根据邻居节点传来的数据对本地参数进行更新迭代，并存储新的参数。本发明所公开的方法利用差分隐私技术来实现对本地数据隐私的保护，并且在一定程度上减少了由于数据加噪而对机器学习效率和收敛性的影响。

Description

一种适用于边缘物联代理装置的边缘数据加密方法
技术领域
本发明属于分布式网络技术领域，特别涉及一种适用于边缘物联代理装置的边缘数据加密方法。
背景技术
边缘计算(Mobile Edge Computing)是一种可以为边缘移动设备提供云计算功能的崭新计算技术。通过将计算任务从中央服务器移动到本地边缘设备，计算效率将大大提高，同时也可以为移动设备的用户提供响应更快的服务。随着5G和6G技术的到来，低时延、高带宽、高可靠、海量连接等特点的应用场景逐渐常见起来，边缘计算也越来越凸显着巨大的优势并逐渐流行。
在车载网和智能监控等许多边缘计算的应用领域，机器学习发挥着越来越重要的作用。另外，去中心化是边缘计算的一个重要特征。因此，去中心化的机器学习技术对边缘计算的应用有着重要的意义。在去中心化分布式学习的计算模式中，总的学习任务将被分配到若干个工作节点上平行处理来加速学习过程，提高边缘计算工作效率。由于没有中央服务器，去中心化的机器学习将对通信瓶颈和节点故障等问题有着更高的鲁棒性。
边缘物联代理装置是实现智能边缘计算的物理设备之一。随着电力物联网建设的不断推进和大数据时代下物联网终端数据接入量的快速增长，如何实现对终端数据的高效解析和快速处理成了亟待解决的问题。针对这个问题出现了基于泛在物联和边缘计算的边缘物联代理装置。装置增加数据协议转换和边缘计算能力，拥有数据采集、边缘计算和AI功能等几大模块。装置支持从实际应用场景出发，自定义开发部署应用，目前已完成作业现场诊断应用、新能源入网电量计算应用、数据中心基础设施和设备风险预警应用开发和部署，有力支撑泛在电力物联网建设以及电网与其他行业的价值共创。
尽管利用边缘物联代理装置进行边缘计算有许多优势，但是其作为一种较新的技术，仍然存在许多隐私安全问题。例如，边缘物联设备作为一种物联网设备容易被黑客攻击或者因为来自应用程序的后端查询而导致数据泄露。另外，由于移动设备的安全防护不够强大，许多设备都不得不暴露在各种恶意病毒中。另外，在进行机器学习任务时如何有效地在不同物联设备之间进行数据通信仍是一个值得研究改进的方向。
差分隐私是一种密码学技术，可以有效对数据库中的每一条信息的安全做出保证。差分隐私技术通过适当地调整对数据库统计性查询结果，来尽可能保证在任何情况下，数据库中任何一条数据的都不容易被泄露。一般来说，可以通过对查询结果加噪声的方法来模糊查询结果以达到加密的效果。在边缘计算的学习任务中，通过引入差分隐私技术来进行本地数据库的保护仍然是一种新的尝试。另外，如何减少加入隐私保护之后对分布式机器学习任务的效率和收敛性的影响也是值得探讨的问题。
发明内容
为解决上述技术问题，本发明提供了一种适用于边缘物联代理装置的边缘数据加密方法，利用差分隐私技术来实现对本地数据隐私的保护，并且在一定程度上减少了由于数据加噪而对机器学习效率和收敛性的影响。
为达到上述目的，本发明的技术方案如下：
一种适用于边缘物联代理装置的边缘数据加密方法，包括以下步骤：
(1)初始化阶段：通过下连通信接口，为每一个边缘物联代理装置初始化系统相关的全局参数；
(2)梯度计算阶段：采用随机梯度下降的思想，每个边缘物联代理装置通过对训练集的随机抽样，利用AI功能模块利用得到的数据样本对机器学习模型的损耗函数计算梯度，用于下一阶段的梯度下降；
(3)加噪处理阶段：先进行容错处理，然后对每个边缘物联代理装置的本地参数与上一阶段的梯度做差后进行加噪处理；
(4)参数传播阶段：每个边缘物联代理装置将上一阶段经过加噪处理后的参数传输给邻居设备；
(5)参数更新阶段：边缘物联代理装置根据邻居节点传来的数据对本地参数进行更新迭代，并存储新的参数。
上述方案中，步骤(1)中全局参数包括：迭代次数和机器学习模型参数的初始值x0，学习率γ和融合率η，具有双随机性质的权重矩阵W，以及添加噪声的方差。
上述方案中，步骤(2)具体方法如下：
(2.1)在第t轮迭代时，从本地数据库中以随机抽样的方法均匀地抽取出一条数据样本
Figure BDA0002904660620000021
并存入内存中，i表示第i个边缘物联代理装置；
(2.2)利用边缘物联代理装置的AI加速芯片及其部署的通用的AI SDK，根据机器学习模型里损耗函数的形式，通过取得的数据样本
Figure BDA0002904660620000031
对模型损耗函数求出对应的梯度
Figure BDA0002904660620000032
(2.3)对求得的梯度
Figure BDA0002904660620000033
进行梯度裁剪处理得到新的梯度
Figure BDA0002904660620000034
并应用到后面的处理中，具体处理方法为：
Figure BDA0002904660620000035
其中
Figure BDA0002904660620000036
C表示裁剪后梯度二范数的最大值。
上述方案中，步骤(3)具体方法如下：
(3.1)首先将边缘物联代理装置的本地参数减去上一次所加的噪声，得到修正后的本地参数
Figure BDA0002904660620000037
并保存；
(3.2)从给定的N维高斯分布中的各个维度随机抽取一个向量，且保证向量中的每个随机变量相互独立，得到噪声向量
Figure BDA0002904660620000038
(3.3)使用步骤(2)中得到的裁剪后的参数，在边缘物联代理装置本地对进行容错修正后的本地参数
Figure BDA0002904660620000039
进行一次梯度下降处理：
Figure BDA00029046606200000310
其中
Figure BDA00029046606200000311
表示算法中的中间变量，γ是学习率；
(3.4)对上一步骤中得到的参数进行加噪：
Figure BDA00029046606200000312
其中
Figure BDA00029046606200000313
指边缘物联代理装置i在第t轮迭代时待传出去的参数。
上述方案中，步骤(4)具体方法如下：
(4.1)每一个边缘物联代理装置将上一步进行过加噪处理后的本地参数以组播的方式传播到其他边缘物联代理装置组成的网络中，并通过上行线路定向传给自己的邻居节点；
(4.2)每个边缘物联代理装置通过数据采集模块利用无线通信协议接收并校验收到的信息，并将来自其他工作节点的信息收入内存中。
上述方案中，步骤(5)具体方法如下：
(5.1)使用权重矩阵来对收到的参数进行加权平均，再对加权平均的结果乘以融合率μ来获得最终外部参数对本地数据更新的影响，即得到了
Figure BDA00029046606200000314
其中
Figure BDA00029046606200000315
为边缘物联代理装置i的中间变量，表示外部参数对本地数据更新的影响，Wij表示权重矩阵第i行和第j列的数据，当两个边缘物联代理装置i与j之间不能直接通信时，则存在Wij＝Wji＝0，
Figure BDA00029046606200000316
表示边缘物联代理装置j传来的参数；
(5.2)每个边缘物联代理装置进行一次本地梯度下降，并将结果加上上一轮中计算得到的其他参数的修正来进行结果的融合，即得到
Figure BDA00029046606200000317
其中γ为学习率，
Figure BDA0002904660620000041
表示第t+1轮迭代时边缘物联代理装置i的参数，
Figure BDA0002904660620000042
表示第t轮迭代时边缘物联代理装置i的参数。
通过上述技术方案，本发明提供的一种适用于边缘物联代理装置的边缘数据加密方法具有以下效果：
(1)本发明考虑了带隐私保护的去中心化机器学习算法，实现了利用边缘计算设备进行机器学习任务，同时通过对数据加噪来保证学习过程中每一次数据交换的过程中，每一个工作节点的本地数据的隐私都得到了保护。
(2)本发明通过引入了容错机制，通过将本地参数减去上一轮所加的噪声来尽量抵消噪声所带来的随机扰动对学习任务的效率和收敛性的影响。
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。
图1为本发明实施例所公开的一种适用于边缘物联代理装置的边缘数据加密方法整体示意图。
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。
本发明提供了一种适用于边缘物联代理装置的边缘数据加密方法，如图1所示，该方法可以利用差分隐私技术来实现对本地数据隐私的保护，并且在一定程度上减少了由于数据加噪而对机器学习效率和收敛性的影响。
具体实施例如下：
一种适用于边缘物联代理装置的边缘数据加密方法，包括以下步骤：
(1)初始化阶段：
(1.1)设置迭代次数和模型参数的初始值x0，该值一般设置为0，更靠近最优参数的初始值将更快地降低损耗函数的值并共同收敛到最优解；
(1.2)设置学习率γ和融合率η，分别用来控制学习和参数融合的速率；
(1.3)设置具有双随机性质的权重矩阵W，当网络中的每个工作节点(边缘物联代理装置)进行参数的融合时，会根据W中对应位置的值来对来自邻居的参数赋予不同的权重；
(1.4)设置添加噪声的方差，通过不同尺度的方差可以决定实现隐私保护的等级，同时过大的方差也会导致收敛速率的降低。
当同步时钟拨动时，整个系统里的每个工作节点进入循环迭代阶段。
(2)梯度计算阶段：
(2.1)在第t轮迭代时，从本地数据库中以随机抽样的方法均匀地抽取出一条数据样本
Figure BDA0002904660620000051
并存入内存中，i表示第i个边缘物联代理装置；
(2.2)利用边缘物联代理装置的AI加速芯片及其部署的通用的AI SDK，根据学习模型里损耗函数的形式，通过取得的数据样本
Figure BDA0002904660620000052
对模型损耗函数求出对应的梯度
Figure BDA0002904660620000053
(2.3)对求得的梯度
Figure BDA0002904660620000054
进行梯度裁剪处理得到新的梯度
Figure BDA0002904660620000055
并应用到后面的处理中，具体处理方法为：
Figure BDA0002904660620000056
其中
Figure BDA0002904660620000057
C表示裁剪后梯度二范数的最大值。
计算好梯度后，将梯度进行保存并进入下一轮，对于不同节点来说，此步可以异步进行。
(3)加噪处理阶段：
(3.1)首先将边缘物联代理装置的本地参数减去上一次所加的噪声，得到修正后的本地参数
Figure BDA0002904660620000058
并保存；
(3.2)从给定的N维高斯分布中的各个维度随机抽取一个向量，且保证向量中的每个随机变量相互独立，得到噪声向量
Figure BDA0002904660620000059
(3.3)使用步骤(2)中得到的裁剪后的参数，在边缘物联代理装置本地对进行容错修正后的本地参数
Figure BDA00029046606200000510
进行一次梯度下降处理：
Figure BDA00029046606200000511
其中
Figure BDA00029046606200000512
表示算法中的中间变量，γ是学习率；
(3.4)对上一步骤中得到的参数进行加噪：
Figure BDA00029046606200000513
其中
Figure BDA00029046606200000514
指边缘物联代理装置i在第t轮迭代时待传出去的参数。
对参数进行加噪后，已经可以准备好进行组播操作。
(4)参数传播阶段：
(4.1)每一个边缘物联代理装置将上一步进行过加噪处理后的本地参数以组播的方式传播到其他边缘物联代理装置组成的网络中，并通过上行线路定向传给自己的邻居节点；
(4.2)每个边缘物联代理装置通过数据采集模块利用RFID、蓝牙、ZigBee、LoRa、NB-IoT等无线通信协议接收并校验收到的信息，并将来自其他工作节点的信息收入内存中。
(5)参数更新阶段：
(5.1)使用权重矩阵来对收到的参数进行加权平均，再对加权平均的结果乘以融合率μ来获得最终外部参数对本地数据更新的影响，即得到了
Figure BDA0002904660620000061
其中
Figure BDA0002904660620000062
为边缘物联代理装置i的中间变量，表示外部参数对本地数据更新的影响，Wij表示权重矩阵第i行和第j列的数据，当两个边缘物联代理装置i与j之间不能直接通信时，则存在Wij＝Wji＝0，
Figure BDA0002904660620000063
表示边缘物联代理装置j传来的参数；
(5.2)每个边缘物联代理装置进行一次本地梯度下降，并将结果加上上一轮中计算得到的其他参数的修正来进行结果的融合，即得到
Figure BDA0002904660620000064
其中γ为学习率，
Figure BDA0002904660620000065
表示第t+1轮迭代时边缘物联代理装置i的参数，
Figure BDA0002904660620000066
表示第t轮迭代时边缘物联代理装置i的参数。
该方法可在每个边缘物联代理装置所属的训练集有差异的情况下进行机器学习并实现模型参数的最终收敛，同时通过加噪机制在一定程度上保证了网络中每个节点的本地数据的隐私安全，满足了差分隐私的要求。另外，该方法也引入了容错机制，通过错误补偿方法来尽可能地抵消由加噪产生的信息损耗，加速物联网络中参数整体的收敛速度。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (5)

1.一种适用于边缘物联代理装置的边缘数据加密方法，其特征在于，包括以下步骤：
(1)初始化阶段：通过下连通信接口，为每一个边缘物联代理装置初始化系统相关的全局参数；
(2)梯度计算阶段：采用随机梯度下降的思想，每个边缘物联代理装置通过对训练集的随机抽样，利用AI功能模块利用得到的数据样本对机器学习模型的损耗函数计算梯度，用于下一阶段的梯度下降；
(3)加噪处理阶段：先进行容错处理，然后对每个边缘物联代理装置的本地参数与上一阶段的梯度做差后进行加噪处理；
(4)参数传播阶段：每个边缘物联代理装置将上一阶段经过加噪处理后的参数传输给邻居设备；
(5)参数更新阶段：边缘物联代理装置根据邻居节点传来的数据对本地参数进行更新迭代，并存储新的参数；
步骤(3)具体方法如下：
(3.1)首先将边缘物联代理装置的本地参数减去上一次所加的噪声，得到修正后的本地参数
Figure FDA0003497409100000011
并保存；
(3.2)从给定的N维高斯分布中的各个维度随机抽取一个向量，且保证向量中的每个随机变量相互独立，得到噪声向量
Figure FDA0003497409100000012
(3.3)使用步骤(2)中得到的裁剪后的参数，在边缘物联代理装置本地对进行容错修正后的本地参数
Figure FDA0003497409100000013
进行一次梯度下降处理：
Figure FDA0003497409100000014
其中
Figure FDA0003497409100000015
表示算法中的中间变量，γ是学习率；
(3.4)对上一步骤中得到的参数进行加噪：
Figure FDA0003497409100000016
其中
Figure FDA0003497409100000017
指边缘物联代理装置i在第t轮迭代时待传出去的参数。
2.根据权利要求1所述的一种适用于边缘物联代理装置的边缘数据加密方法，其特征在于，步骤(1)中全局参数包括：迭代次数和机器学习模型参数的初始值x0，学习率γ和融合率η，具有双随机性质的权重矩阵W，以及添加噪声的方差。
3.根据权利要求1所述的一种适用于边缘物联代理装置的边缘数据加密方法，其特征在于，步骤(2)具体方法如下：
(2.1)在第t轮迭代时，从本地数据库中以随机抽样的方法均匀地抽取出一条数据样本
Figure FDA0003497409100000018
并存入内存中，i表示第i个边缘物联代理装置；
(2.2)利用边缘物联代理装置的AI加速芯片及其部署的通用的AI SDK，根据机器学习模型里损耗函数的形式，通过取得的数据样本
Figure FDA0003497409100000021
对模型损耗函数求出对应的梯度
Figure FDA0003497409100000022
(2.3)对求得的梯度
Figure FDA0003497409100000023
进行梯度裁剪处理得到新的梯度
Figure FDA0003497409100000024
并应用到后面的处理中，具体处理方法为：
Figure FDA0003497409100000025
其中
Figure FDA0003497409100000026
C表示裁剪后梯度二范数的最大值。
4.根据权利要求1所述的一种适用于边缘物联代理装置的边缘数据加密方法，其特征在于，步骤(4)具体方法如下：
(4.1)每一个边缘物联代理装置将上一步进行过加噪处理后的本地参数以组播的方式传播到其他边缘物联代理装置组成的网络中，并通过上行线路定向传给自己的邻居节点；
(4.2)每个边缘物联代理装置通过数据采集模块利用无线通信协议接收并校验收到的信息，并将来自其他工作节点的信息收入内存中。
5.根据权利要求4所述的一种适用于边缘物联代理装置的边缘数据加密方法，其特征在于，步骤(5)具体方法如下：
(5.1)使用权重矩阵来对收到的参数进行加权平均，再对加权平均的结果乘以融合率μ来获得最终外部参数对本地数据更新的影响，即得到了
Figure FDA0003497409100000027
其中
Figure FDA0003497409100000028
为边缘物联代理装置i的中间变量，表示外部参数对本地数据更新的影响，Wij表示权重矩阵第i行和第j列的数据，当两个边缘物联代理装置i与j之间不能直接通信时，则存在Wij＝Wji＝0，
Figure FDA0003497409100000029
表示边缘物联代理装置j传来的参数；
(5.2)每个边缘物联代理装置进行一次本地梯度下降，并将结果加上上一轮中计算得到的其他参数的修正来进行结果的融合，即得到
Figure FDA00034974091000000210
其中γ为学习率，
Figure FDA00034974091000000211
表示第t+1轮迭代时边缘物联代理装置i的参数，
Figure FDA00034974091000000212
表示第t轮迭代时边缘物联代理装置i的参数。
CN202110067490.7A 2021-01-19 2021-01-19 一种适用于边缘物联代理装置的边缘数据加密方法 Active CN112749403B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110067490.7A CN112749403B (zh) 2021-01-19 2021-01-19 一种适用于边缘物联代理装置的边缘数据加密方法
DE112021000092.6T DE112021000092T5 (de) 2021-01-19 2021-03-17 Verfahren zur Verschlüsselung von Edge-Daten für Edge-IoT-Proxy-Geräte
PCT/CN2021/081260 WO2022156054A1 (zh) 2021-01-19 2021-03-17 一种适用于边缘物联代理装置的边缘数据加密方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110067490.7A CN112749403B (zh) 2021-01-19 2021-01-19 一种适用于边缘物联代理装置的边缘数据加密方法

Publications (2)

Publication Number Publication Date
CN112749403A CN112749403A (zh) 2021-05-04
CN112749403B true CN112749403B (zh) 2022-03-18

Family

ID=75652456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110067490.7A Active CN112749403B (zh) 2021-01-19 2021-01-19 一种适用于边缘物联代理装置的边缘数据加密方法

Country Status (3)

Country Link
CN (1) CN112749403B (zh)
DE (1) DE112021000092T5 (zh)
WO (1) WO2022156054A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113301134B (zh) * 2021-05-14 2022-01-07 山东大学 一种适用于边缘物联代理装置的容错型协作决策的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018233045A1 (zh) * 2017-06-21 2018-12-27 深圳市盛路物联通讯技术有限公司 一种物联网通信模式的切换控制方法及系统
CN110390206A (zh) * 2019-04-19 2019-10-29 江苏慧中数据科技有限公司 边云系统框架下具有隐私保护的梯度下降加速算法
CN111814189A (zh) * 2020-08-21 2020-10-23 安徽大学 一种基于差分隐私的分布式学习隐私保护方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9049611B2 (en) * 2011-08-17 2015-06-02 CBF Networks, Inc. Backhaul radio with extreme interference protection
CN110719158B (zh) * 2019-09-11 2021-11-23 南京航空航天大学 基于联合学习的边缘计算隐私保护系统及保护方法
CN111611610B (zh) * 2020-04-12 2023-05-30 西安电子科技大学 联邦学习信息处理方法、系统、存储介质、程序、终端

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018233045A1 (zh) * 2017-06-21 2018-12-27 深圳市盛路物联通讯技术有限公司 一种物联网通信模式的切换控制方法及系统
CN110390206A (zh) * 2019-04-19 2019-10-29 江苏慧中数据科技有限公司 边云系统框架下具有隐私保护的梯度下降加速算法
CN111814189A (zh) * 2020-08-21 2020-10-23 安徽大学 一种基于差分隐私的分布式学习隐私保护方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
泛在电力物联网感知层总体架构研究;黄卫平等;《能源与环境》;20201231;全文 *

Also Published As

Publication number Publication date
DE112021000092T5 (de) 2022-11-03
WO2022156054A1 (zh) 2022-07-28
CN112749403A (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
Amiri et al. Computation scheduling for distributed machine learning with straggling workers
Wan et al. Reinforcement learning based mobile offloading for cloud-based malware detection
Ortet Lopes et al. Towards effective detection of recent DDoS attacks: A deep learning approach
CN111181930A (zh) DDoS攻击检测的方法、装置、计算机设备及存储介质
CN111431819A (zh) 一种基于序列化的协议流特征的网络流量分类方法和装置
CN114626547A (zh) 一种基于区块链的群组协同学习方法
CN112749403B (zh) 一种适用于边缘物联代理装置的边缘数据加密方法
CN109816113A (zh) 基于分布式量子计算机的搜索方法及系统
Qiu et al. Born this way: A self-organizing evolution scheme with motif for internet of things robustness
Ng et al. Resource optimization for UAV-assisted wireless power charging enabled hybrid coded edge computing network
Asheralieva et al. Secure and efficient coded multi-access edge computing with generalized graph neural networks
Li et al. UbiNN: A Communication Efficient Framework for Distributed Machine Learning in Edge Computing
Hoang et al. A novel distributed machine learning model to detect attacks on edge computing network
CN112738225B (zh) 基于人工智能的边缘计算方法
Huang A data-driven WSN security threat analysis model based on cognitive computing
CN115758643A (zh) 一种基于时空特征融合的网络流量预测方法、装置及存储介质
Cheng et al. Efficient deep learning approach for computational offloading in mobile edge computing networks
Aneja et al. Collaborative adversary nodes learning on the logs of IoT devices in an IoT network
CN116150612A (zh) 模型训练的方法和通信装置
Sathar et al. Mitigating IEC-60870-5-104 vulnerabilities: Anomaly detection in smart grid based on LSTM autoencoder
CN112989369B (zh) 一种适用于动态分布式物联网系统的数据加密学习方法
Dudin et al. Retrial queue of BMAP/PH/N type with customers balking, impatience and non-persistence
Hong et al. Retracted: Artificial intelligence point‐to‐point signal communication network optimization based on ubiquitous clouds
Gusrialdi et al. Growing connected networks under privacy constraint: Achieving trade-off between performance and security
Miao et al. Workload prediction in edge computing based on graph neural network

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