CN113255924B - 联邦学习参与者选择方法、装置、设备和存储介质 - Google Patents
联邦学习参与者选择方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113255924B CN113255924B CN202011345470.3A CN202011345470A CN113255924B CN 113255924 B CN113255924 B CN 113255924B CN 202011345470 A CN202011345470 A CN 202011345470A CN 113255924 B CN113255924 B CN 113255924B
- Authority
- CN
- China
- Prior art keywords
- factor
- participant
- factors
- determining
- data quality
- 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
Links
- 238000010187 selection method Methods 0.000 title description 6
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000003287 optical effect Effects 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 20
- 230000015556 catabolic process Effects 0.000 claims description 19
- 238000006731 degradation reaction Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 5
- 238000011425 standardization method Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 230000000295 complement effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012163 sequencing technique Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5003—Managing SLA; Interaction between SLA and QoS
- H04L41/5009—Determining service level performance parameters or violations of service level contracts, e.g. violations of agreed response time or mean time between failures [MTBF]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Mobile Radio Communication Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请提供一种联邦学习参与者选择方法、装置、设备和存储介质，包括：获取多个待选择参与者，分别确定每个待选择参与者的数据质量因子，业务因子和稳定性因子，基于多个待选择参与者的数据质量因子，业务因子和稳定性因子确定被选中的参与者，本实施例中通过引入数据质量因子、业务因子、稳定性因子来挑选参与者，并将结果量化以方便挑选参与者，以选出高质量联邦学习参与者，提高联邦学习的效果。
Description
技术领域
本申请涉及通信技术领域，具体涉及一种参与者选择方法、装置、设备和存储介质。
背景技术
联邦学习是为了解决人工智能领域数据共享的私密性和安全性的一种解决方案。联邦学习中参与者的质量和通信效果，对联邦学习的结果影响很大。
图1是现有的通信领域中联邦学习系统的总体架构的示意图；如图1所示，操作维护中心(Operation and Maintenance Center，OMC)作为联邦学习的协调者或服务器，基站作为参与者或客户端。在该架构中，参与者的选择可以利用OMC的历史数据，避免与基站频繁交互带来的通信开销，以及对基站正常业务的影响。
发明内容
本申请提供的联邦学习参与者选择方法、装置、设备和存储介质，选出高质量联邦学习参与者，提高联邦学习的效果。
第一方面，本申请实施例提供一种联邦学习参与者选择方法，包括：
获取多个待选择参与者；
分别确定每个所述待选择参与者的数据质量因子，业务因子和稳定性因子；
基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定被选中的参与者。
第二方面，本申请实施例提供一种联邦学习参与者选择装置，其包括：
获取模块，被配置为获取多个待选择参与者；
因子确定模块，被配置为分别确定每个所述待选择参与者的数据质量因子，业务因子和稳定性因子；
参与者选择模块，被配置为基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定被选中的参与者。
第三方面，本申请实施例提供一种联邦学习参与者选择设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本申请实施例提供的任一项所述的方法。
第四方面，本申请实施例提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如本申请实施例提供的任一项所述的方法。
本实施例提供的联邦学习参与者选择方法、装置、设备和存储介质，包括：获取多个待选择参与者，分别确定每个待选择参与者的数据质量因子，业务因子和稳定性因子，基于多个待选择参与者的数据质量因子，业务因子和稳定性因子确定被选中的参与者，本实施例中通过引入数据质量因子、业务因子、稳定性因子来挑选参与者，并将结果量化以方便挑选参与者，选出高质量联邦学习参与者，提高联邦学习的效果。
关于本申请的以上实施例和其他方面以及其实现方式，在附图说明、具体实施方式和权利要求中提供更多说明。
附图说明
图1是现有的通信领域中联邦学习系统的总体架构的示意图；
图2是本申请实施例提供的一种联邦学习参与者选择方法的流程图；
图3是本申请实施例提供的一种联邦学习参与者选择装置的结构示意图；
图4是本申请实施例提供的一种联邦学习参与者选择设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请的技术方案可以应用于各种通信系统，例如：全球移动通讯(GlobalSystem of Mobile communication，GSM)系统、码分多址(Code Division MultipleAccess，CDMA)系统、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)系统、通用分组无线业务(General Packet Radio Service，GPRS)、长期演进(Long TermEvolution，LTE)系统、LIE-A(Advanced long term evolution，先进的长期演进)系统、通用移动通信系统(Universal Mobile Telecommunication System，UMTS)、以及第五代移动通信技术(5th generation wireless systems，5G)系统等，本申请实施例并不限定。在本申请中以5G系统为例进行说明。
本申请实施例中，基站可以是能和用户终端进行通信的设备。基站可以是任意一种具有无线收发功能的设备。包括但不限于：基站NodeB、演进型基站eNodeB、5G通信系统中的基站、未来通信系统中的基站、WiFi系统中的接入节点、无线中继节点、无线回传节点等。基站还可以是云无线接入网络(cloud radio access network，CRAN)场景下的无线控制器；基站还可以是小站，传输节点(transmission reference point，TRP)等，本申请实施例并不限定。在本申请中以5G基站为例进行说明。
在一个实施例中，本申请提供一种联邦学习参与者选择方法，如图2所示，本实施例提供的参与者选择方法主要包括步骤S11、S12和S13。
S11、获取多个待选择参与者；
S12、分别确定每个所述待选择参与者的数据质量因子，业务因子和稳定性因子；
S13、基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定被选中的参与者。
在本实施例中，所述参与者是指参与联邦学习的基站，也可以称为客户端。待选择参与者是指想要参加联邦学习，被选择的参与者。
获取待选择参与者可以是选取与OMC进行通信的多个待选择参与者。
在一个示例性的实施方式中，确定所述待选择参与者的数据质量因子，业务因子和稳定性因子，包括：基于联邦学习类型确定所述待选择参与者的数据质量因子，业务因子和稳定性因子。
在一个示例性的实施方式中，所述联邦学习类型包括如下一个或多个：KPI劣化检测，小区权重优化，光模块故障预测。
在本实施例中，可以根据联邦学习的类型来确定不同场景下的数据质量因子，业务因子和稳定性因子。
在一个示例性的实施方式中，在所述联邦学习类型是小区权重优化的情况下，基于联邦学习类型确定所述待选择参与者的数据质量因子，业务因子和稳定性因子，包括：
基于所述待选择参与者的QoS告警参数确定数据质量因子；
基于所述待选择参与者的经纬度确定业务因子；
基于所述待选择参与者的在服时间确定稳定性因子。
在本实施例中，选择QoS告警作为数据质量因子data，选择基站的经纬度作为业务因子value，将基站在服的时间作为稳定度因子available。
本实施例中是挑选哪些基站参与优化。哪些小区参加优化是根据小区性能数据或是MR数据来的。小区性能差的基站参与优化，因此选择QoS告警作为数据质量因子，将QoS告警出现的比率作为数据质量因子data的取值，即data＝Num(QoS告警)/Num(告警)。
本实施例中，天线权值优化跟基站的地理位置相关，一个区域的基站地理位置要有相关性。因此，选择基站的经纬度作为业务因子value，即value＝[Latitude,longitude]；Latitude是指纬度值，longitude是指经度值。
将基站在服的时间作为稳定度因子available，即available＝time(在服)/time。
在一个示例性的实施方式中，基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定被选中的参与者，包括：将数据质量因子，业务因子和稳定性因子满足最优函数取值的待选择参与者确定为被选中的参与者。
在一个示例性的实施方式中，所述最优函数为：f(data,value,available)＝
其中，n是指待选择参与者的总个数，i是第i个待选择参与者，data是数据质量因子，value是业务因子，available是稳定性因子，a是第一阈值，由各个待选择参与者的value值确定，b是第二阈值，由各个待选择参与者的data值确定，c是第三阈值，由各个待选择参与者的available值确定。
在本实施例中，各参与者业务因子value值方差的累加之后的最小值设为a，将各基站data累加值设置为b，将各基站available累加值设置为c。a,b,c的取值根据对该算法的精度要求设置，设置一个初始值之后可以随着算法进度调整。
进一步的，将每个基站的取值带入优化函数f(data,value,available)，只要满足该公式取值，则该基站被选中。
在一个示例性的实施方式中，在所述联邦学习类型是KPI劣化检测或光模块故障预测的情况下，基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定被选中的参与者，包括：基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定每个待选择参与者的选取参数；将所述选取参数进行排序，将排在前L个的所述待选择参与者确定为被选中的参与者。
在一个示例性的实施方式中，在所述联邦学习类型是KPI劣化检测的情况下，基于联邦学习类型确定所述待选择参与者的数据质量因子，业务因子和稳定性因子，包括：基于所述待选择参与者的性能数据完整性参数确定数据质量因子；基于所述待选择参与者的QoS告警参数确定业务因子；基于所述待选择参与者的在服时间确定稳定性因子。
在本实施例中，选择性能数据完整性作为数据质量因子data，选择QoS告警作为业务因子value，将基站在服的时间作为稳定度因子available。
本实施例中，上述数据质量因子的计算方法为计算正常性能数据采集时间比例，即data＝1-Time(补采)/Time。Time是指性能数据采集总时长，Time(补采)是补充采集性能数据的时长。
本实施例中，KPI劣化检测为例，需要挑选出经常出现KPI劣化的站点，这样才能更多分析出劣化原因，因此选择QoS告警作为业务因子value。将QoS告警出现的比率作为该业务因子value取值，即value＝Num(QoS告警)/Num(告警)；Num(告警)是指告警的总数，Num(QoS告警)是指QoS告警的次数。
本实施例中，将基站在服的时间作为稳定度因子available，即available＝time(在服)/time；time(在服)基站在服的时间。
在一个示例性的实施方式中，基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定每个待选择参与者的选取参数，包括：针对每个待选择的参与者，对数据质量因子，业务因子和稳定性因子分别采用线性标准化方法进行归一化处理；将归一化处理后的数据质量因子，业务因子和稳定性因子进行第一加权处理，得到待选择参与者的选取参数。
将上述数据质量因子data，业务因子value和稳定度因子available不在一个维度内，因此需要进行归一化处理。分别对上述因此采用线性标准化方法进行归一化处理，得到归一化的的数据质量因子Data1，业务因子Value1和稳定度因子Available1。
归一化之后，将上述几个维度的数据可以进行累加处理。
由于需要考虑这几个因子在该算法中的权重，因此取f(data,value,available)＝A1×Data1+B1×Value1+C1×Available1，其中的权重因子A1、B1、C1可以根据经验设置，但A+B+C应为1。
进一步的，对每个基站都按照上述算法进行计算。并对最终得到的结果按照从大到小排序，将排在前L个的基站确定为被选中的基站。其中，L为正整数，可以根据实际情况进行设置。
在一个示例性的实施方式中，在所述联邦学习类型是光模块故障预测的情况下，基于联邦学习类型确定所述待选择参与者的数据质量因子，业务因子和稳定性因子，包括：基于所述待选择参与者的性能数据完整性参数确定数据质量因子；基于所述待选择参与者的光模块链路的质量参数确定业务因子；基于所述待选择参与者的在服时间确定稳定性因子。
在本实施例中，选择性能数据完整性作为数据质量因子data，选择光模块链路的在服时间表示业务因子value，将基站在服的时间作为稳定度因子available。
在本实施例中，由于算法主要利用的误码率数据是通过性能数据上报的，因此选择性能数据完整性作为数据质量因子。该因子的计算方法为计算正常性能数据采集时间比例，即data＝1-Time(补采)/Time；
在本实施例中，预测所需的其他数据要从光模块获取，因此需要保证光模块链路的稳定性。用光模块链路的质量作为业务因子，该因子使用光模块链路的在服时间表示，即value＝time(光模块在服)/time。
在本实施例中，将基站在服的时间作为稳定度因子available，即available＝time(在服)/time。
在一个示例性的实施方式中，基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定每个待选择参与者的选取参数，包括：针对每个待选择的参与者，将数据质量因子，业务因子和稳定性因子进行第二加权处理，得到待选择参与者的选取参数。
本实施例中，上述各因子的维度相同，不需要进行归一化处理，因此取f(data,value,available)＝a2×data+b2×value+c2×available即可。其中a,b,c作为权重因子根据经验设置调整。
进一步的，对每个基站都按照上述算法进行计算。并对最终得到的结果按照从大到小排序，将排在前L个的基站确定为被选中的基站。其中，L为正整数，可以根据实际情况进行设置。
在一个应用性实例中，以KPI劣化检测联邦学习参与者管理，本实施例要求挑选KPI劣化较为明显的小区作为参与者。
步骤一：剔除处于业务高峰期、睡眠或节能状态的基站。
步骤二：选择性能数据完整性作为数据质量因子data。
该数据质量因子的计算方法为计算正常性能数据采集时间比例，即data＝1-Time(补采)/Time。Time是指性能数据采集总时长，Time(补采)是补充采集性能数据的时长。
步骤三：选择QoS告警作为业务因子value。
KPI劣化检测为例，需要挑选出经常出现KPI劣化的站点，这样才能更多分析出劣化原因，因此选择QoS告警作为业务因子value。将QoS告警出现的比率作为该业务因子value取值，即value＝Num(QoS告警)/Num(告警)；Num(告警)是指告警的总数，Num(QoS告警)是指QoS告警的次数。
步骤四：将基站在服的时间作为稳定度因子available，即available＝time(在服)/time；time(在服)基站在服的时间。
步骤五：将上述数据质量因子data，业务因子value和稳定度因子available分别采用线性标准化方法进行归一化处理，得到归一化的的数据质量因子Data1，业务因子Value1和稳定度因子Available1。
步骤六：归一化之后，将上述几个维度的数据可以进行累加处理。
还需要考虑这几个因子在该算法中的权重，因此取f(data,value,available)＝A1×Data1+B1×Value1+C1×Available1，其中的权重因子A1、B1、C1可以根据经验设置，但A+B+C应为1。
步骤七：可以随机挑选若干基站，也可以对每个基站都按照上述算法进行计算。并对最终得到的结果按照从大到小排序，将排在前L个的基站确定为被选中的基站。其中，L为正整数，可以根据实际情况进行设置。
在一个应用性实例中，小区权值优化为例进行说明。小区权值优化提供小区广播权值的自动调整，用户为一个区域建一个任务，设置合适的参数。系统通过测量、优化计算最优权值组、评估、恢复权值一系列步骤进行权值的自动调整。
步骤一：剔除处于业务高峰期、睡眠或节能状态的基站。
步骤二：选择QoS告警作为数据质量因子data。
本实施例中是挑选哪些基站参与优化，是根据小区性能数据或是MR数据来的，小区性能差的参与优化，因此选择QoS告警作为数据质量因子，将QoS告警出现的比率作为数据质量因子data的取值，即data＝Num(QoS告警)/Num(告警)。
步骤三：选择基站的经纬度作为业务因子value。
本实施例中，天线权值优化为例，跟基站的地理位置相关，一个区域的基站地理位置要有相关性。因此，选择基站的经纬度作为业务因子value，即value＝[Latitude,longitude]；Latitude是指纬度值，longitude是指经度值。
步骤四：将基站在服的时间作为稳定度因子available，即available＝time(在服)/time。
步骤五：对于业务因子value需要满足各基站的经纬度最接近，因此各基站业务因子value值方差的累加之后的最小值设为a，将各基站data累加的阈值设置为b，将各基站available累加的阈值设置为c，那么取f()为最优函数如下：
其中，n是指待选择参与者的总个数，i是第i个待选择参与者，data是数据质量因子，value是业务因子，available是稳定性因子，a是第一阈值，由各个待选择参与者的value值确定，b是第二阈值，由各个待选择参与者的data值确定，c是第三阈值，由各个待选择参与者的available值确定。
a,b,c的取值根据对该算法的精度要求设置，设置一个初始值之后可以随着算法进度调整。
步骤六：随机挑选若干基站，将每个基站的取值带入f(data,value,available)，只要满足该公式取值，则该基站被选中。
在一个应用性实例中，光模块故障预测。该算法主要利用光模块的光口误码数据等数据进行预测。
步骤一：剔除处于业务高峰期、睡眠或节能状态的基站；
步骤二：选择性能数据完整性作为数据质量因子data。
由于算法主要利用的误码率数据是通过性能数据上报的，因此选择性能数据完整性作为数据质量因子。该因子的计算方法为计算正常性能数据采集时间比例，即data＝1-Time(补采)/Time；
步骤三：选择光模块链路的在服时间表示业务因子value。
预测所需的其他数据要从光模块获取，因此需要保证光模块链路的稳定性。用光模块链路的质量作为业务因子，该因子使用光模块链路的在服时间表示，即value＝time(光模块在服)/time。
步骤四：将基站在服的时间作为稳定度因子available，即available＝time(在服)/time。
步骤五：上述各因子的维度相同，因此取f(data,value,available)＝a2×data+b2×value+c2×available即可。其中a2,b2,c2作为权重因子根据经验设置调整。
步骤六：随机挑选若干基站，也可以对每个基站都按照上述算法进行计算。并对最终得到的结果按照从大到小排序，将排在前L个的基站确定为被选中的基站。其中，L为正整数，可以根据实际情况进行设置。
在一个实施例中，本申请提供一种参与者选择装置，如图3所示，本实施例提供的参与者选择装置主要包括获取模块31、因子确定模块32和参与者选择模块33。
获取模块31，被配置为获取多个待选择参与者；
因子确定模块32，被配置为分别确定每个所述待选择参与者的数据质量因子，业务因子和稳定性因子；
参与者选择模块33，被配置为基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定被选中的参与者。
本实施例提供的参与者选择装置，包括：获取多个待选择参与者，分别确定每个待选择参与者的数据质量因子，业务因子和稳定性因子，基于多个待选择参与者的数据质量因子，业务因子和稳定性因子确定被选中的参与者，本实施例中通过引入数据质量因子、业务因子、稳定性因子来挑选参与者，并将结果量化以方便挑选参与者，以选出高质量联邦学习参与者，提高联邦学习的效果。
在一个示例性的实施方式中，确定所述待选择参与者的数据质量因子，业务因子和稳定性因子，包括：基于联邦学习类型确定所述待选择参与者的数据质量因子，业务因子和稳定性因子。
在一个示例性的实施方式中，所述联邦学习类型包括如下一个或多个：KPI劣化检测，小区权重优化，光模块故障预测。
在一个示例性的实施方式中，在所述联邦学习类型是小区权重优化的情况下，基于联邦学习类型确定所述待选择参与者的数据质量因子，业务因子和稳定性因子，包括：
基于所述待选择参与者的QoS告警参数确定数据质量因子；
基于所述待选择参与者的经纬度确定业务因子；
基于所述待选择参与者的在服时间确定稳定性因子。
在一个示例性的实施方式中，基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定被选中的参与者，包括：将数据质量因子，业务因子和稳定性因子满足最优函数取值的待选择参与者确定为被选中的参与者。
在一个示例性的实施方式中，所述最优函数为：
其中，n是指待选择参与者的总个数，i是第i个待选择参与者，data是数据质量因子，value是业务因子，available是稳定性因子，a是第一阈值，由各个待选择参与者的value值确定，b是第二阈值，由各个待选择参与者的data值确定，c是第三阈值，由各个待选择参与者的available值确定。
在一个示例性的实施方式中，在所述联邦学习类型是KPI劣化检测或光模块故障预测的情况下，基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定被选中的参与者，包括：基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定每个待选择参与者的选取参数；将所述选取参数进行排序，将排在前L个的所述待选择参与者确定为被选中的参与者。
在一个示例性的实施方式中，在所述联邦学习类型是KPI劣化检测的情况下，基于联邦学习类型确定所述待选择参与者的数据质量因子，业务因子和稳定性因子，包括：基于所述待选择参与者的性能数据完整性参数确定数据质量因子；基于所述待选择参与者的QoS告警参数确定业务因子；基于所述待选择参与者的在服时间确定稳定性因子。
在一个示例性的实施方式中，基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定每个待选择参与者的选取参数，包括：针对每个待选择的参与者，对数据质量因子，业务因子和稳定性因子分别采用线性标准化方法进行归一化处理；将归一化处理后的数据质量因子，业务因子和稳定性因子进行第一加权处理，得到待选择参与者的选取参数。
在一个示例性的实施方式中，在所述联邦学习类型是光模块故障预测的情况下，基于联邦学习类型确定所述待选择参与者的数据质量因子，业务因子和稳定性因子，包括：基于所述待选择参与者的性能数据完整性参数确定数据质量因子；基于所述待选择参与者的光模块链路的质量参数确定业务因子；基于所述待选择参与者的在服时间确定稳定性因子。
在一个示例性的实施方式中，基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定每个待选择参与者的选取参数，包括：针对每个待选择的参与者，将数据质量因子，业务因子和稳定性因子进行第二加权处理，得到待选择参与者的选取参数。
本实施例中提供的参与者选择装置可执行本发明任意实施例所提供的参与者选择方法，具备执行该方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的参与者选择方法。
值得注意的是，上述参与者选择装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。
本申请实施例还提供一种连邦学习参与者选择设备，图4是本申请实施例提供的一种连邦学习参与者选择设备的结构示意图，如图4所示，该设备包括处理器41、存储器42、输入装置43、输出装置44和通信装置45；设备中处理器41的数量可以是一个或多个，图4中以一个处理器41为例；设备中的处理器41、存储器42、输入装置43和输出装置44可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器42作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请实施例中的连邦学习参与者选择方法对应的程序指令/模块(例如，连邦学习参与者选择装置中的获取模块31、因子确定模块32和参与者选择模块33)。处理器41通过运行存储在存储器42中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现本申请实施例提供的任一方法。
存储器42可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器42可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器42可进一步包括相对于处理器41远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置43可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置44可包括显示屏等显示设备。
通信装置45可以包括接收器和发送器。通信装置45设置为根据处理器41的控制进行信息收发通信。
在一个示例性的实施方式中，本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种连邦学习参与者选择方法，包括：
获取多个待选择参与者；
分别确定每个所述待选择参与者的数据质量因子，业务因子和稳定性因子；
基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定被选中的参与者。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本申请任意实施例所提供的参与者选择方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本申请可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
以上所述，仅为本申请的示例性实施例而已，并非用于限定本申请的保护范围。
本领域内的技术人员应明白，术语用户终端涵盖任何适合类型的无线用户设备，例如移动电话、便携数据处理装置、便携网络浏览器或车载移动台。
一般来说，本申请的多种实施例可以在硬件或专用电路、软件、逻辑或其任何组合中实现。例如，一些方面可以被实现在硬件中，而其它方面可以被实现在可以被控制器、微处理器或其它计算装置执行的固件或软件中，尽管本申请不限于此。
本申请的实施例可以通过移动装置的数据处理器执行计算机程序指令来实现，例如在处理器实体中，或者通过硬件，或者通过软件和硬件的组合。计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码。
本申请附图中的任何逻辑流程的框图可以表示程序步骤，或者可以表示相互连接的逻辑电路、模块和功能，或者可以表示程序步骤与逻辑电路、模块和功能的组合。计算机程序可以存储在存储器上。存储器可以具有任何适合于本地技术环境的类型并且可以使用任何适合的数据存储技术实现，例如但不限于只读存储器(ROM)、随机访问存储器(RAM)、光存储器装置和系统(数码多功能光碟DVD或CD光盘)等。计算机可读介质可以包括非瞬时性存储介质。数据处理器可以是任何适合于本地技术环境的类型，例如但不限于通用计算机、专用计算机、微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、可编程逻辑器件(FGPA)以及基于多核处理器架构的处理器。
通过示范性和非限制性的示例，上文已提供了对本申请的示范实施例的详细描述。但结合附图和权利要求来考虑，对以上实施例的多种修改和调整对本领域技术人员来说是显而易见的，但不偏离本发明的范围。因此，本发明的恰当范围将根据权利要求确定。
Claims (10)
1.一种联邦学习参与者选择方法，其特征在于，包括：
获取多个待选择参与者，其中，所述参与者是指参与联邦学习的基站；
分别确定每个所述待选择参与者的数据质量因子，业务因子和稳定性因子；
基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定被选中的参与者；
所述确定所述待选择参与者的数据质量因子，业务因子和稳定性因子，包括：
基于联邦学习类型确定所述待选择参与者的数据质量因子，业务因子和稳定性因子；
所述联邦学习类型包括如下一个或多个：KPI劣化检测，小区权重优化，光模块故障预测；
在所述联邦学习类型是KPI劣化检测或光模块故障预测的情况下，基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定被选中的参与者，包括：
基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定每个待选择参与者的选取参数；
将所述选取参数进行排序，将排在前L个的所述待选择参与者确定为被选中的参与者；
在所述联邦学习类型是小区权重优化的情况下，基于联邦学习类型确定所述待选择参与者的数据质量因子，业务因子和稳定性因子，包括：
基于所述待选择参与者的QoS告警参数确定数据质量因子；
基于所述待选择参与者的经纬度确定业务因子；
基于所述待选择参与者的在服时间确定稳定性因子。
2.根据权利要求1所述的方法，其特征在于，基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定被选中的参与者，包括：
将数据质量因子，业务因子和稳定性因子满足最优函数取值的待选择参与者确定为被选中的参与者。
3.根据权利要求2所述的方法，其特征在于，所述最优函数为：f(data,value,available)＝
其中，n是指待选择参与者的总个数，i是第i个待选择参与者，data是数据质量因子，value是业务因子，available是稳定性因子，a是第一阈值，由各个待选择参与者的value值确定，b是第二阈值，由各个待选择参与者的data值确定，c是第三阈值，由各个待选择参与者的available值确定，Latitude是纬度值，Longitude是经度值。
4.根据权利要求1所述的方法，其特征在于，在所述联邦学习类型是KPI劣化检测的情况下，基于联邦学习类型确定所述待选择参与者的数据质量因子，业务因子和稳定性因子，包括：
基于所述待选择参与者的性能数据完整性参数确定数据质量因子；
基于所述待选择参与者的QoS告警参数确定业务因子；
基于所述待选择参与者的在服时间确定稳定性因子。
5.根据权利要求1所述的方法，其特征在于，基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定每个待选择参与者的选取参数，包括：
针对每个待选择的参与者，对数据质量因子，业务因子和稳定性因子分别采用线性标准化方法进行归一化处理；
将归一化处理后的数据质量因子，业务因子和稳定性因子进行第一加权处理，得到待选择参与者的选取参数。
6.根据权利要求1所述的方法，其特征在于，在所述联邦学习类型是光模块故障预测的情况下，基于联邦学习类型确定所述待选择参与者的数据质量因子，业务因子和稳定性因子，包括：
基于所述待选择参与者的性能数据完整性参数确定数据质量因子；
基于所述待选择参与者的光模块链路的质量参数确定业务因子；
基于所述待选择参与者的在服时间确定稳定性因子。
7.根据权利要求6所述的方法，其特征在于，基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定每个待选择参与者的选取参数，包括：
针对每个待选择的参与者，将数据质量因子，业务因子和稳定性因子进行第二加权处理，得到待选择参与者的选取参数。
8.一种联邦学习参与者选择装置，其特征在于，包括：
获取模块，被配置为获取多个待选择参与者，其中，所述参与者是指参与联邦学习的基站；
因子确定模块，被配置为分别确定每个所述待选择参与者的数据质量因子，业务因子和稳定性因子；
参与者选择模块，被配置为基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定被选中的参与者；
所述确定所述待选择参与者的数据质量因子，业务因子和稳定性因子，包括：
基于联邦学习类型确定所述待选择参与者的数据质量因子，业务因子和稳定性因子；
所述联邦学习类型包括如下一个或多个：KPI劣化检测，小区权重优化，光模块故障预测；
在所述联邦学习类型是KPI劣化检测或光模块故障预测的情况下，基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定被选中的参与者，包括：
基于多个所述待选择参与者的数据质量因子，业务因子和稳定性因子确定每个待选择参与者的选取参数；
将所述选取参数进行排序，将排在前L个的所述待选择参与者确定为被选中的参与者；
在所述联邦学习类型是小区权重优化的情况下，基于联邦学习类型确定所述待选择参与者的数据质量因子，业务因子和稳定性因子，包括：
基于所述待选择参与者的QoS告警参数确定数据质量因子；
基于所述待选择参与者的经纬度确定业务因子；
基于所述待选择参与者的在服时间确定稳定性因子。
9.一种联邦学习参与者选择设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现权利要求 1 至7 中 任一项所述的方法。
10.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求 1 至7 中 任一项所述的方法。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011345470.3A CN113255924B (zh) | 2020-11-25 | 2020-11-25 | 联邦学习参与者选择方法、装置、设备和存储介质 |
| JP2023532158A JP7574444B2 (ja) | 2020-11-25 | 2021-09-10 | 連合学習参加者の選択方法、装置、機器、及び記憶媒体 |
| PCT/CN2021/117779 WO2022110975A1 (zh) | 2020-11-25 | 2021-09-10 | 联邦学习参与者选择方法、装置、设备和存储介质 |
| EP21896479.9A EP4250188A4 (en) | 2020-11-25 | 2021-09-10 | METHOD AND DEVICE FOR SELECTING FEDERATED LEARNING PARTICIPANTS AS WELL AS DEVICE AND STORAGE MEDIUM |
| US18/254,474 US20230394365A1 (en) | 2020-11-25 | 2021-09-10 | Federated learning participant selection method and apparatus, and device and storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011345470.3A CN113255924B (zh) | 2020-11-25 | 2020-11-25 | 联邦学习参与者选择方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113255924A CN113255924A (zh) | 2021-08-13 |
| CN113255924B true CN113255924B (zh) | 2023-03-24 |
Family
ID=77180628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011345470.3A Active CN113255924B (zh) | 2020-11-25 | 2020-11-25 | 联邦学习参与者选择方法、装置、设备和存储介质 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20230394365A1 (zh) |
| EP (1) | EP4250188A4 (zh) |
| CN (1) | CN113255924B (zh) |
| WO (1) | WO2022110975A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113255924B (zh) * | 2020-11-25 | 2023-03-24 | 中兴通讯股份有限公司 | 联邦学习参与者选择方法、装置、设备和存储介质 |
| CN116032917A (zh) * | 2021-10-26 | 2023-04-28 | 展讯通信（上海）有限公司 | 联邦学习方法及装置、通信方法及装置 |
| WO2023090472A1 (ko) * | 2021-11-17 | 2023-05-25 | 엘지전자 주식회사 | 정보를 전송하는 방법 및 장치, 그리고 정보를 수신하는 방법 및 장치 |
| CN116567702A (zh) * | 2022-01-26 | 2023-08-08 | 展讯通信（上海）有限公司 | 一种用户设备选择方法、装置、芯片及模组设备 |
| CN117221930A (zh) * | 2022-06-02 | 2023-12-12 | 中兴通讯股份有限公司 | 基站在服率确定方法、装置、电子设备和存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109167695A (zh) * | 2018-10-26 | 2019-01-08 | 深圳前海微众银行股份有限公司 | 基于联邦学习的联盟网络构建方法、设备及可读存储介质 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150106166A1 (en) * | 2012-08-19 | 2015-04-16 | Carrier Iq, Inc | Interactive Selection and Setting Display of Components in Quality of Service (QoS) Scores and QoS Ratings and Method of Operation |
| WO2015187071A1 (en) * | 2014-06-04 | 2015-12-10 | Telefonaktiebolaget L M Ericsson (Publ) | Method and user equipment for predicting available throughput for uplink data |
| CN105101315B (zh) * | 2015-07-08 | 2019-04-30 | 浙江大学 | 远程操控移动通信系统及方法 |
| CN108076468B (zh) * | 2016-11-08 | 2020-12-25 | 上海中兴软件有限责任公司 | 一种越区覆盖处理方法及装置 |
| WO2020115273A1 (en) * | 2018-12-07 | 2020-06-11 | Telefonaktiebolaget Lm Ericsson (Publ) | Predicting network communication performance using federated learning |
| JP7244292B2 (ja) * | 2019-02-19 | 2023-03-22 | 株式会社Ｉｈｉエアロスペース | 基地局選択装置と基地局選択方法 |
| CN110475258B (zh) * | 2019-07-10 | 2022-09-23 | 中国联合网络通信集团有限公司 | 一种基站的可靠性评估方法和系统 |
| CN110443375B (zh) * | 2019-08-16 | 2021-06-11 | 深圳前海微众银行股份有限公司 | 一种联邦学习方法及装置 |
| CN110598870B (zh) * | 2019-09-02 | 2024-04-30 | 深圳前海微众银行股份有限公司 | 一种联邦学习方法及装置 |
| US11423332B2 (en) * | 2019-09-27 | 2022-08-23 | Intel Corporation | Distributed machine learning in an information centric network |
| CN111325351A (zh) * | 2020-02-19 | 2020-06-23 | 深圳前海微众银行股份有限公司 | 一种确定联邦学习参与方的方法及装置 |
| CN111369042B (zh) * | 2020-02-27 | 2021-09-24 | 山东大学 | 一种基于加权联邦学习的无线业务流量预测方法 |
| 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 |
| CN111756848B (zh) * | 2020-06-28 | 2021-05-11 | 河海大学 | 移动边缘环境下基于联邦学习和移动感知的QoS优化方法 |
| CN113255924B (zh) * | 2020-11-25 | 2023-03-24 | 中兴通讯股份有限公司 | 联邦学习参与者选择方法、装置、设备和存储介质 |
-
2020
- 2020-11-25 CN CN202011345470.3A patent/CN113255924B/zh active Active
-
2021
- 2021-09-10 US US18/254,474 patent/US20230394365A1/en active Pending
- 2021-09-10 EP EP21896479.9A patent/EP4250188A4/en active Pending
- 2021-09-10 WO PCT/CN2021/117779 patent/WO2022110975A1/zh active Application Filing
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109167695A (zh) * | 2018-10-26 | 2019-01-08 | 深圳前海微众银行股份有限公司 | 基于联邦学习的联盟网络构建方法、设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP4250188A1 (en) | 2023-09-27 |
| CN113255924A (zh) | 2021-08-13 |
| JP2023550806A (ja) | 2023-12-05 |
| WO2022110975A1 (zh) | 2022-06-02 |
| US20230394365A1 (en) | 2023-12-07 |
| EP4250188A4 (en) | 2024-04-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113255924B (zh) | 联邦学习参与者选择方法、装置、设备和存储介质 | |
| CN107466103B (zh) | 一种终端定位方法及网络设备 | |
| CN111246564B (zh) | 基于mr数据的外部干扰定位方法及装置 | |
| CN104853379B (zh) | 一种无线网络质量评估方法及装置 | |
| US8351357B2 (en) | Tactical cognitive-based simulation methods and systems for communication failure management in ad-hoc wireless networks | |
| CN104285159A (zh) | 支持存储信息的更新 | |
| CN108289302B (zh) | 定位td-lte网络大气波导干扰的方法及系统 | |
| US20230041074A1 (en) | Distributed machine learning using network measurements | |
| US20210345138A1 (en) | Enabling Prediction of Future Operational Condition for Sites | |
| CN106998563B (zh) | 一种基于网络性能的室分系统预警方法及装置 | |
| WO2017108106A1 (en) | Method and network node for identifiying specific area of wireless communication system | |
| CN113133058A (zh) | 负载均衡方法、装置及系统 | |
| US20160302086A1 (en) | Method and Device for Optimizing a Handover Parameter | |
| CN104754617B (zh) | 一种无线网络的优化方法及装置 | |
| JP7574444B2 (ja) | 連合学習参加者の選択方法、装置、機器、及び記憶媒体 | |
| AU2022327109A1 (en) | Determining geolocation of devices in a communication network | |
| CN110708665B (zh) | 接入网设备归属区域的确定方法及装置 | |
| CN106879003B (zh) | 一种网络优化质量评估方法及装置 | |
| CN112637904A (zh) | 负载均衡方法、装置及计算设备 | |
| Claffy et al. | The 6th workshop on Active Internet Measurements (AIMS-6) report | |
| US11991661B2 (en) | Determining geolocation of devices in a communication network | |
| US20230046837A1 (en) | Determining geolocation of devices in a communication network | |
| EP4270884A1 (en) | Channel estimation using neural networks | |
| FI129316B (en) | Communication network performance monitoring | |
| kc claffy et al. | The 9th Workshop on Active Internet Measurements (AIMS-9) Report. |
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 |