CN113301134B - 一种适用于边缘物联代理装置的容错型协作决策的方法 - Google Patents

一种适用于边缘物联代理装置的容错型协作决策的方法 Download PDF

Info

Publication number
CN113301134B
CN113301134B CN202110527516.1A CN202110527516A CN113301134B CN 113301134 B CN113301134 B CN 113301134B CN 202110527516 A CN202110527516 A CN 202110527516A CN 113301134 B CN113301134 B CN 113301134B
Authority
CN
China
Prior art keywords
things
edge internet
internet
things agent
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
CN202110527516.1A
Other languages
English (en)
Other versions
CN113301134A (zh
Inventor
李峰
袁旭阳
于东晓
田兵
严莉
刘珅岐
张悦
郭爽爽
汤琳琳
郑海杰
王惠剑
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
NARI Group Corp
Information and Telecommunication Branch of State Grid Shandong Electric Power Co Ltd
Original Assignee
Shandong University
NARI Group Corp
Information and Telecommunication Branch of State Grid Shandong Electric Power 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 Shandong University, NARI Group Corp, Information and Telecommunication Branch of State Grid Shandong Electric Power Co Ltd filed Critical Shandong University
Priority to CN202110527516.1A priority Critical patent/CN113301134B/zh
Priority to PCT/CN2021/103999 priority patent/WO2022236948A1/zh
Priority to DE112021000698.3T priority patent/DE112021000698T5/de
Publication of CN113301134A publication Critical patent/CN113301134A/zh
Application granted granted Critical
Publication of CN113301134B publication Critical patent/CN113301134B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/02—Capturing of monitoring data
    • H04L43/022—Capturing of monitoring data by sampling
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
    • H04L63/0807—Network architectures or network communication protocols for network security for authentication of entities using tickets, e.g. Kerberos
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/56—Provisioning of proxy services
    • H04L67/562—Brokering proxy services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • 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
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/56—Provisioning of proxy services
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer And Data Communications (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种适用于边缘物联代理装置的容错型协作决策的方法，包括以下步骤，S1.初始化物联网络相关的全局参数，各边缘物联代理初始化本地缓存区中令牌及数据，准备开始迭代；S2.采样学习过程：每个边缘物联代理根据其上次采用的选项的值进行不同方式的采样，S3.采用更新过程：边缘物联代理装置根据采样得到的数据进行选择，如果达到预期收益则存储新的参数，并将上次采用的选项的参数值进行更新迭代。其优点在于，该方法可容纳少量恶意的边缘物联代理，即使这些恶意代理装置发送错误信息去干扰物联网络，只有恶意代理数目不超过一定的限制，我们的方法依旧能让正常的边缘物联代理收敛到最优选项。

Description

一种适用于边缘物联代理装置的容错型协作决策的方法
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容错型协作决策的方法。
背景技术
随着物联网的快速发展，全球物联网设备数量高速增长。随者物联网设备部署规模的爆炸性增长，网络边缘侧会产生海量的实时数据。因此传统的以云为中心的集中式计算模式已经不足以高效处理和分析分布式边缘端产生的庞大的数据。为了降低云计算中心的负载，边缘计算技术将数据计算任务部署在靠近数据源的网络边缘端，而不是远程的云计算中心，在网络边缘形成融合网络、计算、存储、学习等平台。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。
随机人工智能的发展，机器学习技术在多个应用领域取得重大突破。将人工智能与边缘计算相结合，设计一种适用于边缘物联代理装置的学习方法已经变成现在急剧解决的问题。，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。
在边缘计算系统中，可以利用多个边缘物联代理装置进行协作学习，从而加快单个边缘物联代理的决策时间和决策精度。但是，在开放的分布式边缘计算环境下，通常会有恶意代理发送虚假信息从而扰乱决策。因此，设计一种适用于边缘物联代理装置的容错型协作决策的方法是目前亟待解决的问题。
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容错型协作决策的方法，该方法可以在去中心化的网络模型下，每个边缘物联代理装置通过协作学习，实现在多个可供推荐的选择对象中决策出最优对象，同时可容纳少量恶意的边缘物联代理。其技术方案为，
一种适用于边缘物联代理装置的容错型协作决策的方法，包括以下步骤，
S1.初始化物联网络相关的全局参数，各边缘物联代理初始化本地缓存区中令牌及数据，准备开始迭代；
S2.采样学习过程：每个边缘物联代理根据其上次采用的选项的值进行不同方式的采样，具体过程为，
若从未采用过任何选项，则边缘物联代理以一定概率根据其本地选项数据进行随机采样，或以特定概率均匀地从同伴边缘物联代理建议的选项中选择一个；若已有采用过的偏好选项，则边缘物联代理直接均匀地从同伴建议的选项中选择一个；
S3.采用更新过程：边缘物联代理装置根据采样得到的数据进行选择，如果达到预期收益则存储新的参数，并将上次采用的选项的参数值进行更新迭代。
进一步的，在步骤S1中设置迭代次数r和每个边缘物联代理的本地参数，所述每个边缘物联代理的本地参数包括上次获得收益的选项ωi以及边缘物联代理在r轮收到的建议集合Vi(r)、本地缓冲区和边缘物联代理人在r轮选择的选项ai(r),初始均设为0；本地缓冲区用于存储建议集合Vi(r)和本地产生的传播令牌。
进一步的，在步骤S1中设置选项数K和超参学习率μ，选项数K用来表示全局参数中可供选择的选项的个数，超参学习率μ用来控制两种学习方式的决定比重，步骤S2具体过程如下：
S21.对于边缘物联网络中的每个边缘物联代理做以下操作，检查该边缘物联代理是否获得过收益，即上次获得收益的选项ωi,若边缘物联代理从未获得过收益，即ωi＝0；
S22.以μ的概率，根据其本地选项数据进行随机采样，即从K个可供选择的选项中随机选取一个选项作为学习目标，并赋值给ai(r)；
1-μ的概率，均匀地从同伴边缘物联代理建议的选项中选择一个，即从建议集合Vi(r)中随机选取一个，并进行基于MHRW信息传播；
S23.根据步骤S21中的判断条件，若边缘物联代理已获得过收益，即ωi≠0，则直接以均匀地从同伴边缘物联代理的建议集合Vi(r)中选择一个，并进行基于MHRW信息传播。
进一步的，步骤S3具体如下：
S31.对于边缘物联网络中的每个边缘物联代理做以下操作：根据S22得到的学习到的选项ai(r)，在K个可供选择的选项中去随机选择，将选择到的选项记录成ai(r)，并检查第ai(r)个选项是否得到预期收益φi(r)；
S32.若得到预计的收益，φi(r)＝1，则将该边缘物联代理的上次获得收益的记录ωi更改成ai(r)，并初始化logn个新的令牌加入本地缓冲区，否则，φi(r)＝0，保持ωi不变，等待下一轮更新。
进一步的，步骤S3中边缘物联代理装置根据采样得到的数据进行选择，选择方法是在去中心化的网络模型下，每个边缘物联代理装置通过协作实现在多个可供推荐的选择对象中决策出最优对象，同时每个边缘物联代理的选择均会收敛到最优对象。
进一步的，基于MHRW进行信息传播的步骤具体如下：
步骤一、对每个边缘物联代理作以下操作：检查边缘物联代理的收益记录ωi，若ωi≠0，则该边缘物联代理将本地缓存区中的令牌按照一定的转移概率传递给相邻的边缘物联代理，其概率转移矩阵为Q(u,v)，具体的计算方式如下：
Figure BDA0003066591580000031
其中(u,v)表示边缘物联网络中代理u和代理v之间用于通信的链接边，d(u)表示边缘物联代理u在此代理网络中的邻居集合的大小，d(v)边缘物联代理v在此代理网络中的邻居集合的大小；
步骤二、邻居边缘物联代理依然按照上述对应概率转移矩阵进行令牌的转发，每转发一次令牌上的生命值L减少1,直到令牌生命值为0，此时信息均匀扩散到整个物联网络，通讯阶段结束，新一轮更新重新开始。
有益效果
该方法可以在去中心化的网络模型下，每个边缘物联代理装置通过协作学习，实现在多个可供推荐的选择对象中决策出最优对象，同时可容纳少量恶意的边缘物联代理。
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容错型多代理协作决策的方法阶段示意图；
图2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容错型多代理协作决策的方法具体流程示意图。
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容错型协作决策的方法，如图1所示，该方法可以在去中心化的网络模型下，每个边缘物联代理装置通过协作学习，实现在多个可供推荐的选择对象中决策出最优对象，同时可容纳少量恶意的边缘物联代理。
如图2所示，具体实施例如下：
S1.初始化阶段：初始化物联网络相关的全局参数，各边缘物联代理初始化本地缓存区中令牌及数据，准备开始迭代；
设置选项数K，用来表示模型中可供选择的选项的个数。
设置迭代次数r，表示算法迭代的最多次数。
设置超参学习率μ，用来控制两种学习方式的决定比重。
设置每个边缘物联代理的本地参数，包络令牌缓冲区(FIFO)、上次获得收益的选项ωi以及边缘物联代理在r轮收到的建议集合Vi(r)、本地缓冲区和边缘物联代理人在r轮选择的选项ai(r),初始均设为0；本地缓冲区用于存储建议集合Vi(r)和本地产生的传播令牌。
S2.采样学习过程：每个边缘物联代理根据其上次采用的选项的值进行不同方式的采样，
S21.对于边缘物联网络中的每个边缘物联代理做以下操作：检查该边缘物联代理是否获得过收益，即上次获得收益的选项ωi,若边缘物联代理从未获得过收益，即ωi＝0，
S22.以μ的概率，根据其本地选项数据进行随机采样，即：从K个可供选择的选项中随机选取一个选项作为学习目标，并赋值给ai(r)；
以1-μ的概率，均匀地从同伴边缘物联代理建议的选项中选择一个，即从建议集合Vi(r)中随机选取一个，并进行基于MHRW信息传播；
S23.根据S21中的判断条件，若该边缘物联代理已获得过收益，即ωi≠0，则直接以均匀地从同伴边缘物联代理建议的选项Vi(r)中选择一个，并进行基于MHRW信息传播。
S3.参数更新过程,代理装置根据采样得到的数据进行选择，如果达到预期收益则存储新的参数，并将上次采用的选项的参数值进行更新迭代；
S31.对于边缘物联网络中的每个边缘物联代理做以下操作：根据S22得到的学习到的选项ai(r),在K个可供选择的选项中去随机选择，将选择到的选项记录成ai(r)，并检查第ai(r)个选项是否得到预期收益φi(r)；
S32.若得到预计的收益，φi(r)＝1，则将该边缘物联代理的上次获得收益的记录ωi更改成ai(r),并初始化logn个新的令牌加入本地缓冲区中，否则，φi(r)＝0，保持ωi不变，等待下一轮。
S4.信息传播
在之前的技术方案中，所述步骤S22中基于Metropolis-Hasting Random Walks(MHRW)进行信息传播的步骤的具体如下：
步骤一、对每个边缘物联代理作以下操作：检查边缘物联代理的收益记录M,若M≠0，则该边缘物联代理将本地缓存区中的令牌按照一定的转移概率传递给相邻的边缘物联代理，其概率转移矩阵为Q(u,v)，具体的计算方式如下：
Figure BDA0003066591580000051
其中(u,v)表示边缘物联网络中代理u和代理v之间用于通信的链接边，d(u)表示边缘物联代理u在此边缘物联网络中的邻居集合的大小，d(v)边缘物联代理v在此代理网络中的邻居集合的大小。
步骤二、邻居代理依然按照上述对应概率转移矩阵进行令牌的转发，每转发一次令牌上的生命值L减少1,直到令牌生命值为0，此时信息均匀扩散到整个物联网络，通讯阶段结束，新一轮重新开始，重复S2-S4。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (4)

1.一种适用于边缘物联代理装置的容错型协作决策的方法，其特征在于，包括以下步骤，
S1.初始化物联网络相关的全局参数，各边缘物联代理初始化本地缓存区中令牌及数据，准备开始迭代；
在步骤S1中设置选项数K和超参学习率μ，选项数K用来表示全局参数中可供选择的选项的个数，超参学习率μ用来控制两种学习方式的决定比重，
S2.采样学习过程：每个边缘物联代理根据其上次采用的选项的值进行不同方式的采样，具体过程为，
S21.对于边缘物联网络中的每个边缘物联代理做以下操作，检查该边缘物联代理是否获得过收益，即上次获得收益的选项ωi,若边缘物联代理从未获得过收益，即ωi＝0；
S22.以μ的概率，根据其本地选项数据进行随机采样，即从K个可供选择的选项中随机选取一个选项作为学习目标，并赋值给ai(r)；
或以1-μ的概率，均匀地从同伴边缘物联代理建议的选项中选择一个，即从建议集合Vi(r)中随机选取一个，并进行基于MHRW信息传播；
S23.根据步骤S21中的判断条件，若边缘物联代理已获得过收益，即ωi≠0，则直接以均匀地从同伴边缘物联代理的建议集合Vi(r)中选择一个，并进行基于MHRW信息传播；
基于MHRW进行信息传播的步骤具体如下：
步骤一、对每个边缘物联代理作以下操作：检查边缘物联代理的收益记录ωi，若ωi≠0，则该边缘物联代理将本地缓存区中的令牌按照一定的转移概率传递给相邻的边缘物联代理，其概率转移矩阵为Q(u,v)，具体的计算方式如下：
Figure FDA0003393715800000011
其中(u,v)表示边缘物联网络中代理u和代理v之间用于通信的链接边，d(u)表示边缘物联代理u在此代理网络中的邻居集合的大小，d(v)边缘物联代理v在此代理网络中的邻居集合的大小；
步骤二、邻居边缘物联代理依然按照上述对应概率转移矩阵进行令牌的转发，每转发一次令牌上的生命值L减少1,直到令牌生命值为0，此时信息均匀扩散到整个物联网络，通讯阶段结束，新一轮更新重新开始；
S3.采用更新过程：边缘物联代理装置根据采样得到的数据进行选择，如果达到预期收益则存储新的参数，并将上次采用的选项的参数值进行更新迭代。
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容错型协作决策的方法，其特征在于，在步骤S1中设置迭代次数r和每个边缘物联代理的本地参数，所述每个边缘物联代理的本地参数包括上次获得收益的选项ωi以及边缘物联代理在r轮收到的建议集合Vi(r)、本地缓冲区和边缘物联代理人在r轮选择的选项ai(r),初始均设为0；本地缓冲区用于存储建议集合Vi(r)和本地产生的传播令牌。
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容错型协作决策的方法，其特征在于，步骤S3具体如下：
S31.对于边缘物联网络中的每个边缘物联代理做以下操作：根据S22得到的学习到的选项ai(r)，在K个可供选择的选项中去随机选择，将选择到的选项记录成ai(r)，并检查第ai(r)个选项是否得到预期收益φi(r)；
S32.若得到预计的收益，φi(r)＝1，则将该边缘物联代理的上次获得收益的记录ωi更改成ai(r)，并初始化logn个新的令牌加入本地缓冲区，否则，φi(r)＝0，保持ωi不变，等待下一轮更新。
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容错型协作决策的方法，其特征在于，步骤S3中边缘物联代理装置根据采样得到的数据进行选择，选择方法是在去中心化的网络模型下，每个边缘物联代理装置通过协作实现在多个可供推荐的选择对象中决策出最优对象，同时每个边缘物联代理的选择均会收敛到最优对象。
CN202110527516.1A 2021-05-14 2021-05-14 一种适用于边缘物联代理装置的容错型协作决策的方法 Active CN113301134B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110527516.1A CN113301134B (zh) 2021-05-14 2021-05-14 一种适用于边缘物联代理装置的容错型协作决策的方法
PCT/CN2021/103999 WO2022236948A1 (zh) 2021-05-14 2021-07-01 一种适用于边缘物联代理装置的容错型协作决策的方法
DE112021000698.3T DE112021000698T5 (de) 2021-05-14 2021-07-01 Verfahren zur fehlertoleranten kollaborativen Entscheidungsfindung für Edge-IoT-Proxy-Vorrichtungen

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110527516.1A CN113301134B (zh) 2021-05-14 2021-05-14 一种适用于边缘物联代理装置的容错型协作决策的方法

Publications (2)

Publication Number Publication Date
CN113301134A CN113301134A (zh) 2021-08-24
CN113301134B true CN113301134B (zh) 2022-01-07

Family

ID=77322139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110527516.1A Active CN113301134B (zh) 2021-05-14 2021-05-14 一种适用于边缘物联代理装置的容错型协作决策的方法

Country Status (3)

Country Link
CN (1) CN113301134B (zh)
DE (1) DE112021000698T5 (zh)
WO (1) WO2022236948A1 (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111901381A (zh) * 2020-06-29 2020-11-06 北京智芯微电子科技有限公司 基于边缘计算的物联代理装置及数据决策方法
CN112465301A (zh) * 2020-11-06 2021-03-09 山东大学 一种基于差分隐私机制的边缘智能电网协作决策方法
CN112749403A (zh) * 2021-01-19 2021-05-04 山东大学 一种适用于边缘物联代理装置的边缘数据加密方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140279802A1 (en) * 2013-03-15 2014-09-18 General Electric Company Methods and systems for propagating information in collaborative decision-making
CN109635917B (zh) * 2018-10-17 2020-08-25 北京大学 一种多智能体合作决策及训练方法
CN109474463B (zh) * 2018-11-05 2022-02-15 广东工业大学 IoT边缘设备信任评估方法、装置、系统及代理服务器

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111901381A (zh) * 2020-06-29 2020-11-06 北京智芯微电子科技有限公司 基于边缘计算的物联代理装置及数据决策方法
CN112465301A (zh) * 2020-11-06 2021-03-09 山东大学 一种基于差分隐私机制的边缘智能电网协作决策方法
CN112749403A (zh) * 2021-01-19 2021-05-04 山东大学 一种适用于边缘物联代理装置的边缘数据加密方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习的边缘计算资源协同方案研究;陈沛锐;《中国优秀硕士学位论文全文数据库 信息科技辑》;20210215(第02期);全文 *

Also Published As

Publication number Publication date
WO2022236948A1 (zh) 2022-11-17
CN113301134A (zh) 2021-08-24
DE112021000698T5 (de) 2023-06-22

Similar Documents

Publication Publication Date Title
Li et al. DeepNFV: A lightweight framework for intelligent edge network functions virtualization
US11016673B2 (en) Optimizing serverless computing using a distributed computing framework
Hao et al. Deep reinforcement learning for edge service placement in softwarized industrial cyber-physical system
CN110995858A (zh) 一种基于深度q网络的边缘网络请求调度决策方法
CN113098714B (zh) 基于强化学习的低时延网络切片方法
Sacco et al. A federated learning approach to routing in challenged sdn-enabled edge networks
Zhong et al. An efficient SDN load balancing scheme based on variance analysis for massive mobile users
CN110929878A (zh) 一种分布式随机梯度下降方法
Bhowmik et al. Distributed control plane for software-defined networks: A case study using event-based middleware
CN114564882A (zh) 基于离散事件的边缘深度学习模拟器的构建与应用
CN113301134B (zh) 一种适用于边缘物联代理装置的容错型协作决策的方法
Guo et al. Intelligent edge network routing architecture with blockchain for the IoT
CN115189908B (zh) 一种基于网络数字孪生体的随机攻击生存性评估方法
CN116582407A (zh) 一种基于深度强化学习的容器化微服务编排系统及方法
Alliche et al. Prisma: a packet routing simulator for multi-agent reinforcement learning
CN114118444B (zh) 一种利用启发式算法降低联邦学习中设备空跑时间的方法
CN114500561A (zh) 电力物联网网络资源分配决策方法、系统、设备及介质
Diamantopoulos et al. Symbchainsim: A novel simulation tool for dynamic and adaptive blockchain management and its trilemma tradeoff
CN115775029A (zh) 量子线路转化方法、装置、介质及电子装置
Ren et al. End-to-End Network SLA Quality Assurance for C-RAN: A Closed-Loop Management Method Based on Digital Twin Network
Zhu et al. Mobile service selection in edge and cloud computing environment with grey wolf algorithm
Kulakov et al. Modified Method of Traffic Engineering in DCN with a Ramified Topology
Skirelis et al. Classifier based gateway for edge computing
Chiu et al. An effective metaheuristic algorithm for the deployment problem of edge computing servers
WO2022105374A1 (zh) 信息处理方法、模型的生成及训练方法、电子设备和介质

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