CN113609781A - 基于联邦学习的汽车生产模具优化方法、系统、设备及介质 - Google Patents
基于联邦学习的汽车生产模具优化方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN113609781A CN113609781A CN202110939284.0A CN202110939284A CN113609781A CN 113609781 A CN113609781 A CN 113609781A CN 202110939284 A CN202110939284 A CN 202110939284A CN 113609781 A CN113609781 A CN 113609781A
- Authority
- CN
- China
- Prior art keywords
- model
- federal learning
- participant
- training
- training data
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 70
- 238000005457 optimization Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 77
- 230000004927 fusion Effects 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000013441 quality evaluation Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000003860 storage Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 5
- 239000003999 initiator Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供一种基于联邦学习的汽车生产模具优化方法、系统、设备及介质，具体涉及汽车智能制造领域。该方法包括：从参与联邦学习的多个参与方获取各个工厂加密训练的汽车生产的模具模型；依次对加密的模具模型进行解密处理与预处理，得到各个参与方的训练数据形成训练数据集合；将参与方进行组合得到至少一个参与方组合，根据参与方组合的不同选择相应训练数据集合进行训练得到对应的融合模型；对融合模型进行质量评估，根据质量评估结果选择相应的融合模型融合优化得到联邦学习模型；将所述联邦学习模型发送至请求方，请求方根据联邦学习模型进行本地训练以更新模具模型。本发明采用联邦学习对数据进行隔离，不会泄漏数据，能够确保数据安全。
Description
技术领域
本发明涉及汽车智能制造领域，特别是涉及一种基于联邦学习的汽车生产模具优化方法、系统、设备及介质。
背景技术
模具是一种高效率的工艺设备，在汽车生产中，模具的质量直接影响汽车的品质。其中，各个厂商在模具的建立使用参数不尽相同，模型参数决定模具的稳定性能、准确率等。厂商为了使自家生产的模具具有最优性能，需要不断优化更新，于是，多个厂商之间有着共同的需求，那就是持续优化模具模型。然而，在实际汽车生产中，每个厂家的模具模型参数不能对外公开共享，害怕丧失核心技术，也影响了模型的优化进程。因此，亟需一种无需对外公开模型参数的方式来优化模具模型。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于联邦学习的汽车生产模具优化方法、系统、设备及介质，用于解决现有技术中汽车生产模具优化时，因自身模型的核心参数无法对外共享形成数据孤岛的问题。
为实现上述目的及其他相关目的，本发明提供一种基于联邦学习的汽车生产模具优化方法，包括：
从参与联邦学习的多个参与方获取各个工厂加密训练的汽车生产的模具模型；
依次对加密的所述模具模型进行解密处理与预处理，得到各个所述参与方的训练数据形成训练数据集合；
将所述参与方进行组合得到至少一个参与方组合，根据参与方组合的不同选择相应训练数据集合进行训练得到对应的融合模型，其中，所述参与方组合至少包含两个参与方；
对所述融合模型进行质量评估，根据所述质量评估结果选择相应的融合模型融合优化得到联邦学习模型；
将所述联邦学习模型发送至请求方，所述请求方根据接收的联邦学习模型进行本地训练进而更新模具模型；所述请求方至少为一个参与方。
于本发明的一实施例中，所述从参与联邦学习的多个参与方获取各个工厂加密训练的汽车生产的模具模型的步骤，包括：
获取各个参与方的本地训练数据，根据所述本地训练数据得到本地模型参数，基于所述本地模型参数利用所述本地训练数据进行训练，得到各个参与方非对称加密的生产模具模型。
于本发明的一实施例中，所述依次对加密的所述模具模型进行解密处理与预处理，得到各个所述参与方的训练数据形成训练数据集合的步骤，包括：
对各个所述模具模型进行解密处理，得到各个参与方的模具模型与本地模型参数；
数据对齐各个参与方的模具模型与本地模型参数，得到预设规格的模具模型与本地模型参数；
将预设规格的所述模具模型与本地模型参数进行分类，并进行特征标记，进行数据聚合后得到训练数据集合与模具模型集合。
于本发明的一实施例中，还包括：根据参与方组合的不同选择相应训练数据集合中的本地模型参数进行训练，将各个参与方所对应的本地模型参数进行加权平均得到融合模型。
于本发明的一实施例中，还包括：对所述融合模型进行质量评估，根据所述质量评估结果中选择排名靠前的融合模型进行融合优化，进而得到优化后的联邦学习模型。
于本发明的一实施例中，采用非对称加密方式通信，其中，所述非对称加密方式为RSA加密算法、ECC加密算法、Diffie-Hellman加密算法、El Gamal加密算法与DSA加密算法中任一种。
于本发明的一实施例中，所述非对称加密方式，具体为：
将公钥分发给多个参与方，用以对训练过程中需要交换的数据进行加密；
参与者之间以加密形式交互用于计算梯度值的中间结果；
基于加密的梯度值进行计算，根据其标签数据计算损失，并把汇总结果给协作者，通过汇总结果计算总梯度值并利用私钥将其解密；
将解密后的总梯度值分别回传给参与方，参与方根据总梯度值更新各自模型的参数。
本发明在第二方面上提供了一种基于联邦学习的汽车生产模具优化系统，包括：
模型获取模块，用于从参与联邦学习的多个参与方获取各个工厂加密训练的汽车生产的模具模型；
数据处理模块，用于依次对加密的所述模具模型进行解密处理与预处理，得到各个所述参与方的训练数据形成训练数据集合；
融合模型生成模块，用于将所述参与方进行组合得到至少一个参与方组合，根据参与方组合的不同选择相应训练数据集合进行训练得到对应的融合模型，其中，所述参与方组合至少包含两个参与方；
联邦学习模型优化模块，用于对所述融合模型进行质量评估，根据所述质量评估结果选择相应的融合模型融合优化得到联邦学习模型；
模具优化模块，用于将所述联邦学习模型发送至请求方，所述请求方根据接收的联邦学习模型进行本地训练进而更新模具模型；所述请求方至少为一个参与方。
本发明的第三方面上提供了一种基于联邦学习的汽车生产模具优化设备，包括：
一个或多个处理装置；
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装置执行，使得所述一个或多个处理装置执行所述基于联邦学习的汽车生产模具优化方法。
本发明的第四方面上提供了一种计算机存储介质，包括：
其上存储有计算机程序，所述计算机程序用于使所述计算机执行所述基于联邦学习的汽车生产模具优化方法。
如上所述，本发明多场景应用网关、系统及其控制方法
本发明采用联邦学习方式优化汽车生产的模具模型，一方面，对各个工厂之间的数据进行隔离，不会泄漏数据，能够确保数据安全；另一方面，各个工厂之间协同合作、利益共享，能够实现模型参数的迭代优化；同时，还能够快速有效的优化联邦学习模型，提高数据的安全性。
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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于联邦学习的汽车生产模具优化方法流程图；
图2为本发明提供的一种基于联邦学习的汽车生产模具优化方法业务流程图；
图3为本发明提供的一种基于联邦学习的汽车生产模具优化系统的结构框图；
图4为本发明提供的一种基于联邦学习的汽车生产模具优化系统的技术架构框图；
图5为本发明提供的一种RSA和Hash的机制实施例图；
图6为本发明提供的一种Diffie-Hellman加密方式实施例图；
图7为本发明提供的一种基于联邦学习的汽车生产模具优化设备的结构框图。
元件标号说明：
1、模型获取模块；2、数据处理模块；3、融合模型生成模块；4、联邦学习模型优化模块；5、模具优化模块；6、汽车生产模具优化设备。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图1，为本发明提供的一种基于联邦学习的汽车生产模具优化方法流程图，包括：
步骤S1，从参与联邦学习的多个参与方获取各个工厂(厂商)加密训练的汽车生产的模具模型；
其中，获取各个参与方的本地训练数据，根据所述本地训练数据得到本地模型参数，基于所述本地模型参数利用所述本地训练数据进行训练，得到各个参与方利用非对称加密的生产模具模型。
需要说明的是，联邦学习是一种分布式机器学习框架，其作为分布式的机器学习范式，通过多方安全计算来确保数据足不出户的情况下能共同训练出最优模型，达到知识共建、利益共享，有效解决数据孤岛问题，让参与方在不共享数据的基础上联合建模，从技术上打破数据孤岛，实现AI协作。
同时，把每个参与共同建模的企业称为参与方，根据参与方之间数据分布的不同，把联邦学习分为三类：①横向联邦学习、②纵向联邦学习和③联邦迁移学习。
①横向联邦学习
横向联邦学习的本质是样本的联合，适用于参与者间业态相同但触达客户不同，即特征重叠多，用户重叠少时的场景，例如，不同地区的银行间，他们的业务相似(特征相似)，但用户不同(样本不同)。
②纵向联邦学习
纵向联邦学习的本质是特征的联合，适用于用户重叠多，特征重叠少的场景，例如，同一地区的商超和银行，他们触达的用户都为该地区的居民(样本相同)，但业务不同(特征不同)。
③联邦迁移学习
当参与者间特征和样本重叠都很少时可以考虑使用联邦迁移学习，例如，不同地区的银行和商超间的联合，适用于以深度神经网络为基模型的场景。
在本实施例中，由于各个厂家之间的模具属于同一行业，即，业态相同，因此，优选横向的联邦学习来解决模具生产过程中的数据孤岛问题，其中，在联邦学习中存在大量的通信，需要保证通信的可靠性和效率。一般使用RPC(远程过程调用)通信，为了提高联邦学习的效率，提高加密算法的效率(时间和空间)。
步骤S2，依次对加密的所述模具模型进行解密处理与预处理，得到各个所述参与方的训练数据形成训练数据集合；
其中，利用非对称加密算法对获取的模具模型进行解密处理，得到各个参与方的训练数据，如，模具模型的训练数据以及模具模型的参数，从而形成包含各个所述参与方的训练数据集合。
步骤S3，将所述参与方进行组合得到至少一个参与方组合，根据参与方组合的不同选择相应训练数据集合进行训练得到对应的融合模型，其中，所述参与方组合至少包含两个参与方；
具体地，根据参与方组合的不同选择相应训练数据集合中的本地模型参数进行训练，将各个参与方所对应的本地模型参数进行加权平均得到融合模型。
例如，在涉及多个参与方时，根据参与方组合方式不同，能够得到多个初始的融合模型。
步骤S4，对所述融合模型进行质量评估，根据所述质量评估结果选择相应的融合模型融合优化得到联邦学习模型；
具体地，对所述融合模型进行质量评估，根据所述质量评估结果中选择排名靠前的融合模型进行融合优化，进而得到优化后的联邦学习模型。
例如，可针对数据完整性、准确性、有效性等方面对多个初始的融合模型的质量评估，又例如，还可以根据融合模型的性能测试结果，利用加权平均的方式对初始的融合模型进行优化，从而得到迅速得到优化后的联邦学习模型。
步骤S5，将所述联邦学习模型发送至请求方，所述请求方根据接收的联邦学习模型进行本地训练进而更新模具模型；所述请求方至少为一个参与方。
例如，联邦学习的协调方需要将各参与方的模型参数或梯度参数进行合并并将结果发给各参与方，一般使用FederatedAveraging算法。FederatedAveraging算法通过对各参与方提供的模型参数进行加权平均来获得聚合模型。
在本实施例中，采用联邦学习方式优化汽车生产的模具模型，一方面，对各个工厂之间的数据进行隔离，不会泄漏数据，能够确保数据安全；另一方面，各个工厂之间协同合作、利益共享，能够实现模型参数的迭代优化；同时，还能够快速有效的优化联邦学习模型，提高数据的安全性。
请参阅图2，本发明提供的一种基于联邦学习的汽车生产模具优化方法业务流程图，例如，采用非对称加密方式在各个工厂之间与协作者之间进行通信；
a将公钥分发给多个参与方，用以对训练过程中需要交换的数据进行加密；
b参与者之间以加密形式交互用于计算梯度值的中间结果；
c基于加密的梯度值进行计算，根据其标签数据计算损失，并把汇总结果给协作者，通过汇总结果计算总梯度值并利用私钥将其解密；
d将解密后的总梯度值分别回传给参与方，参与方根据总梯度值更新各自模型的参数。
在本实施例中，如图2所示，当参与方只有两家时，例如，工厂A、工厂B与协作者C，工厂A与工厂B之间的隐私数据不可交换，需要通过加密形式交互，从而计算工厂A与工厂B之间梯度值的中间结果；工厂A与工厂B各自利用对应的本地训练数据得到加密对样本，即，在加密训练中，工厂A与工厂B的数据经过加密样本ID对齐，各自生成对齐数据，对齐数据经加密汇总梯度与损失给绝对安全协作者C。例如，工厂A与工厂B各自将关于梯度值与标签数据损失的汇总结果给协作者C，通过私钥解密汇总结果得到总梯度值分别回传给参与方，参与方根据总梯度值更新各自模具模型的参数，进而使得自身模型的核心参数无需对外公开，也能更新工厂A与工厂B的模型参数。
请参阅图4，本发明提供的一种基于联邦学习的汽车生产模具优化系统的技术架构框图，详述如下：
各个模具工厂之间不能数据共享，两者之间采用非对称加密方式通信，同时，模具工厂与协作者之间也采用非对称加密方式通信；其中，所述非对称加密方式为RSA加密算法、ECC加密算法、Diffie-Hellman加密算法、El Gamal加密算法与DSA加密算法中任一种。另外，模具工厂与协作者之间还通过联合建模优化模具模型。
例如，非对称加密算法包括公钥与私钥，甲方(协助者)生成一对密钥并将其中的一把作为公用密钥向其它参与方公开；得到该公用密钥的乙方(参与方)使用该密钥对机密信息进行加密后再发送给甲方；甲方再用自己保存的另一把专用密钥对加密后的信息进行解密。甲方只能用其专用密钥解密由其公用密钥加密后的任何信息。
在联邦数据部落，协助者依次通过数据预处理、数据特征化以及数据质量评估的方式得到联邦学习模型的联邦参数，
例如，对各个所述模具模型进行解密处理，得到各个参与方的模具模型与本地模型参数；其中，模具模型的数据包括结构化数据与非结构化数据。
由于采用非对称加密算法进行加密，因此，对应的解密方式也为非对称加密算法。
例如，预处理各个参与方的模具模型与本地模型参数，得到预设规格的模具模型与本地模型参数；通过预处理方式(归一化处理、数据对齐等方式)将不同格式的数据转换为样本对齐数据。
在本实施例中，对解密的结构化数据与非结构化数据进行数据对齐，使得模具模型的数据为同一规格的数据，进而形成有效的训练集。
例如，将预设规格的所述模具模型与本地模型参数进行分类，并进行特征标记，进行数据聚合后得到训练数据集合与模具模型集合；通过特征化处理样本对齐数据，便于后续训练数据集合与模具模型集合的使用。
其中，将预设规格的模具模型以及对应的本地模具模型参数按照其类别进行分类，例如，采用K临近分类法；并对分类的结果中的特征数据进行标记，进而精确分类训练数据集合与模具模型集合。
还需要说明的是，模具模型集合包括通过机器学习的逻辑回归，线性回归等模具生产模型，通过深度学习的图像识别与处理、模式识别等模具生产模型。
请参阅图5，为本发明提供的一种RSA和Hash的机制实施例图；包括：
通过RSA和Hash的机制，保证双方(或者多方)最终只用到交集部分，且差集部分不向对方泄露。
例如，图5中，{C1，C2，……，Cv}表示Client(即参与方A)一侧拥有的样本ID集合；{S1，S2，……，Sw}表表示Server(即参与方B)一侧拥有的样本ID集合；e是Client一侧获得的公钥，n是modulus(参见RSA加/解密系统)；d是Server侧拥有的私钥，与公钥对应的RC：i是与样本ID Ci对应的随机数，用于保护样本ID Ci。所述Server需要生成公钥(n,e)和私钥(n,d)对，并将公钥(n,e)发送给Client。
又例如，参与方将发起方发送的加密后结果取n次幂，将其自己的样本数据ID取哈希值，然后将发起方的加密ID结果连同自己ID加密后一并发送给发起方；发起方计算与参与方的ID交集，并将计算结果同步给参与方。
在本实施例中，利用了RSA加密算法的双射特性，即明文与密文一一对应(不考虑对明文进行随机padding)。第二，RSA加密/解密算法的公钥和私钥是一一对应的，且可以互换(公钥加密-->私钥解密，私钥加密/签名-->公钥验证签名)。第三，使用了Full-DomainHash。关于Full-Domain Hash的实现，常见的是采用Random Oracle Model(ROM)，这一步Full-Domain Hash，映射到
不是必须的，那么就可以简化Full-Domain Hash实现。
请参阅图6，为本发明提供的一种Diffie-Hellman加密方式实施例图；包括：
基于Diffie-Hellman的加密样本ID对齐解决方案；其中，α是A方的私钥，β是B方的私钥。图6中没有展示出取模运算(mod N)，其中N是生成私钥α和β的modulus(参见RSA加/解密算法)，要求N是一个很大的素数，并且(N-1)/2也是素数[10,AES03]。注意，如果没有取模运算的话，就会被暴力破解(例如，穷举尝试)出样本ID。A方与B方要使用相同的modulus N。
在此方案中，需要找到一个满足连续两次加密操作可以交换顺序的加密算法，如以下的可交换加密函数所示；a和b表示私钥；n是modulus；m是明文。在常见的加密算法中，Power Function(例如，RSA加密算法)就能满足这个特性。
Define Ea(m)＝ma(mod n)
Ea·Eb(m)＝Eb·Ea(m)
从上述实施例可知，通过非对称加密通信方式，参与方之间只能得到交集部分数据，无法得到各自差异数据；保护了联盟成员的样本数据的隐私，避免了模型训练过程中的信息泄露；根据联邦学习任务实现算法流程配置，降低了对人员的专业要求，提高了联邦建模的效率。
请参阅图3，本发明提供的一种基于联邦学习的汽车生产模具优化系统的结构框图，包括：
模型获取模块1，用于从参与联邦学习的多个参与方获取各个工厂加密训练的汽车生产的模具模型；
数据处理模块2，用于依次对加密的所述模具模型进行解密处理与预处理，得到各个所述参与方的训练数据形成训练数据集合；
融合模型生成模块3，用于将所述参与方进行组合得到至少一个参与方组合，根据参与方组合的不同选择相应训练数据集合进行训练得到对应的融合模型，其中，所述参与方组合至少包含两个参与方；
联邦学习模型优化模块4，用于对所述融合模型进行质量评估，根据所述质量评估结果选择相应的融合模型融合优化得到联邦学习模型；
模具优化模块5，用于将所述联邦学习模型发送至请求方，所述请求方根据接收的联邦学习模型进行本地训练进而更新模具模型；所述请求方至少为一个参与方。
在此，需要说明的是，基于联邦学习的汽车生产模具优化系统与汽车生产模具优化方法为一一对应关系，两者对应的技术细节、技术内容与技术效果均相同，请参照上述记载，在此不再重复赘述。
下面参考图7，其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的基于联邦学习的汽车生产模具优化设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，基于联邦学习的汽车生产模具优化设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有基于联邦学习的汽车生产模具优化设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连，输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许基于联邦学习的汽车生产模具优化设备600与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的基于联邦学习的汽车生产模具优化设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述基于联邦学习的汽车生产模具优化设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该基于联邦学习的汽车生产模具优化设备执行时，使得基于联邦学习的汽车生产模具优化设备：
步骤S1，从参与联邦学习的多个参与方获取各个工厂加密训练的汽车生产的模具模型；步骤S2，对加密的所述模具模型进行解密处理，得到各个所述参与方的训练数据形成训练数据集合；步骤S3，将所述参与方进行组合得到至少一个参与方组合，根据参与方组合的不同选择相应训练数据集合进行训练得到对应的融合模型，其中，所述参与方组合至少包含两个参与方；步骤S4，对所述融合模型进行质量评估，根据所述质量评估结果选择相应的融合模型融合优化得到联邦学习模型；步骤S5，利用所述联邦学习模型推理各个参与方的模型参数，并将合并之后的所述模型参数发送给参与方更新模具模型。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
综上所述，本发明采用联邦学习方式优化汽车生产的模具模型，一方面，对各个工厂之间的数据进行隔离，不会泄漏数据，能够确保数据安全；另一方面，各个工厂之间协同合作、利益共享，能够实现模型参数的迭代优化；同时，还能够快速有效的优化联邦学习模型，提高数据的安全性。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于联邦学习的汽车生产模具优化方法，其特征在于，包括：
从参与联邦学习的多个参与方获取各个工厂加密训练的汽车生产的模具模型；
依次对加密的所述模具模型进行解密处理与预处理，得到各个所述参与方的训练数据形成训练数据集合；
将所述参与方进行组合得到至少一个参与方组合，根据参与方组合的不同选择相应训练数据集合进行训练得到对应的融合模型，其中，所述参与方组合至少包含两个参与方；
对所述融合模型进行质量评估，根据所述质量评估结果选择相应的融合模型融合优化得到联邦学习模型；
将所述联邦学习模型发送至请求方，所述请求方根据接收的联邦学习模型进行本地训练进而更新模具模型；所述请求方至少为一个参与方。
2.根据权利要求1所述的基于联邦学习的汽车生产模具优化方法，其特征在于，所述从参与联邦学习的多个参与方获取各个工厂加密训练的汽车生产的模具模型的步骤，包括：获取各个参与方的本地训练数据，根据所述本地训练数据得到本地模型参数，基于所述本地模型参数利用所述本地训练数据进行训练，得到各个参与方非对称加密的生产模具模型。
3.根据权利要求1或2所述的基于联邦学习的汽车生产模具优化方法，其特征在于，所述依次对加密的所述模具模型进行解密处理与预处理，得到各个所述参与方的训练数据形成训练数据集合的步骤，包括：
对各个所述模具模型进行解密处理，得到各个参与方的模具模型与本地模型参数；
数据对齐各个参与方的模具模型与本地模型参数，得到预设规格的模具模型与本地模型参数；
将预设规格的所述模具模型与本地模型参数进行分类，并进行特征标记，进行数据聚合后得到训练数据集合与模具模型集合。
4.根据权利要求1所述的基于联邦学习的汽车生产模具优化方法，其特征在于，还包括：根据参与方组合的不同选择相应训练数据集合中的本地模型参数进行训练，将各个参与方所对应的本地模型参数进行加权平均得到融合模型。
5.根据权利要求1或4所述的基于联邦学习的汽车生产模具优化方法，其特征在于，还包括：
对所述融合模型进行质量评估，根据所述质量评估结果中选择排名靠前的融合模型进行融合优化，进而得到优化后的联邦学习模型。
6.根据权利要求1所述的基于联邦学习的汽车生产模具优化方法，其特征在于，采用非对称加密方式通信，其中，所述非对称加密方式为RSA加密算法、ECC加密算法、Diffie-Hellman加密算法、El Gamal加密算法与DSA加密算法中任一种。
7.根据权利要求2或6所述的基于联邦学习的汽车生产模具优化方法，其特征在于，所述非对称加密方式，具体为：
将公钥分发给多个参与方，用以对训练过程中需要交换的数据进行加密；
参与者之间以加密形式交互用于计算梯度值的中间结果；
基于加密的梯度值进行计算，根据其标签数据计算损失，并把汇总结果给协作者，通过汇总结果计算总梯度值并利用私钥将其解密；
将解密后的总梯度值分别回传给请求方，请求方根据总梯度值更新各自模型的参数。
8.一种基于联邦学习的汽车生产模具优化系统，其特征在于，包括：
模型获取模块，用于从参与联邦学习的多个参与方获取各个工厂加密训练的汽车生产的模具模型；
数据处理模块，用于依次对加密的所述模具模型进行解密处理与预处理，得到各个所述参与方的训练数据形成训练数据集合；
融合模型生成模块，用于将所述参与方进行组合得到至少一个参与方组合，根据参与方组合的不同选择相应训练数据集合进行训练得到对应的融合模型，其中，所述参与方组合至少包含两个参与方；
联邦学习模型优化模块，用于对所述融合模型进行质量评估，根据所述质量评估结果选择相应的融合模型融合优化得到联邦学习模型；
模具优化模块，用于将所述联邦学习模型发送至请求方，所述请求方根据接收的联邦学习模型进行本地训练进而更新模具模型；所述请求方至少为一个参与方。
9.一种基于联邦学习的汽车生产模具优化设备，其特征在于：包括：
一个或多个处理装置；
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装置执行，使得所述一个或多个处理装置实现如1至7中任一所述基于联邦学习的汽车生产模具优化方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序用于使所述计算机执行权利要求1至7中任一所述基于联邦学习的汽车生产模具优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110939284.0A CN113609781B (zh) | 2021-08-16 | 2021-08-16 | 基于联邦学习的汽车生产模具优化方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110939284.0A CN113609781B (zh) | 2021-08-16 | 2021-08-16 | 基于联邦学习的汽车生产模具优化方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113609781A true CN113609781A (zh) | 2021-11-05 |
| CN113609781B CN113609781B (zh) | 2023-12-26 |
Family
ID=78308685
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110939284.0A Active CN113609781B (zh) | 2021-08-16 | 2021-08-16 | 基于联邦学习的汽车生产模具优化方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113609781B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114219160A (zh) * | 2021-12-20 | 2022-03-22 | 湖南大学 | 一种基于联邦学习的生产链协同调度方法 |
| CN114282652A (zh) * | 2021-12-22 | 2022-04-05 | 哈尔滨工业大学 | 一种隐私保护的纵向深度神经网络模型构建方法、计算机及存储介质 |
| CN114358433A (zh) * | 2022-01-10 | 2022-04-15 | 北京理工大学 | 基于纵向联邦学习工业软件对接的生产计划管理优化方法 |
| CN116304644A (zh) * | 2023-05-18 | 2023-06-23 | 腾讯科技（深圳）有限公司 | 一种基于联邦学习的数据处理方法、装置、设备及介质 |
| CN117034328A (zh) * | 2023-10-09 | 2023-11-10 | 国网信息通信产业集团有限公司 | 一种改进的基于联邦学习的异常用电检测系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461874A (zh) * | 2020-04-13 | 2020-07-28 | 浙江大学 | 一种基于联邦模式的信贷风险控制系统及方法 |
| CN111966698A (zh) * | 2020-07-03 | 2020-11-20 | 华南师范大学 | 一种基于区块链的可信联邦学习方法、系统、装置及介质 |
| CN112270597A (zh) * | 2020-11-10 | 2021-01-26 | 恒安嘉新（北京）科技股份公司 | 业务处理、信用评价模型训练方法、装置、设备及介质 |
| CN112287377A (zh) * | 2020-11-25 | 2021-01-29 | 南京星环智能科技有限公司 | 基于联邦学习的模型训练方法、计算机设备及存储介质 |
| US20210073639A1 (en) * | 2018-12-04 | 2021-03-11 | Google Llc | Federated Learning with Adaptive Optimization |
| CN113138847A (zh) * | 2020-01-19 | 2021-07-20 | 京东数字科技控股有限公司 | 基于联邦学习的计算机资源分配调度方法和装置 |
-
2021
- 2021-08-16 CN CN202110939284.0A patent/CN113609781B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210073639A1 (en) * | 2018-12-04 | 2021-03-11 | Google Llc | Federated Learning with Adaptive Optimization |
| CN113138847A (zh) * | 2020-01-19 | 2021-07-20 | 京东数字科技控股有限公司 | 基于联邦学习的计算机资源分配调度方法和装置 |
| CN111461874A (zh) * | 2020-04-13 | 2020-07-28 | 浙江大学 | 一种基于联邦模式的信贷风险控制系统及方法 |
| CN111966698A (zh) * | 2020-07-03 | 2020-11-20 | 华南师范大学 | 一种基于区块链的可信联邦学习方法、系统、装置及介质 |
| CN112270597A (zh) * | 2020-11-10 | 2021-01-26 | 恒安嘉新（北京）科技股份公司 | 业务处理、信用评价模型训练方法、装置、设备及介质 |
| CN112287377A (zh) * | 2020-11-25 | 2021-01-29 | 南京星环智能科技有限公司 | 基于联邦学习的模型训练方法、计算机设备及存储介质 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114219160A (zh) * | 2021-12-20 | 2022-03-22 | 湖南大学 | 一种基于联邦学习的生产链协同调度方法 |
| CN114219160B (zh) * | 2021-12-20 | 2024-07-09 | 湖南大学 | 一种基于联邦学习的生产链协同调度方法 |
| CN114282652A (zh) * | 2021-12-22 | 2022-04-05 | 哈尔滨工业大学 | 一种隐私保护的纵向深度神经网络模型构建方法、计算机及存储介质 |
| CN114358433A (zh) * | 2022-01-10 | 2022-04-15 | 北京理工大学 | 基于纵向联邦学习工业软件对接的生产计划管理优化方法 |
| CN116304644A (zh) * | 2023-05-18 | 2023-06-23 | 腾讯科技（深圳）有限公司 | 一种基于联邦学习的数据处理方法、装置、设备及介质 |
| CN116304644B (zh) * | 2023-05-18 | 2024-06-11 | 腾讯科技（深圳）有限公司 | 一种基于联邦学习的数据处理方法、装置、设备及介质 |
| CN117034328A (zh) * | 2023-10-09 | 2023-11-10 | 国网信息通信产业集团有限公司 | 一种改进的基于联邦学习的异常用电检测系统及方法 |
| CN117034328B (zh) * | 2023-10-09 | 2024-03-19 | 国网信息通信产业集团有限公司 | 一种改进的基于联邦学习的异常用电检测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113609781B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11277412B2 (en) | System and method for storing and distributing consumer information | |
| CN109981641B (zh) | 一种基于区块链技术的安全发布订阅系统及发布订阅方法 | |
| WO2022247576A1 (zh) | 一种数据处理方法、装置、设备及计算机可读存储介质 | |
| CN113609781B (zh) | 基于联邦学习的汽车生产模具优化方法、系统、设备及介质 | |
| WO2021239008A1 (zh) | 一种基于隐私保护的加密方法和系统 | |
| CN113162752B (zh) | 基于混合同态加密的数据处理方法和装置 | |
| Chen et al. | A blockchain-based intelligent anti-switch package in tracing logistics system | |
| CN113127916A (zh) | 数据集合处理方法、数据处理方法、装置及存储介质 | |
| CN114401079A (zh) | 多方联合信息价值计算方法、相关设备及存储介质 | |
| CN110390212B (zh) | 基于区块链的供货监控方法、节点装置 | |
| CN110597836B (zh) | 基于区块链网络的信息查询请求响应方法及装置 | |
| CN113722753B (zh) | 基于区块链的隐私数据处理方法、装置及系统 | |
| CN113179158B (zh) | 一种控制带宽的多方联合数据处理方法及装置 | |
| CN112765642A (zh) | 数据处理方法、数据处理装置、电子设备及介质 | |
| CN114881247B (zh) | 基于隐私计算的纵向联邦特征衍生方法、装置、介质 | |
| JP2024510658A (ja) | マルチソースデータのデータ処理方法、装置、電子機器、及び記憶媒体 | |
| CN117932685A (zh) | 基于纵向联邦学习的隐私数据处理方法及相关设备 | |
| CN114579857A (zh) | 基于区块链的对象推荐方法、装置及系统 | |
| CN111010283B (zh) | 用于生成信息的方法和装置 | |
| CN112949866A (zh) | 泊松回归模型的训练方法、装置、电子设备及存储介质 | |
| CN114462626B (zh) | 联邦模型训练方法、装置、终端设备以及存储介质 | |
| Liu et al. | Secure multiparty computation of a comparison problem | |
| CN114514550A (zh) | 将请求分区成区块链的交易 | |
| TWI782701B (zh) | 區塊鏈錢包的非互動式批核系統及其方法 | |
| CN115599959A (zh) | 数据共享方法、装置、设备及存储介质 |
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 |