CN114372585A - 一种基于联合学习的物联网系统及服务方法 - Google Patents

一种基于联合学习的物联网系统及服务方法 Download PDF

Info

Publication number
CN114372585A
CN114372585A CN202011095429.5A CN202011095429A CN114372585A CN 114372585 A CN114372585 A CN 114372585A CN 202011095429 A CN202011095429 A CN 202011095429A CN 114372585 A CN114372585 A CN 114372585A
Authority
CN
China
Prior art keywords
internet
algorithm
things
joint learning
industry
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.)
Pending
Application number
CN202011095429.5A
Other languages
English (en)
Inventor
张敏
高庆
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.)
Ennew Digital Technology Co Ltd
Original Assignee
Ennew Digital 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 Ennew Digital Technology Co Ltd filed Critical Ennew Digital Technology Co Ltd
Priority to CN202011095429.5A priority Critical patent/CN114372585A/zh
Publication of CN114372585A publication Critical patent/CN114372585A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble 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
    • G06F21/602—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
    • G06F21/6245—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
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y30/00—IoT infrastructure
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/50—Safety; Security of things, users, data or systems

Abstract

本发明公开了一种基于联合学习的物联网系统及服务方法，包括：物联基础设施、云端服务平台和业务应用平台，其中，所述物联基础设施，用于提供基于联合学习的基础设施，基于联合学习算法对所述目标算法模型进行训练，以及利用训练后的目标算法模型对所述业务应用平台获取的业务需求进行处理；所述云端服务平台，用于提供基于联合学习的基础通用算法模型，根据所述业务应用平台获取的业务需求进行所述基础通用算法模型的选择；所述业务应用平台，用于获取用户业务需求，接收云端服务平台发送的处理结果并向用户反馈。通过联合学习和人工智能，在确保数据安全前提下，打造基于联合学习的AI技术生态，进而打破各方数据壁垒、打通行业生态。

Description

一种基于联合学习的物联网系统及服务方法
技术领域
本发明涉及物联网技术领域，特别涉及一种基于联合学习的物联网系统及服务方法。
背景技术
随着物联网技术的发展以及各种物联网IoT设备日益普及，未来IoT端产生的海量数据将很快超过现有互联网的数据体量。边缘和终端智能越来越受到人们的关注，人工智能技术能有效用于处理海量设备端产生的数据。近年来，IoT设备计算能力不断提升，特别是专门用于神经网络计算的AI芯片逐渐成为中高端设备的标配，人工智能逐渐出现了从云端向终端迁移的趋势。智能+是社会未来发展的趋势，赋予IoT设备智能化可以为人们提供更好的服务。
企业在数字化转型的过程中，经常面临三个问题。
(1)网络安全问题--如何保护数据安全
根本原因有：
一是在云化以后，数据集中化程度过高，造成数据安全得不到保障，数据非法访问风险加大；
二是原先的应用服务器是独立的，但上了云系统以后，应用服务器的安全边界越来越小，甚至还会出现很多漏洞，保护机制仍需完善；
三是从应用层面看，数字应用范围在扩大，但安全匹配滞后；
四是云计算部署呈明显动态化，但授权仍呈现静态化，从而导致匹配难度较大。
(2)数据流量处理面临压力
面对庞大的数据流量以及储存数据，需要将云计算和分布式架构相结合，替代传统数据中心架构有利于解决数据储存风险较高的问题，也能够降低网络带宽需求、加快数据传输效率。
(3)“数据孤岛”尚未打通
一方面由于用户隐私保护、商业机密保护，另一方面由于部门业务差异及开发时间不同，从而导致异构及多个系统平台同时运行，系统数据相对独立、隔离、无法实现数据共享，进而产生“数据孤岛”，不利于数字化转型应用，需要花大量的时间、精力、成本进行资源整合。
发明内容
本发明旨在至少在一定程度上解决上述技术问题中的至少一个。
为此，本发明的第一个目的在于提出一种基于联合学习的物联网系统，通过联合学习和人工智能的协议与标准，在确保数据安全及用户隐私的前提下，打造基于联合学习的AI技术生态，进而打破各方数据壁垒、打通行业生态。
本发明的第二个目的在于提出一种基于联合学习的物联网服务方法，通过联合学习和人工智能的协议与标准，在确保数据安全及用户隐私的前提下，打造基于联合学习的AI技术生态，进而打破各方数据壁垒、打通行业生态。
第一方面，本发明实施例公开了一种基于联合学习的物联网系统，该物联网系统包括：物联基础设施、云端服务平台和业务应用平台，其中，
所述物联基础设施，用于提供基于联合学习的基础设施，与所述云端服务平台进行交互，接收所述云端服务平台发送的目标算法模型并基于联合学习算法对所述目标算法模型进行训练，以及利用训练后的目标算法模型对所述业务应用平台获取的业务需求进行处理；
所述云端服务平台，用于提供基于联合学习的基础通用算法模型，根据所述业务应用平台获取的业务需求进行所述基础通用算法模型的选择，并将选择的目标算法模型下发到所述物联基础设施，以及向所述业务应用平台发送所述物联基础设施针对所述业务需求的处理结果；
所述业务应用平台，用于获取用户业务需求，接收所述云端服务平台发送的处理结果并向用户反馈。
作为本发明的一个优选，所述物联基础设施与所述云端服务平台之间通过网络通信协议和API网关进行交互。
作为本发明的一个优选，所述基础通用算法模型包括：机器学习算法、深度学习算法和计算机视觉算法。
作为本发明的一个优选，所述机器学习算法包括：线性分类算法、逻辑回归算法、决策树算法、支持向量机SVM算法、朴素贝叶斯算法和K-means算法。
作为本发明的一个优选，所述深度学习算法包括：卷积神经网络CNN算法、递归神经网络RNN算法、深度神经网络DNN算法、自编码神经网络算法、深度置信网络算法、语音识别算法和自然语言处理算法。
作为本发明的一个优选，所述计算机视觉算法包括：图像处理、图像识别、图像理解和视频分析。
作为本发明的一个优选，所述云端服务平台具有联合学习引擎，用于将所述机器学习算法、所述深度学习算法和/或所述计算机视觉算法与联合学习进行结合，为所述业务应用平台的业务需求提供基于联合学习的智能算法。
作为本发明的一个优选，所述联合学习引擎至少管控分布式并行计算、端云统一模型、联合策略选择、安全协议和加密算法。
作为本发明的一个优选，所述物联网系统应用于所有行业的所有业务需求；所述行业至少包括：农林牧渔业、医疗卫生业、建筑建材、冶金矿产业、石油化工业、水利水电业、交通运输业、信息产业、机械机电业、轻工食品业、服装纺织业、专业服务业、环保绿化业和电子电工业。
第二方面，本发明实施例提供了一种基于联合学习的物联网服务方法，该方法包括：
业务应用平台获取用户业务需求；
云端服务平台跟据所述业务应用平台获取的业务需求进行基础通用算法模型的选择，并将选择的目标算法模型下发到物联基础设施；
所述物联基础设施基于联合学习算法对所述目标算法模型进行训练；
所述物联基础设施利用训练后的目标算法模型对所述业务应用平台获取的业务需求进行处理；
所述物联基础设施将处理结果通过所述业务应用平台发送给所述业务应用平台。
与现有技术相比，本发明至少具有以下有益效果：
通过联合学习和人工智能的协议与标准，在确保数据安全及用户隐私的前提下，打造基于联合学习的AI技术生态，进而打破各方数据壁垒、打通行业生态。并且附加的优点会在下面的具体实施例中给出，也会在下面的描述中变得明显，或通过本发明的实践了解到。
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是本发明一个实施例提供的一种基于联合学习的物联网系统的结构框图；
图2是本发明一个实施例提供的一种基于联合学习的物联网系统的结构示意图；
图3是本发明一个实施例提供的一种基于联合学习的物联网服务方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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的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。
如图1所示，本发明实施例公开了一种基于联合学习的物联网系统，该物联网系统包括：物联基础设施、云端服务平台和业务应用平台，其中，
所述物联基础设施，用于提供基于联合学习的基础设施，与所述云端服务平台进行交互，接收所述云端服务平台发送的目标算法模型并基于联合学习算法对所述目标算法模型进行训练，以及利用训练后的目标算法模型对所述业务应用平台获取的业务需求进行处理；
所述云端服务平台，用于提供基于联合学习的基础通用算法模型，根据所述业务应用平台获取的业务需求进行所述基础通用算法模型的选择，并将选择的目标算法模型下发到所述物联基础设施，以及向所述业务应用平台发送所述物联基础设施针对所述业务需求的处理结果；
所述业务应用平台，用于获取用户业务需求，接收所述云端服务平台发送的处理结果并向用户反馈。
具体地，物联网系统可以根据实际情况进行物联基础设施的添加和移除，并且可以随时添加和移除。云端服务平台的基础通用算法模型同样可以根据实际情况进行添加和移除，并且可以随时添加和移除。业务应用平台适用的行业和业务需求同样可以根据实际情况进行添加和移除，并且可以随时添加和移除。
需要说明的是，不同的业务以及用户会有不同的业务需求，每类业务场景的数据和业务特性不同，则通过AI解决的问题也不同，所以云端服务平台会根据实际情况进行基础通用算法模型的选择，从而不同的业务需求会有不同的目标算法模型。
在本发明的一个优选实施例中，所述物联基础设施与所述云端服务平台之间通过网络通信协议和API网关进行交互。
需要说明的是，所述物联基础设施与所述云端服务平台之间可以直接通过网络通信协议进行交互，也可以直接通过API网关进行交互，也可以通过网络通信协议和API网关的相互作用进行交互。而具体的交互过程根据不同的物联基础设施会有相应的交互方法，物联网系统会根据具体情况自行选择合适的交互过程。除此之外，物联基础设施与云端服务平台之间的交互还可以通过其他通信交互完成，此处不再一一列举。
在本发明的一个优选实施例中，所述基础通用算法模型包括：机器学习算法、深度学习算法和计算机视觉算法。
需要说明的是，除了列举出来的机器学习算法、深度学习算法和计算机视觉算法，基础通用算法模型还可以包括其他算法，并且基础通用算法模型可以添加和移除。
在本发明的一个优选实施例中，所述机器学习算法包括：线性分类算法、逻辑回归算法、决策树算法、支持向量机SVM算法、朴素贝叶斯算法和K-means算法。
需要说明的是，除了列举出来的机器学习算法，机器学习算法还可以包括其他具体算法，并且机器学习算法的种类可以添加和移除，具体算法的过程、公式和参数也可以进行调整。
在本发明的一个优选实施例中，所述深度学习算法包括：卷积神经网络CNN算法、递归神经网络RNN算法、深度神经网络DNN算法、自编码神经网络算法、深度置信网络算法、语音识别算法和自然语言处理算法。
需要说明的是，除了列举出来的深度学习算法，深度学习算法还可以包括其他具体算法，并且深度学习算法的种类可以添加和移除，具体算法的过程、公式和参数也可以进行调整。
在本发明的一个优选实施例中，所述计算机视觉算法包括：图像处理、图像识别、图像理解和视频分析。
需要说明的是，除了列举出来的计算机视觉算法，计算机视觉算法还可以包括其他具体算法，并且计算机视觉算法的种类可以添加和移除，具体算法的过程、公式和参数也可以进行调整。
在本发明的一个优选实施例中，所述云端服务平台具有联合学习引擎，用于将所述机器学习算法、所述深度学习算法和/或所述计算机视觉算法与联合学习进行结合，为所述业务应用平台的业务需求提供基于联合学习的智能算法。
在本发明的一个优选实施例中，所述联合学习引擎至少管控分布式并行计算、端云统一模型、联合策略选择、安全协议和加密算法。
需要说明的是，联合学习引擎会涉及到分布式并行计算、端云统一模型、各种联合策略选择、安全协议、各种加密算法(差分隐私、同态加密、多方安全计算)等，同时还需要解决联合训练过程中的各种异常(节点中断、重新加入联合训练)、非独立同分布问题、加密与计算效率的平衡问题等。端云统一模型根据不同的业务需求，物联基础设施和云端服务平台的选择的基础通用算法模型保持一致。
在本发明的一个优选实施例中，所述物联网系统应用于所有行业的所有业务需求；所述行业至少包括：农林牧渔业、医疗卫生业、建筑建材、冶金矿产业、石油化工业、水利水电业、交通运输业、信息产业、机械机电业、轻工食品业、服装纺织业、专业服务业、环保绿化业和电子电工业。
需要说明的是，物联网系统应用的行业不仅仅包括农林牧渔业、医疗卫生业、建筑建材、冶金矿产业、石油化工业、水利水电业、交通运输业、信息产业、机械机电业、轻工食品业、服装纺织业、专业服务业、环保绿化业和电子电工业，还包括未列举出的其他行业，本物联网系统应用的所有行业。不同的行业会有不同的业务需求，不同的用户也会有不同的业务需求。每类业务场景的数据和业务特性不同，则通过AI解决的问题也不同，所采用的方法以及基础通用算法模型也不同。
通过以上技术方案可知，通过联合学习和人工智能的协议与标准，在确保数据安全及用户隐私的前提下，打造基于联合学习的AI技术生态，进而打破各方数据壁垒、打通行业生态。从而有效解决了各产业的数据敏感性、隐私性极强，存在数据主权与安全的担忧，以及数据数量有限、维度不够、质量差，导致模型效果不佳的问题。
图1所示仅为本发明所述方法的基础实施例，在其基础上进行一定的优化和拓展，还能够得到所述方法的其他优选实施例。
如图2所示，为本发明所述基于联合学习的物联网系统的另一个具体实施例。本发明实施例在前述实施例的基础上，结合应用场景进行了更加具体的描述。所述物联网系统：
(1)最下面的是物联基础设施也是物联网平台，物联基础设施(端、边、网、云)是联合学习的基础，需要在端(边缘侧)进行本地的目标算法模型训练和存储，再通过标准的网络通信协议、APIGateway等与云端服务平台进行交互，在云端服务平台进行目标算法模型的策略选择，如此往复迭代，直至联合训练出较好的目标算法模型。
(2)物联基础设施之上的是云端服务平台，提供基础通用算法，包括各种机器学习算法(线性分类、逻辑回归、决策树、支持向量机SVM、朴素贝叶斯、K-means)、深度学习算法(卷积神经网络CNN、递归神经网络RNN、深度神经网络DNN、自编码神经网络、深度置信网络、语音识别、自然语言处理)、计算机视觉(图像处理、图像识别、图像理解、视频分析)等，这些传统经典的算法是数据到智能的AI智能部分。
(3)联合学习引擎，将传统的机器学习算法、深度学习算法与联合学习进行结合，为业务应用平台提供基于联合学习的智能算法。既能保护数据隐私安全，同时可以共享联合之后的模型效果，是贯穿整个从边缘IOT数据，到顶层应用的关键部分。
联合学习引擎会涉及到分布式并行计算、端云统一模型、各种联合策略选择、安全协议、各种加密算法(差分隐私、同态加密、多方安全计算)等，同时还需要解决联合训练过程中的各种异常(节点中断、重新加入联合训练)、非独立同分布问题、加密与计算效率的平衡问题等。
(4)基于联合学习，之后就是场景应用，例如本实施例中，支持能源和健康两大生态圈，每类业务场景的数据和业务特性不同，需要通过AI解决的问题也不同。
能源应用场景比如：
综合能源运行优化、设备预测性维护、负荷预测、能源软测量、设备故障诊断等
健康应用场景比如：
病例识别、健康评估、疾病诊断、健康推荐等
基于联合学习的AI解决方案，帮助用户在保护数据独立隐私的情况下，共享联合之后的模型效果。
(5)该物联网系统并非只服务于本实施例列举的能源和健康，还有可能扩展应用至其他行业领域，通用性和鲁棒性很高。
如图3所示，本发明实施例提供了一种基于联合学习的物联网服务方法，该方法包括：
业务应用平台获取用户业务需求；
云端服务平台跟据所述业务应用平台获取的业务需求进行基础通用算法模型的选择，并将选择的目标算法模型下发到物联基础设施；
所述物联基础设施基于联合学习算法对所述目标算法模型进行训练；
所述物联基础设施利用训练后的目标算法模型对所述业务应用平台获取的业务需求进行处理；
所述物联基础设施将处理结果通过所述业务应用平台发送给所述业务应用平台。
需要说明的是，本发明所述方法基于联合学习的物联网服务方法依托于本发明所述基于联合学习的物联网系统。图3所示仅为本发明所述方法的基础实施例，在其基础上进行一定的优化和拓展，还能够得到所述方法的其他优选实施例。除此之外，依托于本发明所述基于联合学习的物联网系统还可以提供其他物联网服务方法。
应当理解，这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、CD-ROM、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被该机器执行时，该机器变成实践本发明的设备。
在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的该程序代码中的指令，执行本发明的各种方法。
以示例而非限制的方式，计算机可读介质包括计算机存储介质和通信介质。计算机可读介质包括计算机存储介质和通信介质。计算机存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在计算机可读介质的范围之内。
应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该发明的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面发明的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员应当理解在本文所发明的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中发明的所有特征以及如此发明的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中发明的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的发明是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (10)

1.一种基于联合学习的物联网系统，其特征在于，包括：物联基础设施、云端服务平台和业务应用平台，其中，
所述物联基础设施，用于提供基于联合学习的基础设施，与所述云端服务平台进行交互，接收所述云端服务平台发送的目标算法模型并基于联合学习算法对所述目标算法模型进行训练，以及利用训练后的目标算法模型对所述业务应用平台获取的业务需求进行处理；
所述云端服务平台，用于提供基于联合学习的基础通用算法模型，根据所述业务应用平台获取的业务需求进行所述基础通用算法模型的选择，并将选择的目标算法模型下发到所述物联基础设施，以及向所述业务应用平台发送所述物联基础设施针对所述业务需求的处理结果；
所述业务应用平台，用于获取用户业务需求，接收所述云端服务平台发送的处理结果并向用户反馈。
2.根据权利要求1所述基于联合学习的物联网系统，其特征在于，所述物联基础设施与所述云端服务平台之间通过网络通信协议和API网关进行交互。
3.根据权利要求1所述基于联合学习的物联网系统，其特征在于，所述基础通用算法模型包括：机器学习算法、深度学习算法和计算机视觉算法。
4.根据权利要求3所述基于联合学习的物联网系统，其特征在于，所述机器学习算法包括：线性分类算法、逻辑回归算法、决策树算法、支持向量机SVM算法、朴素贝叶斯算法和K-means算法。
5.根据权利要求3所述基于联合学习的物联网系统，其特征在于，所述深度学习算法包括：卷积神经网络CNN算法、递归神经网络RNN算法、深度神经网络DNN算法、自编码神经网络算法、深度置信网络算法、语音识别算法和自然语言处理算法。
6.根据权利要求3所述基于联合学习的物联网系统，其特征在于，所述计算机视觉算法包括：图像处理、图像识别、图像理解和视频分析。
7.根据权利要求3所述基于联合学习的物联网系统，其特征在于，所述云端服务平台具有联合学习引擎，用于将所述机器学习算法、所述深度学习算法和/或所述计算机视觉算法与联合学习进行结合，为所述业务应用平台的业务需求提供基于联合学习的智能算法。
8.根据权利要求7所述基于联合学习的物联网系统，其特征在于，所述联合学习引擎至少管控分布式并行计算、端云统一模型、联合策略选择、安全协议和加密算法。
9.根据权利要求1-7任一所述基于联合学习的物联网系统，其特征在于，所述物联网系统应用于所有行业的所有业务需求；所述行业至少包括：农林牧渔业、医疗卫生业、建筑建材、冶金矿产业、石油化工业、水利水电业、交通运输业、信息产业、机械机电业、轻工食品业、服装纺织业、专业服务业、环保绿化业和电子电工业。
10.一种基于联合学习的物联网服务方法，其特征在于，该方法包括：
业务应用平台获取用户业务需求；
云端服务平台跟据所述业务应用平台获取的业务需求进行基础通用算法模型的选择，并将选择的目标算法模型下发到物联基础设施；
所述物联基础设施基于联合学习算法对所述目标算法模型进行训练；
所述物联基础设施利用训练后的目标算法模型对所述业务应用平台获取的业务需求进行处理；
所述物联基础设施将处理结果通过所述业务应用平台发送给所述业务应用平台。
CN202011095429.5A 2020-10-14 2020-10-14 一种基于联合学习的物联网系统及服务方法 Pending CN114372585A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011095429.5A CN114372585A (zh) 2020-10-14 2020-10-14 一种基于联合学习的物联网系统及服务方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011095429.5A CN114372585A (zh) 2020-10-14 2020-10-14 一种基于联合学习的物联网系统及服务方法

Publications (1)

Publication Number Publication Date
CN114372585A true CN114372585A (zh) 2022-04-19

Family

ID=81138701

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011095429.5A Pending CN114372585A (zh) 2020-10-14 2020-10-14 一种基于联合学习的物联网系统及服务方法

Country Status (1)

Country Link
CN (1) CN114372585A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115618377A (zh) * 2022-09-27 2023-01-17 黄星 一种数据保密处理方法、系统及云平台

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115618377A (zh) * 2022-09-27 2023-01-17 黄星 一种数据保密处理方法、系统及云平台
CN115618377B (zh) * 2022-09-27 2023-10-27 北京国联视讯信息技术股份有限公司 一种数据保密处理方法、系统及云平台

Similar Documents

Publication Publication Date Title
US11836643B2 (en) System for secure federated learning
Lim et al. Federated learning in mobile edge networks: A comprehensive survey
CN110084377B (zh) 用于构建决策树的方法和装置
CN110958218B (zh) 基于多网通信的数据传输方法及相关设备
US20220100857A1 (en) Systems and Methods of Anomalous Pattern Discovery and Mitigation
CN102792635A (zh) 基于行为的安全系统
Majeed et al. Cross-silo model-based secure federated transfer learning for flow-based traffic classification
Tortonesi et al. SPF: An SDN-based middleware solution to mitigate the IoT information explosion
US11558403B2 (en) Quantum computing machine learning for security threats
CN109561100B (zh) 基于分布式与人工智能的双工赋能网络攻防的方法及系统
Prajisha et al. An efficient intrusion detection system for MQTT-IoT using enhanced chaotic salp swarm algorithm and LightGBM
Hassan et al. New advancements in cybersecurity: A comprehensive survey
US20200285856A1 (en) Video robot systems
Abdalzaher et al. Toward secured iot-based smart systems using machine learning
Tan et al. Predicting the Top-N popular videos via a cross-domain hybrid model
Ma et al. Trusted ai in multiagent systems: An overview of privacy and security for distributed learning
CN114372585A (zh) 一种基于联合学习的物联网系统及服务方法
Diqi TwitterGAN: robust spam detection in twitter using novel generative adversarial networks
Benisha An efficient Sheep Flock Optimization-based hybrid deep RaNN for secure and enhanced video transmission quality
Yevseiev et al. Development of a Sociocyberphysical Systems Cyber Threats Classifier
Ramraj et al. Hybrid feature learning framework for the classification of encrypted network traffic
CN116032590A (zh) 一种ddos攻击的检测模型训练方法及相关装置
Kim et al. A Comprehensive Analysis of Machine Learning-Based Intrusion Detection System for IoT-23 Dataset
Chaudhary et al. Generative Edge Intelligence for Securing IoT-assisted Smart Grid against Cyber-Threats.
Arbaoui et al. Towards secure and reliable aggregation for Federated Learning protocols in healthcare applications

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