CN115150918A - 一种分簇网络架构下的可靠联邦学习方法、系统、设备及终端 - Google Patents
一种分簇网络架构下的可靠联邦学习方法、系统、设备及终端 Download PDFInfo
- Publication number
- CN115150918A CN115150918A CN202210626888.4A CN202210626888A CN115150918A CN 115150918 A CN115150918 A CN 115150918A CN 202210626888 A CN202210626888 A CN 202210626888A CN 115150918 A CN115150918 A CN 115150918A
- Authority
- CN
- China
- Prior art keywords
- cluster
- user
- users
- cluster head
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 149
- 238000004138 cluster model Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 49
- 230000002776 aggregation Effects 0.000 claims abstract description 45
- 238000004220 aggregation Methods 0.000 claims abstract description 45
- 230000006399 behavior Effects 0.000 claims description 33
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 230000004931 aggregating effect Effects 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 9
- 230000032683 aging Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 abstract description 26
- 238000004891 communication Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 20
- 230000005540 biological transmission Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000002035 prolonged effect Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 231100000572 poisoning Toxicity 0.000 description 2
- 230000000607 poisoning effect Effects 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- IRLXSDZTLYOBQH-WOUKDFQISA-N [(2r,3s,4r,5r)-3,4-dihydroxy-5-imidazo[2,1-f]purin-3-yloxolan-2-yl]methyl dihydrogen phosphate Chemical compound O[C@@H]1[C@H](O)[C@@H](COP(O)(O)=O)O[C@H]1N1C(N=CN2C=CN=C22)=C2N=C1 IRLXSDZTLYOBQH-WOUKDFQISA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
-
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/06—Authentication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
- H04W40/04—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources
- H04W40/10—Communication route or path selection, e.g. power-based or shortest path routing based on wireless node resources based on available power or energy
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/248—Connectivity information update
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
- H04W52/0212—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave
- H04W52/0219—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave where the power saving management affects multiple terminals
-
- 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)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明属于无线通信技术领域，公开了一种分簇网络架构下的可靠联邦学习方法、系统、设备及终端，系统根据分簇规则选出簇头用户，并将网络中所有参与联邦学习任务的用户与其最近的可信簇头进行关联，从而完成分簇过程；簇头用户根据接收的簇内用户的本地模型参数聚合生成簇内模型，并协助簇内用户完成本地信誉表的更新；基站根据接收的簇内模型参数聚合生成全局模型，并协助网络中所有用户完成本地模型参数以及信誉表的更新；重复上述过程，直至联邦学习任务完成或者用户设备能量耗尽。本发明克服了无线联邦学习在典型的客户‑服务器架构下扩展性有限和能耗过大的不足，保证无线联邦学习的安全性，延长整个网络的生命周期。
Description
技术领域
本发明属于无线通信技术领域，尤其涉及一种分簇网络架构下的可靠联邦学习方法、系统、设备及终端。
背景技术
目前，由于数据孤岛正阻碍着对训练机器学习模型所必需的大数据的使用，且随着终端设备计算能力的增长以及人们对共享私有数据的日益关注，直接在终端设备上执行机器学习(Machine Learning，ML)任务变得比向中心服务器发送原始数据更有吸引力。为此，出现了一种新的机器学习模型，即联邦学习(Federated Learning，FL)，它允许让拥有源数据的组织或个人单独训练一个模型，再通过模型聚合得到一个共享的全局模型。具体地，典型的客户-服务器(Client-Server，C/S)架构的联邦学习系统通过重复以下过程来优化全局模型：i)客户端用它们自己的数据执行本地模型训练，并向服务器发送其训练好的本地模型参数，ii)服务器从客户端收集本地模型，聚合成全局模型并广播给客户端，iii)客户端通过使用新的全局模型进一步训练其本地模型。以这种方式，中心服务器能够从存储在终端设备上的数据训练任务模型，而不会牺牲本地用户的隐私。因此，联邦学习成为未来人工智能领域中最有前途的技术之一。
尽管联邦学习在边缘数据处理和用户隐私保护方面有着得天独厚的优势，但其在无线网络中应用时(这里称之为“无线联邦学习”)也会遇到很多挑战。一方面，无线网络中资源的有限性和信道的不可靠性很难满足本地模型上传过程中某些需要低延迟和高吞吐量的任务，这也使得无线联邦学习中的掉队和容错问题更加普遍，很容易造成一些更新的偏差。另一方面，由于无线网络体系结构的开放性和复杂性，且中心服务器无法实时把控客户端的本地训练过程，因此无线联邦学习更容易受到网络中某些恶意用户的各种敌对攻击，如数据中毒攻击，后门攻击，重构攻击等。此外，在典型的客户-服务器架构的联邦学习系统中，本地客户端通过直接将模型参数上传至中心服务器的方式进行全局模型聚合。然而，在大型网络中，由于网络资源的有限性，这种集中式框架可能导致较高的通信延迟，从而增加了全局模型的收敛时间。与此同时，在某些特殊的无人值守的环境中，如野外环境监测、战场监视、农业病虫害检测等，无线联邦学习系统的客户端不能轻易更换电池或充电，因此在这些应用场景中，能量消耗也是必须要考虑到的关键问题。
为了解决现有技术中存在的问题，需要在无线联邦学习系统中引入一种新的网络架构，该网络架构不仅需要考虑到大型无线网络中的用户设备的扩展性，还应考虑无线场景下的客户端不能轻易更换电池或充电的现实问题。与此同时，还需要构建一种用户可靠性的鉴别机制来抵御无线网络中的恶意攻击。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有技术构建的无线联邦学习系统主要采用的是典型的客户-服务器架构，在实际应用中无法满足大型无线网络中部署联邦学习系统的需求，且能耗问题和恶意攻击导致的安全问题也成为制约无线联邦学习系统性能的关键因素。
(2)无线网络中资源的有限性和信道的不可靠性很难满足本地模型上传过程中某些需要低延迟和高吞吐量的任务，这也使得无线联邦学习中的掉队和容错问题更加普遍，很容易造成一些更新的偏差。
(3)在大型网络中，由于网络资源的有限性，典型的客户-服务器架构的联邦学习系统框架可能导致较高的通信延迟，从而增加了全局模型的收敛时间，且无线联邦学习更容易受到网络中某些恶意用户的各种敌对攻击。
发明内容
针对现有技术存在的问题，本发明提供了一种分簇网络架构下的可靠联邦学习方法、系统、设备及终端，尤其涉及一种分簇网络架构下基于设备能耗和终端信誉的可靠联邦学习方法、系统、介质、设备及终端。
本发明是这样实现的，一种分簇网络架构下的可靠联邦学习方法，所述分簇网络架构下的可靠联邦学习方法包括：
系统根据分簇规则选出簇头用户，并将网络中所有参与联邦学习任务的用户与其最近的可信簇头进行关联，从而完成分簇过程；簇头用户根据接收的簇内用户的本地模型参数聚合生成簇内模型，并协助簇内用户完成本地信誉表的更新；基站根据接收的簇内模型参数聚合生成全局模型，并协助网络中所有用户完成本地模型参数以及信誉表的更新；重复上述过程，直至联邦学习任务完成或者用户设备能量耗尽。
进一步，所述分簇网络架构下的可靠联邦学习方法包括以下步骤：
步骤一，基站发布联邦学习任务，并初始化相关模型和参数；在网络中均匀选择若干个可信设备作为首轮的簇头用户设备，其他设备选择最近的簇头用户进行关联，并通过本地信誉表相互鉴别以完成分簇过程；
上述步骤是联邦学习系统的初始化过程。
步骤二，在本地用户设备完成每一轮次的训练后，将本地模型参数上传至其关联的簇头用户，簇头用户设备根据各用户的可信程度将所有接收到的本地模型参数聚合成簇内模型，并负责协助簇内用户完成本地模型参数以及分布式信誉表的更新；
上述步骤通过簇内模型的聚合，极大减少了网络中的数据传输量，有效降低了用户设备的能耗，延长了整个联邦学习系统的生命周期。
步骤三，在完成若干轮次簇内模型的聚合更新后，簇头用户将当前的簇内模型参数和部分信誉表上传至基站，基站根据各簇内的数据比重将所有接收到的簇内模型参数聚合成全局模型，并负责协助网络中所有用户完成本地模型参数以及分布式信誉表的更新；
上述步骤完成了一次无线联邦学习系统的完整训练过程。
步骤四，在完成若干轮次全局模型的聚合更新后，网络中的所有用户设备根据特定的簇头选择算法选出新的簇头用户并重新进行分簇。
上述步骤通过周期性的分簇过程，降低了低能量或不可靠用户成为簇头的概率，使网络中各用户设备的能量消耗更加均衡，延长了整个网络的生命周期。
进一步，所述步骤二和步骤三中的用户信誉更新包括：
信誉模型基于Beta信誉系统构建，系统中的攻击检测机制将用户行为分为正向行为和负向行为，用户i的信誉用Beta函数表示为：
Ri＝Beta(ai+1，bi+1)；
其中，ai和bi分别表示用户i的正向行为和负向行为的评分。分簇网络架构下参与联邦学习任务的所有用户设备均在本地维护一张分布式信誉表；其中，用元组(ai，bi)表示用户i的信誉。
定义表征用户i信誉的可信程度的度量--信誉值，用Ri的期望表示如下：
定义表征用户k在第t+1轮中对聚合模型影响程度的量
称为“贡献”，由系统中的攻击检测机制对用户行为的评分表示；其中，若
则认为用户的行为是正向行为，反之则为负向行为。
采用信誉新鲜度的概念使用户最近的行为评价在信誉模型中被赋予更大的权重，采用老化权重量化信誉的新鲜度，提出带权重的信誉更新机制：
其中，常数r*和s*分别表示正向和负向行为的权重，wa∈(0，1)和wb∈(0，1)分别正向和负向行为的老化权重；u(·)∈(-1，1)是贡献
的效用函数，用于评估具有不同贡献的用户的信誉更新需求；用修正的双曲正切函数表示如下：
其中，κ≥1是信誉更新的尺度常量，决定函数u(·)在0附近的变化速率；随着κ值的增加，较小的贡献值
将导致较大的信誉变化。
在簇内模型聚合的过程中，由簇头用户负责验证簇内其他用户的可靠性，并更新簇内的分布式信誉表；在全局模型聚合的过程中，由基站负责验证各簇内模型的可靠性，并对各簇头提交的部分簇内信誉变化信息进行聚合，最终向全网更新相关用户的信誉变化。
进一步，所述步骤四中的簇头选择算法包括：
在每一轮的簇头用户选择过程中，网络中每个参与联邦学习任务的用户设备选择一个介于0和1之间的随机数，若所述随机数小于阈值T(ui)，则用户设备ui成为当前轮次的簇头；基于分簇网络中的用户设备剩余能量、簇内区域平均能量以及用户设备性能的环境因素，提出基于环境的簇头选择算法ELEACH，将簇头选择算法中的阈值T(ui)定义如下：
其中，η是系统预设的网络中的簇头比重，r是当前正在进行的分簇轮数，G是在前1/ηi轮分簇中没有成为过簇头的用户设备的集合，Ei(r)是用户设备i的剩余能量，且
表示上一轮簇c区域内所有用户设备的平均能量；Θi∈(0，1)用于衡量用户设备i的性能，参数为ζ的加权和函数用于控制不同环境因素在簇头选择概率中所占的比重。
进一步，所述步骤一和步骤四中的用户设备的分簇过程包括：
在分簇过程中，簇头用户和普通用户之间通过各自维护的分布式信誉表相互验证对方的可靠性，只有相互信任的簇头用户设备和普通用户设备之间才能进行关联；若用户的本地信誉表中缺少对某些用户的信誉记录，则将所述用户的信誉值统一看成初始化的中性信誉，Mk，c＝0.5。
在分簇过程中，每个簇头用户关联的普通用户数是有限的。当一个簇头用户设备关联的普通用户设备数达到上限时，将拒绝其他任何用户的验证或关联请求，用户设备选择其他邻近的簇头继续验证并关联；若用户未加入任何簇，则成为网络中的孤岛用户。在分簇网络架构下定义孤岛用户通过上一轮与其关联的簇头中继传输本地模型参数至本轮簇头或基站。
本发明的另一目的在于提供一种应用所述的分簇网络架构下的可靠联邦学习方法的分簇网络架构下的可靠联邦学习系统，所述分簇网络架构下的可靠联邦学习系统包括：
簇头用户关联模块，用于根据分簇规则选出簇头用户，将网络中所有用户与最近可信簇头进行关联，完成分簇过程；
簇内模型构建模块，用于通过簇头用户根据接收的簇内用户的本地模型参数聚合生成簇内模型，协助簇内用户完成本地信誉表的更新；
全局模型构建模块，用于通过基站根据接收的簇内模型参数聚合生成全局模型，协助网络中所有用户完成本地模型参数以及信誉表的更新；
本地训练模块，用于本地用户设备利用源数据进行联邦学习任务的训练，并在普通用户设备、簇头用户设备以及基站之间进行信息交互和模型共享；
模型聚合模块，用于进行簇内模型和/或全局模型的聚合；
攻击检测模块，用于对本地模型或簇内模型进行安全性检测，以阻断恶意攻击或不可靠的模型更新，为信誉构建和更新模块提供实现方式。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
根据分簇规则选出簇头用户，将网络中所有用户与最近可信簇头进行关联，完成分簇过程；簇头用户根据接收的簇内用户的本地模型参数聚合生成簇内模型，协助簇内用户完成本地信誉表的更新；基站根据接收的簇内模型参数聚合生成全局模型，协助网络中所有用户完成本地模型参数以及信誉表的更新。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
根据分簇规则选出簇头用户，将网络中所有用户与最近可信簇头进行关联，完成分簇过程；簇头用户根据接收的簇内用户的本地模型参数聚合生成簇内模型，协助簇内用户完成本地信誉表的更新；基站根据接收的簇内模型参数聚合生成全局模型，协助网络中所有用户完成本地模型参数以及信誉表的更新。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的分簇网络架构下的可靠联邦学习系统。
本发明的另一目的在于提供一种数据处理基站，所述数据处理基站用于实现所述的分簇网络架构下的可靠联邦学习系统。
结合上述的技术方案和解决的技术问题，从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
本发明提供的分簇网络架构下基于设备能耗和终端信誉的可靠联邦学习方法，通过在网络中对参与联邦学习任务的用户设备进行周期性分簇操作，使用户的本地模型更新在传输过程中通过簇头用户设备聚合成簇内模型，再通过少量簇内模型参数的传输更新全局模型参数，以减少网络中的平均数据传输量；其中，簇头用户设备需要通过簇头选择算法周期性产生，簇头选择算法考虑了包括：用户设备剩余能量、簇内区域平均能量以及用户设备性能(网络/计算性能)等在内的环境因素；与此同时，通过对网络中参与联邦学习任务的终端用户进行信誉建模来衡量其可靠程度，用户之间可以通过在分簇网络中构建的分布式信誉表相互鉴别，以防止网络中潜在的恶意攻击。
本发明通过引入一种分簇网络架构的联邦学习系统，不仅能够在大型网络中使更多用户参与到联邦学习任务中，还能使数据传输更加节能；通过在簇头选择算法中考虑影响设备能耗的诸多因素，能够有效延长无线联邦学习系统的生命周期；通过在分簇网络架构下引入基于终端信誉的用户可靠性鉴别机制，能够有效提升无线联邦学习系统的可靠性和安全性。
本发明通过提出一种分簇网络架构下的无线联邦学习系统，利用系统周期性的分簇过程，不仅能在大型网络中使更多用户参与到联邦学习任务中，还能通过簇内用户的模型参数的高效聚合减少网络中的平均数据传输量，使数据传输更加节能，从而有效延长了整个系统的生命周期。
本发明通过考虑到用户设备剩余能量、簇内区域平均能量以及用户设备性能(网络/计算性能)等环境因素，提出一种基于环境的簇头选择算法(ELEACH)，使当前用户成为簇头的概率与其自身和周围环境相关，使整个联邦学习系统中的设备能耗更加均衡，进一步延长了整个系统的生命周期。
本发明通过提出一种带权重的信誉更新机制，并在分簇网络架构下的无线联邦学习系统中分布式地维护用户信誉表，能够为普通用户设备、簇头用户设备以及基站提供一种基于终端信誉的用户可靠性鉴别机制，从而能够有效降低恶意攻击和不可靠网络更新对系统造成的负面影响，提升了无线联邦学习系统的可靠性和安全性。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
本发明克服了无线联邦学习在典型的客户-服务器架构下扩展性有限和能耗过大的不足，采用基于终端信誉的分簇网络架构，不仅使更多的用户设备参与到联邦学习任务中，还能使模型参数的传输和更新过程更加可靠和节能，从而在保证无线联邦学习的安全性的同时，有效延长了整个网络的生命周期。
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
(1)本发明的技术方案填补了国内外业内技术空白：
本发明克服了典型客户-服务器架构下的无线联邦学习系统在网络扩展性和设备能耗方面的问题，提出了一种分簇网络架构下的无线联邦学习方法，该技术方案填补了国内外业内技术空白。
(2)本发明的技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难题：
本发明提出一种基于设备能耗和终端信誉的分簇方法，并利用一种带权重的信誉更新机制来更新用户信誉，有效解决了无线网络中联邦学习系统容易遭受恶意用户攻击的问题，提升了无线联邦学习系统的可靠性和安全性。该技术方案是对目前国内外无线联邦学习中安全问题的有效补充。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述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是本发明实施例提供的分簇网络架构下的可靠联邦学习方法流程图；
图2是本发明实施例提供的分簇网络架构下的可靠联邦学习方法原理图；
图3是本发明实施例提供的分簇网络架构下的无线联邦学习系统的场景图；
图4是本发明实施例提供的客户-服务器架构和分簇网络架构下无线联邦学习系统中活跃用户设备数变化的实验仿真结果图；
图5是本发明实施例提供的客户-服务器架构和分簇网络架构下无线联邦学习系统中基站接收到的数据量的实验仿真结果图；
图6是本发明实施例提供的分簇网络架构下的无线联邦学习系统在不同预设簇头比例下的活跃用户设备数变化的实验仿真结果图；
图6(a)是本发明实施例提供的采用分簇网络架构下基于设备能耗和终端信誉的可靠联邦学习方法在使用较低预设簇头比例情况下的活跃用户设备数变化的实验仿真结果图；
图6(b)是本发明实施例提供的采用分簇网络架构下基于设备能耗和终端信誉的可靠联邦学习方法在使用较高预设簇头比例情况下的活跃用户设备数变化的实验仿真结果图；
图7是本发明实施例提供的分簇网络架构下的无线联邦学习系统在不同预设簇头比例下基站接收到的数据量的实验仿真结果图；
图8是本发明实施例提供的客户-服务器架构和分簇网络架构下无线联邦学习系统的测试精度的实验仿真结果图；
图9是本发明实施例提供的分簇网络架构下无线联邦学习系统在考虑终端信誉和恶意用户比例下的测试精度的实验仿真结果图；
图10是本发明实施例提供的分簇网络架构下的可靠联邦学习系统结构框图；
图中：1、簇头用户关联模块；2、簇内模型构建模块；3、全局模型构建模块；4、本地训练模块；5、模型聚合模块；6、攻击检测模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种分簇网络架构下的可靠联邦学习方法、系统、设备及终端，下面结合附图对本发明作详细的描述。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示，本发明实施例提供的分簇网络架构下的可靠联邦学习方法，包括以下步骤：
S101，根据分簇规则选出簇头用户，并将网络中所有用户与最近的可信簇头进行关联，从而完成分簇过程；
S102，簇头用户根据接收的簇内用户的本地模型参数聚合生成簇内模型，并协助簇内用户完成本地信誉表的更新；
S103，基站根据接收的簇内模型参数聚合生成全局模型，并协助网络中所有用户完成本地模型参数以及信誉表的更新。
如图2所示，本发明实施例提供的无线网络中基于终端信誉的可靠联邦学习方法具体包括以下步骤：
步骤一，基站发布联邦学习任务，并初始化相关模型和参数，在网络中均匀选择若干个可信设备作为首轮的簇头用户设备，其他设备选择最近的簇头用户进行关联，并通过本地信誉表相互鉴别以完成分簇过程；
步骤二，在本地用户设备完成每一轮次的训练后，会将其本地模型参数上传至其关联的簇头用户，簇头用户设备会根据各用户的可信程度将所有接收到的本地模型参数聚合成簇内模型，并负责协助簇内用户完成本地模型参数以及分布式信誉表的更新；
步骤三，在完成若干轮次簇内模型的聚合更新后，簇头用户会将当前的簇内模型参数和部分信誉表上传至基站，基站会根据各簇内的数据比重将所有接收到的簇内模型参数聚合成全局模型，并负责协助网络中所有用户完成本地模型参数以及分布式信誉表的更新；
步骤四，在完成若干轮次全局模型的聚合更新后，网络中的所有用户设备会根据特定的簇头选择算法选出新的簇头用户并重新进行分簇。
本发明实施例提供的步骤二和步骤三中的用户信誉更新机制具体包括：
信誉模型基于Beta信誉系统构建，系统中的攻击检测机制将用户行为分为正向行为和负向行为。因此，用户i的信誉可以用Beta函数表示为：
Ri＝Beta(ai+1，bi+1)，
其中，ai和bi分别表示用户i的正向行为和负向行为的评分。分簇网络架构下参与联邦学习任务的所有用户设备都需在本地维护一张分布式信誉表，其中，可用元组(ai，bi)表示用户i的信誉。
定义一个表征用户i信誉的可信程度的度量，称为“信誉值”，可用Ri的期望表示如下：
定义一个表征用户k在第t+1轮中对聚合模型影响程度的量，即
称为“贡献”，可由系统中的攻击检测机制对用户行为的评分表示。其中，若
则认为用户的行为是正向行为，反之则为负向行为。
为了解决潜伏恶意攻击的问题，可以采用信誉“新鲜度”的概念来使用户最近的行为评价在信誉模型中被赋予更大的权重。因此，可以采用老化权重来量化信誉的“新鲜度”，从而提出了一种带权重的信誉更新机制，表示如下：
其中，且常数r*和s*分别表示正向和负向行为的权重，wa∈(0，1)和wb∈(0，1)分别正向和负向行为的老化权重。此外，u(·)∈(-1，1)是贡献
的效用函数，用于评估具有不同贡献的用户的信誉更新需求，可用一个修正的双曲正切函数表示如下：
其中，κ≥1是一个信誉更新的尺度常量，其决定了函数u(·)在0附近的变化速率。因此，随着κ值的增加，较小的贡献值
将会导致较大的信誉变化。
在簇内模型聚合的过程中，由簇头用户负责验证簇内其他用户的可靠性，并更新簇内的分布式信誉表；在全局模型聚合的过程中，由基站负责验证各簇内模型的可靠性，并对各簇头提交的部分簇内信誉变化信息进行聚合，最终向全网更新相关用户的信誉变化。
本发明实施例提供的步骤四中的簇头选择算法具体包括：
在每一轮的簇头用户选择过程中，网络中每个参与联邦学习任务的用户设备会选择一个介于0和1之间的随机数，若该随机数小于阈值T(ui)，则用户设备ui成为当前轮次的簇头。考虑到分簇网络中的用户设备剩余能量、簇内区域平均能量以及用户设备性能(网络/计算性能)等环境因素，提出一种基于环境的簇头选择算法(ELEACH)，可将簇头选择算法中的阈值T(ui)定义如下：
其中，η是系统预设的网络中的簇头比重，r是当前正在进行的分簇轮数，G是在前1/ηi轮分簇中没有成为过簇头的用户设备的集合，Ei(r)是用户设备i的剩余能量，且
表示上一轮簇c区域内所有用户设备的平均能量。此外，Θi∈(0，1)用来衡量用户设备i的性能，参数为ζ的加权和函数可以用来控制不同环境因素在簇头选择概率中所占的比重。
本发明实施例提供的步骤一和步骤四中的用户设备的分簇过程具体包括：
由于簇头的选取是自适应且去中心化的，这导致网络中出现不可控恶意攻击的可能性增加。因此，在分簇过程中，簇头用户和普通用户之间需要通过各自维护的分布式信誉表相互验证对方的可靠性，只有相互信任的簇头用户设备和普通用户设备之间才能进行关联。若用户的本地信誉表中缺少对某些用户的信誉记录，则可将该用户的信誉值统一看成初始化的中性信誉。(即Mk，c＝0.5)
在分簇过程中，由于网络资源是有限的，因此每个簇头用户可关联的普通用户数也是有限的。当一个簇头用户设备关联的普通用户设备数达到上限时，将会拒绝其他任何用户的验证或关联请求。此时，该用户设备可以选择其他邻近的簇头继续验证并关联。若用户未加入任何簇，则成为网络中的孤岛用户。
为了便于孤岛用户加入联邦学习任务中，在分簇网络架构下定义孤岛用户可以通过上一轮与其关联的簇头来中继传输本地模型参数至本轮簇头或基站。
如图10所示，本发明实施例提供的分簇网络架构下的可靠联邦学习系统，包括：
用户分簇模块1，用于根据分簇规则选出簇头用户，将网络中所有用户与最近可信簇头进行关联，完成分簇过程；
簇内模型构建模块2，用于通过簇头用户根据接收的簇内用户的本地模型参数聚合生成簇内模型，并完成簇内用户分布式信誉表的更新；
全局模型构建模块3，用于通过基站根据接收的簇内模型参数聚合生成全局模型，并完成全网簇间用户分布式信誉表的更新；
本地训练模块4，用于本地用户设备利用源数据进行联邦学习任务的训练，并在普通用户设备、簇头用户设备以及基站之间进行信息交互和模型共享；
模型聚合模块5，用于进行簇内模型和/或全局模型的聚合；
攻击检测模块6，用于对用户模型进行安全性检测，以阻断恶意攻击或不可靠的模型更新，为用户的信誉构建和更新提供实现方式。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明的相关技术可主要应用于无线网络中部署的执行特定任务的联邦学习系统，目前只采用了实验仿真的方式对本发明中相关技术的可行性和可靠性进行了验证，具体如下：
1、仿真条件：
本发明的仿真实验是在Windows平台，主要配置为：CPU为Intel(R)i5-6200U，2.30GHz；内存是8G；操作系统为Windows10；仿真的软件环境为Python3.6+PyTorch。
以图3分簇网络架构下的无线联邦学习系统的场景图的场景图作为本发明仿真实验中所使用的仿真场景示意图，图中包含了簇头用户设备、孤岛用户设备、恶意用户设备、普通用户设备以及基站组成的无线联邦学习系统。
参考FORM能耗模型，可将传输k比特数据需要消耗的能量成本表示如下：
其中，Eelec表示发射器电子设备的能量成本，εamp表示发射放大器的能量消耗，Dt，r表示发射器t和接收器r之间的距离。
2、仿真场景和内容：
仿真实验使用如图3所示的仿真场景，按照不同的仿真条件，采用本发明中分簇网络架构下基于设备能耗和终端信誉的可靠联邦学习方法进行仿真。仿真实验在面积为200×200m2的范围内进行。除非特别说明，仿真的过程参数如下所示：网络中所有用户设备的数量K＝100，预设簇头比例η＝15%，预设恶意用户设备的比例ρ＝10%，用户设备的学习率为0.01，每个用户设备的初始能量为2000J，用户设备的训练能耗为20J，聚合一次模型参数的能耗为1.5J，发射器电子设备的能耗Eelec＝50nJ/bit，发射放大器的能耗
簇头选择控制参数ζ＝1，用户设备数据传输成功的概率p＝0.35。此外，在实验仿真中，考虑一个联邦学习任务使用常用的MNIST数据集对手写数字进行分类，并从MNIST数据集中提供3000个训练样本和3000个测试样本分别给终端用户和中心基站使用。通过实验仿真得到如图4～9所示的结果。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
图4分析了无线联邦学习(FL)系统在客户-服务器(C/S)架构和分簇网络(Clus)架构下的活跃用户设备数变化。其中，可以很明显地发现，在相同环境下，FL在Clus架构中的用户设备存活量相对于C/S架构有着显著的提升。这是因为在Clus架构下，本地用户设备并未将其训练的模型参数直接发送至基站，而是中继发送到其所在分簇的簇头处进行数据聚合，再由簇头将聚合后的簇内模型发送至基站。通过簇头的数据聚合，能够极大地减少网络中的数据传输量，从而降低了本地用户设备的能量消耗，延长了整个网络的生命周期。通过在图4中比较本发明所提的基于环境的分簇规则(ELEACH)与传统的LEACH分簇规则在分簇FL框架下的活跃用户设备数，可以发现所提的ELEACH要明显优于传统的LEACH。这是因为，与随机选取簇头的LEACH相比，ELEACH在选取簇头时考虑了用户设备的剩余能量、计算性能、信誉以及簇内的区域平均能量等环境因素，降低了低能量和区域环境较差的用户设备被选为簇头的概率，从而使整个网络在FL过程中的能耗更加均衡，提升了网络的稳定性和生命周期。因此，在图5(假设每个用户设备的初始能量为1000J)中，相比于C/S架构的FL，Clus架构下的FL中的基站能够聚合更多终端用户的本地模型参数，且ELEACH分簇规则相比于LEACH也能进一步提高成功传输到基站的本地模型参数的数量。这与图4中得出的结论是一致的。
图6和图7分别给出了分簇FL在不同预设簇头比例(即η)下的活跃用户设备数的变化以及基站接收到的数据量的变化。通过对照图6(a)和图6(b)，可以发现，在预设簇头比例较小时，分簇网络中的用户设备存活量随η的增加而显著减小，而当η增加到较大值时，网络中用户设备的存活量就几乎不再受到预设簇头比例的影响了。与此同时，在图7(假设每个用户设备的初始能量为500J)中，可以发现在预设簇头比例较小时，基站聚合到的局部模型数随η的增加而显著增加，且当η增加到较大值时，基站聚合到的本地模型数同样不再受到簇头比例的影响了。这是因为，在预设簇头比例较小时，随着簇头比例的增大，网络中的孤岛用户设备相对减少，将会有更多的本地模型通过簇间聚合被聚合到基站，从而造成更多的簇头能耗和传输能耗；当簇头比例增加到一定值时，根据簇头选择算法中的定义，在前1/ηi轮中成为过簇头的用户设备不能再次成为簇头。因此，实际成为簇头的终端用户比例在ELEACH中存在一个上限，从而导致预设簇头比例较大时，图6和图7中不同η值的无线FL系统拥有相似的存活用户数和接收数据量。
图8展示了无线FL分别在C/S架构和Clus架构中的测试精度。从图8中，可以发现在环境参数设定一致的情况下，两种架构的FL拥有相似的收敛性能。这是由于FL的收敛性能只与本地模型参数成功传输到基站的概率相关，在参与用户数足够多且设备能量充足的情况下，无论是传统的C/S架构还是所提的Clus架构，对数据成功传输概率的影响都很小，很难影响到全局的收敛性能。
图9分析了所提Clus架构下基于设备能耗和终端信誉的可靠联邦学习方法(RPCR)的收敛性能。其中，将不考虑终端信誉的分簇联邦学习方法作为“基线”方法进行对照，并在网络中分别设置15％和45％的恶意用户进行模拟仿真。从图9来看，恶意用户的数量对不考虑用户信誉的基线方法的收敛性能的影响很大，且全局模型的测试精度会随着网络中恶意用户的增多而降低。此外，图9还展示了所提Clus架构下的RPCR在有恶意用户的网络中仍然具有较好的收敛性能，且恶意用户比例在一定程度上对全局模型测试精度的影响很小。这是因为RPCR在分簇和模型聚合过程中使用了信誉机制进行验证和数据传输，尽可能避免了潜在的恶意用户加入分簇或参与模型聚合，从而可以有效抵御网络中恶意用户的数据或模型中毒攻击。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种分簇网络架构下的可靠联邦学习方法，其特征在于，所述分簇网络架构下的可靠联邦学习方法包括：系统根据分簇规则选出簇头用户，并将网络中所有参与联邦学习任务的用户与其最近的可信簇头进行关联，从而完成分簇过程；簇头用户根据接收的簇内用户的本地模型参数聚合生成簇内模型，并协助簇内用户完成本地信誉表的更新；基站根据接收的簇内模型参数聚合生成全局模型，并协助网络中所有用户完成本地模型参数以及信誉表的更新；重复上述过程，直至联邦学习任务完成或者用户设备能量耗尽。
2.如权利要求1所述的分簇网络架构下的可靠联邦学习方法，其特征在于，所述分簇网络架构下的可靠联邦学习方法包括以下步骤：
步骤一，基站发布联邦学习任务，并初始化相关模型和参数；在网络中均匀选择若干个可信设备作为首轮的簇头用户设备，其他设备选择最近的簇头用户进行关联，并通过本地信誉表相互鉴别以完成分簇过程；
步骤二，在本地用户设备完成每一轮次的训练后，将本地模型参数上传至其关联的簇头用户，簇头用户设备根据各用户的可信程度将所有接收到的本地模型参数聚合成簇内模型，并负责协助簇内用户完成本地模型参数以及分布式信誉表的更新；
步骤三，在完成若干轮次簇内模型的聚合更新后，簇头用户将当前的簇内模型参数和部分信誉表上传至基站，基站根据各簇内的数据比重将所有接收到的簇内模型参数聚合成全局模型，并负责协助网络中所有用户完成本地模型参数以及分布式信誉表的更新；
步骤四，在完成若干轮次全局模型的聚合更新后，网络中的所有用户设备根据特定的簇头选择算法选出新的簇头用户并重新进行分簇。
3.如权利要求2所述的分簇网络架构下的可靠联邦学习方法，其特征在于，所述步骤二和步骤三中的用户信誉更新包括：
信誉模型基于Beta信誉系统构建，系统中的攻击检测机制将用户行为分为正向行为和负向行为，用户i的信誉用Beta函数表示为：
Ri＝Beta(ai+1，bi+1)；
其中，ai和bi分别表示用户i的正向行为和负向行为的评分；分簇网络架构下参与联邦学习任务的所有用户设备均在本地维护一张分布式信誉表；其中，用元组(ai，bi)表示用户i的信誉；
定义表征用户i信誉的可信程度的度量--信誉值，用Ri的期望表示如下：
定义表征用户k在第t+1轮中对聚合模型影响程度的量
称为“贡献”，由系统中的攻击检测机制对用户行为的评分表示；其中，若
则认为用户的行为是正向行为，反之则为负向行为；
采用信誉新鲜度的概念使用户最近的行为评价在信誉模型中被赋予更大的权重，采用老化权重量化信誉的新鲜度，提出带权重的信誉更新机制：
其中，常数r*和s*分别表示正向和负向行为的权重，wa∈(0，1)和wb∈(0，1)分别正向和负向行为的老化权重；u(·)∈(-1，1)是贡献
的效用函数，用于评估具有不同贡献的用户的信誉更新需求；用修正的双曲正切函数表示如下：
其中，κ≥1是信誉更新的尺度常量，决定函数u(·)在0附近的变化速率；随着k值的增加，较小的贡献值
将导致较大的信誉变化；
在簇内模型聚合的过程中，由簇头用户负责验证簇内其他用户的可靠性，并更新簇内的分布式信誉表；在全局模型聚合的过程中，由基站负责验证各簇内模型的可靠性，并对各簇头提交的部分簇内信誉变化信息进行聚合，最终向全网更新相关用户的信誉变化。
4.如权利要求2所述的分簇网络架构下的可靠联邦学习方法，其特征在于，所述步骤四中的簇头选择算法包括：
在每一轮的簇头用户选择过程中，网络中每个参与联邦学习任务的用户设备选择一个介于0和1之间的随机数，若所述随机数小于阈值T(ui)，则用户设备ui成为当前轮次的簇头；基于分簇网络中的用户设备剩余能量、簇内区域平均能量以及用户设备性能的环境因素，提出基于环境的簇头选择算法ELEACH，将簇头选择算法中的阈值T(ui)定义如下：
其中，η是系统预设的网络中的簇头比重，r是当前正在进行的分簇轮数，G是在前1/ηi轮分簇中没有成为过簇头的用户设备的集合，Ei(r)是用户设备的剩余能量，且
表示上一轮簇c区域内所有用户设备的平均能量；Θi∈(0，1)用于衡量用户设备i的性能，参数为ζ的加权和函数用于控制不同环境因素在簇头选择概率中所占的比重。
5.如权利要求2所述的分簇网络架构下的可靠联邦学习方法，其特征在于，所述步骤一和步骤四中的用户设备的分簇过程包括：
在分簇过程中，簇头用户和普通用户之间通过各自维护的分布式信誉表相互验证对方的可靠性，只有相互信任的簇头用户设备和普通用户设备之间才能进行关联；若用户的本地信誉表中缺少对某些用户的信誉记录，则将所述用户的信誉值统一看成初始化的中性信誉，Mk，c＝0.5；
在分簇过程中，每个簇头用户关联的普通用户数是有限的；当一个簇头用户设备关联的普通用户设备数达到上限时，将拒绝其他任何用户的验证或关联请求，用户设备选择其他邻近的簇头继续验证并关联；若用户未加入任何簇，则成为网络中的孤岛用户；在分簇网络架构下定义孤岛用户通过上一轮与其关联的簇头中继传输本地模型参数至本轮簇头或基站。
6.一种应用如权利要求1～5任意一项所述的分簇网络架构下的可靠联邦学习方法的分簇网络架构下的可靠联邦学习系统，其特征在于，所述分簇网络架构下的可靠联邦学习系统包括：
用户分簇模块，用于根据分簇规则选出簇头用户，将网络中所有用户与最近可信簇头进行关联，完成分簇过程；
簇内模型构建模块，用于通过簇头用户根据接收的簇内用户的本地模型参数聚合生成簇内模型，并完成簇内用户分布式信誉表的更新；
全局模型构建模块，用于通过基站根据接收的簇内模型参数聚合生成全局模型，并完成全网簇间用户分布式信誉表的更新；
本地训练模块，用于本地用户设备利用源数据进行联邦学习任务的训练，并在普通用户设备、簇头用户设备以及基站之间进行信息交互和模型共享；
模型聚合模块，用于进行簇内模型和/或全局模型的聚合；
攻击检测模块，用于对用户模型进行安全性检测，以阻断恶意攻击或不可靠的模型更新，为用户的信誉构建和更新提供实现方式。
7.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
根据分簇规则选出簇头用户，将网络中所有用户与最近可信簇头进行关联，完成分簇过程；簇头用户根据接收的簇内用户的本地模型参数聚合生成簇内模型，协助簇内用户完成本地信誉表的更新；基站根据接收的簇内模型参数聚合生成全局模型，协助网络中所有用户完成本地模型参数以及信誉表的更新。
8.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
根据分簇规则选出簇头用户，将网络中所有用户与最近可信簇头进行关联，完成分簇过程；簇头用户根据接收的簇内用户的本地模型参数聚合生成簇内模型，协助簇内用户完成本地信誉表的更新；基站根据接收的簇内模型参数聚合生成全局模型，协助网络中所有用户完成本地模型参数以及信誉表的更新。
9.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求6所述的分簇网络架构下的可靠联邦学习系统。
10.一种数据处理基站，其特征在于，所述数据处理基站用于实现如权利要求6所述的分簇网络架构下的可靠联邦学习系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210626888.4A CN115150918A (zh) | 2022-06-06 | 2022-06-06 | 一种分簇网络架构下的可靠联邦学习方法、系统、设备及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210626888.4A CN115150918A (zh) | 2022-06-06 | 2022-06-06 | 一种分簇网络架构下的可靠联邦学习方法、系统、设备及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115150918A true CN115150918A (zh) | 2022-10-04 |
Family
ID=83406101
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210626888.4A Pending CN115150918A (zh) | 2022-06-06 | 2022-06-06 | 一种分簇网络架构下的可靠联邦学习方法、系统、设备及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115150918A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115883016A (zh) * | 2022-10-28 | 2023-03-31 | 南京航空航天大学 | 基于联邦生成对抗网络的流量数据增强方法与装置 |
| CN117808126A (zh) * | 2024-02-29 | 2024-04-02 | 浪潮电子信息产业股份有限公司 | 机器学习方法、装置、设备、联邦学习系统及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7035240B1 (en) * | 2000-12-27 | 2006-04-25 | Massachusetts Institute Of Technology | Method for low-energy adaptive clustering hierarchy |
| CN101841884A (zh) * | 2010-04-30 | 2010-09-22 | 北京航空航天大学 | 一种基于能量的无线传感网络簇头继承分簇方法 |
| CN106028398A (zh) * | 2016-06-21 | 2016-10-12 | 俞潮军 | 一种基于能耗均衡的水下无线传感器网络拓扑控制方法 |
| KR101886363B1 (ko) * | 2017-05-25 | 2018-08-07 | 한국항공대학교산학협력단 | 이벤트 검출 기반 무선 센서 네트워크 시스템 및 그를 이용한 무선 센서 네트워크 클러스터 기반 전송 제어 방법 |
| CN108696903A (zh) * | 2018-05-17 | 2018-10-23 | 昆明理工大学 | 一种基于能耗均衡的leach算法优化方法 |
| CN112153715A (zh) * | 2020-08-27 | 2020-12-29 | 西安电子科技大学 | 混合型大数据传输拓扑结构方法、系统、存储介质及应用 |
| CN112367675A (zh) * | 2020-11-11 | 2021-02-12 | 内蒙古大学 | 基于自编码器的无线传感器网络数据融合方法及网络系统 |
| CN112532451A (zh) * | 2020-11-30 | 2021-03-19 | 安徽工业大学 | 基于异步通信的分层联邦学习方法、装置、终端设备及存储介质 |
| WO2021051859A1 (zh) * | 2019-09-18 | 2021-03-25 | 上海海事大学 | 基于自适应遗传算法的无线传感器网络分簇路由方法 |
| CN113988315A (zh) * | 2021-11-09 | 2022-01-28 | 长春理工大学 | 一种去中心的分簇联邦学习方法及系统 |
| CN114553661A (zh) * | 2022-01-29 | 2022-05-27 | 南京邮电大学 | 一种面向无线联邦学习的移动用户设备分簇训练方法 |
-
2022
- 2022-06-06 CN CN202210626888.4A patent/CN115150918A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7035240B1 (en) * | 2000-12-27 | 2006-04-25 | Massachusetts Institute Of Technology | Method for low-energy adaptive clustering hierarchy |
| CN101841884A (zh) * | 2010-04-30 | 2010-09-22 | 北京航空航天大学 | 一种基于能量的无线传感网络簇头继承分簇方法 |
| CN106028398A (zh) * | 2016-06-21 | 2016-10-12 | 俞潮军 | 一种基于能耗均衡的水下无线传感器网络拓扑控制方法 |
| KR101886363B1 (ko) * | 2017-05-25 | 2018-08-07 | 한국항공대학교산학협력단 | 이벤트 검출 기반 무선 센서 네트워크 시스템 및 그를 이용한 무선 센서 네트워크 클러스터 기반 전송 제어 방법 |
| CN108696903A (zh) * | 2018-05-17 | 2018-10-23 | 昆明理工大学 | 一种基于能耗均衡的leach算法优化方法 |
| WO2021051859A1 (zh) * | 2019-09-18 | 2021-03-25 | 上海海事大学 | 基于自适应遗传算法的无线传感器网络分簇路由方法 |
| CN112153715A (zh) * | 2020-08-27 | 2020-12-29 | 西安电子科技大学 | 混合型大数据传输拓扑结构方法、系统、存储介质及应用 |
| CN112367675A (zh) * | 2020-11-11 | 2021-02-12 | 内蒙古大学 | 基于自编码器的无线传感器网络数据融合方法及网络系统 |
| CN112532451A (zh) * | 2020-11-30 | 2021-03-19 | 安徽工业大学 | 基于异步通信的分层联邦学习方法、装置、终端设备及存储介质 |
| CN113988315A (zh) * | 2021-11-09 | 2022-01-28 | 长春理工大学 | 一种去中心的分簇联邦学习方法及系统 |
| CN114553661A (zh) * | 2022-01-29 | 2022-05-27 | 南京邮电大学 | 一种面向无线联邦学习的移动用户设备分簇训练方法 |
Non-Patent Citations (5)
| Title |
|---|
| ERICSSON, ST-ERICSSON: "Direct Discovery for LTE Based D2D", 3GPP TSG_RAN\\WG1_RL1, 11 May 2013 (2013-05-11) * |
| ZHENDONG SONG; HONGGUANG SUN; HOWARD H. YANG; XIJUN WANG; YAN ZHANG; TONY Q. S. QUEK: "Reputation-Based Federated Learning for Secure Wireless Networks", IEEE INTERNET OF THINGS JOURNAL, 11 May 2021 (2021-05-11), pages 2 * |
| 朱素霞，马宏飞，孙广路: "一种能量高效的无线传感器网络改进LEACH协议", 哈尔滨理工大学学报, 12 July 2021 (2021-07-12) * |
| 王家瑞，谭国平，周思源: "高速车联网场景下分簇式无线联邦学习算法", 计算机应用, 1 July 2021 (2021-07-01) * |
| 赵子豪，王红蕾: "森林火灾监测系统的WSN改进路由算法", 消防科学与技术, 15 September 2018 (2018-09-15), pages 2 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115883016A (zh) * | 2022-10-28 | 2023-03-31 | 南京航空航天大学 | 基于联邦生成对抗网络的流量数据增强方法与装置 |
| CN115883016B (zh) * | 2022-10-28 | 2024-02-02 | 南京航空航天大学 | 基于联邦生成对抗网络的流量数据增强方法与装置 |
| CN117808126A (zh) * | 2024-02-29 | 2024-04-02 | 浪潮电子信息产业股份有限公司 | 机器学习方法、装置、设备、联邦学习系统及存储介质 |
| CN117808126B (zh) * | 2024-02-29 | 2024-05-28 | 浪潮电子信息产业股份有限公司 | 机器学习方法、装置、设备、联邦学习系统及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Adaptive federated learning and digital twin for industrial internet of things | |
| Mao et al. | Towards a trust prediction framework for cloud services based on PSO-driven neural network | |
| CN115150918A (zh) | 一种分簇网络架构下的可靠联邦学习方法、系统、设备及终端 | |
| Sun et al. | Attack localization task allocation in wireless sensor networks based on multi-objective binary particle swarm optimization | |
| Ng et al. | A hierarchical incentive design toward motivating participation in coded federated learning | |
| CN112153650B (zh) | 一种无线网络中基于终端信誉的可靠联邦学习方法及系统 | |
| CN112637883B (zh) | 电力物联网中对无线环境变化具有鲁棒性的联邦学习方法 | |
| Moudoud et al. | Towards a secure and reliable federated learning using blockchain | |
| Qiao et al. | Adaptive federated deep reinforcement learning for proactive content caching in edge computing | |
| CN116471286A (zh) | 基于区块链及联邦学习的物联网数据共享方法 | |
| Chen et al. | Data poison detection schemes for distributed machine learning | |
| Yang et al. | E-tree learning: A novel decentralized model learning framework for edge ai | |
| Bai et al. | Data collection strategy based on OSELM and gray wolf optimization algorithm for wireless sensor networks | |
| Sankaranarayanan et al. | Cluster-based attacks prevention algorithm for autonomous vehicles using machine learning algorithms | |
| Zhao et al. | Adaptive Swarm Intelligent Offloading Based on Digital Twin-assisted Prediction in VEC | |
| Song et al. | Distributed resource optimization with blockchain security for immersive digital twin in IIoT | |
| Tyagi et al. | A detailed study on trust management techniques for security and privacy in IoT: Challenges, trends, and research directions | |
| Dubey et al. | Bayesian network based trust model with time window for pure P2P computing systems | |
| Lin et al. | Heuristic-learning-based network architecture for device-to-device user access control | |
| Orouskhani et al. | Fuzzy adaptive cat swarm algorithm and Borda method for solving dynamic multi‐objective problems | |
| Moghaddasi et al. | Multi-Objective Secure Task Offloading Strategy for Blockchain-Enabled IoV-MEC Systems: A Double Deep Q-Network Approach | |
| Liu et al. | Efficient multi-user for task offloading and server allocation in mobile edge computing systems | |
| Liu et al. | Cooperative Sensing and Uploading for Quality-Cost Tradeoff of Digital Twins in VEC | |
| Wang et al. | Distributed swarm learning for internet of things at the edge: Where artificial intelligence meets biological intelligence | |
| Kabbaj et al. | Distfl: An enhanced fl approach for non trusted setting in water distribution networks |
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 |