CN115987985B - 模型协同构建方法、中心云、边缘节点及介质 - Google Patents
模型协同构建方法、中心云、边缘节点及介质 Download PDFInfo
- Publication number
- CN115987985B CN115987985B CN202211656233.8A CN202211656233A CN115987985B CN 115987985 B CN115987985 B CN 115987985B CN 202211656233 A CN202211656233 A CN 202211656233A CN 115987985 B CN115987985 B CN 115987985B
- Authority
- CN
- China
- Prior art keywords
- model
- initial
- task
- current
- construction task
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 claims abstract description 106
- 238000012549 training Methods 0.000 claims abstract description 103
- 230000000694 effects Effects 0.000 claims abstract description 22
- 238000003860 storage Methods 0.000 claims description 18
- 230000004931 aggregating effect Effects 0.000 claims description 10
- 230000006978 adaptation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000977 initiatory effect Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 abstract description 12
- 230000007246 mechanism Effects 0.000 abstract description 6
- 230000015654 memory Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004807 localization Effects 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect 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
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种模型协同构建方法、中心云、边缘节点及介质,涉及网络信息技术领域,用于解决现有技术缺乏云边互动选择初始模型的机制,导致参与训练的边缘节点可能不适合初始模型,引发模型训练效果不理想的问题,所述方法包括:根据本次模型构建任务与各边缘节点协商,以确定参与本次模型构建任务的若干第一边缘节点和本次模型构建任务的初始模型;与所述若干第一边缘节点通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型。本发明通过云边互动选择初始模型和参与任务的边缘节点,确保每一参与任务的边缘节点均适合初始模型的训练,从而提高模型训练的效果。
Description
技术领域
本发明涉及网络信息技术领域,尤其涉及一种模型协同构建方法、中心云、边缘节点及计算机可读存储介质。
背景技术
目前,基于云边协同机制进行模型训练方法,往往由发起模型构建任务的一方指定用于训练的初始模型,没有在初始模型选择阶段进行云边互动,可能导致参与训练的边缘节点不一定适合指定的初始模型,进而导致模型训练难以达到最优的效果。
发明内容
本发明所要解决的技术问题是针对现有技术的上述不足,提供一种模型协同构建方法、中心云、边缘节点及计算机可读存储介质,以解决现有技术缺乏云边互动选择初始模型的机制,导致参与训练的边缘节点可能不适合初始模型,引发模型训练效果不理想的问题。
第一方面,本发明提供一种模型协同构建方法,应用于中心云,所述方法包括:
根据本次模型构建任务与各边缘节点协商,以确定参与本次模型构建任务的若干第一边缘节点和本次模型构建任务的初始模型;
与所述若干第一边缘节点通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型。
可选地,根据本次模型构建任务与各边缘节点协商之前,所
述方法还包括:
发起本次模型构建任务,或者,接收并确认任意边缘节点发起的本次模型构建任务。
可选地,与所述若干第一边缘节点通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型,具体包括:
接收所述若干第一边缘节点各自发送的本地模型参数,所述本地模型参数是所述若干第一边缘节点各自应用自身历史本地数据对所述初始模型进行训练后获得的;
聚合所述本地模型参数以获得中心模型参数,并将所述中心模型参数发送给所述若干第一边缘节点,以使所述若干第一边缘节点根据所述中心模型参数更新所述初始模型,并根据自身历史本地数据判断更新后的模型是否收敛;
如果否,使用更新后的模型代替初始模型,重复上述接收所述若干第一边缘节点各自发送的本地模型参数,和聚合所述本地模型参数以获得中心模型参数,并将所述中心模型参数发送给所述若干第一边缘节点的步骤;
如果是,使用更新后的模型作为本次模型构建任务的训练后模型。
可选地,根据本次模型构建任务与各边缘节点协商,以确定参与本次模型构建任务的若干第一边缘节点和本次模型构建任务的初始模型,具体包括:
从预先存储的模型库中选择与本次模型构建任务适配的若干模型原型,并获取所述若干模型原型的选型信息和评分信息;
根据所述选型信息和所述评分信息与各边缘节点协商,以从各边缘节点中确定参与本次模型构建任务的若干第一边缘节点和从所述若干模型原型中确定本次模型构建任务的初始模型。
可选地,根据所述选型信息和所述评分信息与各边缘节点协商,以从各边缘节点中确定参与本次模型构建任务的若干第一边缘节点和从所述若干模型原型中确定本次模型构建任务的初始模型,具体包括:
将所述选型信息和所述评分信息发送给各边缘节点,以使各边缘节点根据所述选型信息和所述评分信息决定是否加入本次模型构建任务,并选择所述若干模型原型中的某一个作为本次模型构建任务的预选初始模型;
接收各边缘节点发送的是否加入本次模型构建任务和选择预选初始模型的反馈信息;
根据所述反馈信息确定被最多边缘节点选为预选初始模型的一个模型原型作为所述初始模型,并确定选择所述初始模型的若干边缘节点为第一边缘节点。
可选地,将所述选型信息和所述评分信息发送给各边缘节点,以使各边缘节点根据所述选型信息和所述评分信息决定是否加入本次模型构建任务,并选择所述若干模型原型中的某一个作为本次模型构建任务的预选初始模型,具体包括:
根据所述评分信息按照评分从高到低的顺序排列所述选型信息,所述选型信息中包括所述若干模型原型的训练需求信息,
向各边缘节点发送排列后的所述选型信息,以使各边缘节点获取所述训练需求信息与自身历史本地数据的适配度,选择所述若干模型原型中适配度满足预设条件、且排列最前的某一个模型原型作为所述预选初始模型,并决定加入本次模型构建任务;
根据所述反馈信息确定被最多边缘节点选为预选初始模型的一个模型原型作为所述初始模型,并确定选择所述初始模型的若干边缘节点为第一边缘节点之后,所述方法还包括:
向所述若干第一边缘节点发送所述初始模型及其运行环境。
可选地,与所述若干第一边缘节点通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型之后,所述方法还包括:
在所述模型库中将所述训练后模型存储为一个模型原型;
接收各边缘节点各自对所述训练后模型的使用评分,所述使用评分是各边缘节点各自根据使用所述训练后模型对自身新增本地数据进行预测的效果获得的;
聚合所述使用评分以获得所述训练后模型的平均评分;
在所述模型库中将所述平均评分存储为所述训练后模型对应的模型原型的评分。
第二方面,本发明提供一种模型协同构建方法,应用于边缘节点,所述方法包括:
根据本次模型构建任务与中心云协商,以确定自身参与本次模型构建任务,并确定本次模型构建任务的初始模型;
与所述中心云通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型。
可选地,根据本次模型构建任务与中心云协商之前,所述方法还包括:
向中心云发送本次模型构建任务,以使中心云确认发起本次模型构建任务。
可选地,与所述中心云通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型,具体包括:
应用自身历史本地数据对所述初始模型进行训练,以获得本地模型参数;
将所述本地模型参数发送给中心云,以使中心云聚合所述本地模型参数以获得中心模型参数;
接收所述中心云发送的所述中心模型参数,并根据所述中心模型参数更新所述初始模型;
根据自身历史本地数据判断更新后的模型是否收敛;
如果否,使用更新后的模型代替初始模型,重复上述应用自身历史本地数据对所述初始模型进行训练,将所述本地模型参数发送给中心云,接收所述中心云发送的所述中心模型参数,并根据所述中心模型参数更新所述初始模型,和根据自身历史本地数据判断更新后的模型是否收敛的步骤;
如果是,使用更新后的模型作为本次模型构建任务的训练后模型。
可选地,根据本次模型构建任务与中心云协商,以确定自身参与本次模型构建任务,并确定本次模型构建任务的初始模型,具体包括:
接收中心云发送的若干模型原型的选型信息和评分信息,所述若干模型原型是所述中心云从预先存储的模型库中选择的,且是与本次模型构建任务适配的;
根据所述选型信息和所述评分信息与中心云协商,以确定自身参与本次模型构建任务,并从所述若干模型原型中确定本次模型构建任务的初始模型。
可选地,根据所述选型信息和所述评分信息与中心云协商,以确定自身参与本次模型构建任务,并从所述若干模型原型中确定本次模型构建任务的初始模型,具体包括:
接收中心云发送的根据所述评分信息按照评分从高到低的顺序排列的所述选型信息,所述选型信息中包括所述若干模型原型的训练需求信息;
获取所述训练需求信息与自身历史本地数据的适配度,选择所述若干模型原型中适配度满足预设条件、且排列最前的某一个模型原型作为所述初始模型,并决定加入本次模型构建任务;
向所述中心云发送选择所述初始模型和决定加入本次模型构建任务的反馈信息;
接收所述中心云根据所述反馈信息发送的所述初始模型及其运行环境。
可选地,与所述中心云通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型之后,所述方法还包括:
根据使用所述训练后模型对自身新增本地数据进行预测的效果获得对所述训练后模型的使用评分;
将所述使用评分发送给中心云,以使中心云聚合所述使用评分以获得所述训练后模型的平均评分,并在所述模型库中将所述平均评分存储为所述训练后模型对应的模型原型的评分。
第三方面,本发明提供一种中心云,包括:
第一协商模块,用于根据本次模型构建任务与各边缘节点协商,以确定参与本次模型构建任务的若干第一边缘节点和本次模型构建任务的初始模型;
第一训练模块,与所述第一协商模块连接,用于与所述若干第一边缘节点通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型。
第四方面,本发明提供一种边缘节点,包括:
第二协商模块,用于根据本次模型构建任务与中心云协商,以确定自身参与本次模型构建任务,并确定本次模型构建任务的初始模型;
第二训练模块,与所述第二协商模块连接,用于与所述中心云通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型。
第五方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当所述计算机程序被处理器运行时,实现如上所述的模型协同构建方法。
本发明提供一种模型协同构建方法、中心云、边缘节点及计算机可读存储介质,通过中心云与各边缘节点之间进行协商,以确定参与本次模型构建任务的若干第一边缘节点和本次模型构建任务的初始模型,继而通过中心云与第一边缘节点之间利用联邦学习方法对初始模型进行训练,以获得本次模型构建任务的训练后模型,通过云边互动选择初始模型和参与任务的边缘节点,确保每一参与任务的边缘节点均适合初始模型的训练,从而提高模型训练的效果。
附图说明
图1是本发明实施例的一种模型协同构建方法的流程图;
图2是本发明实施例的另一种模型协同构建方法的流程图;
图3是本发明实施例的再一种模型协同构建方法的流程图;
图4是本发明实施例的一种中心云的结构示意图;
图5是本发明实施例的一种边缘节点的结构示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面将结合附图对本发明实施方式作进一步地详细描述。
可以理解的是,此处描述的具体实施例和附图仅仅用于解释本发明,而非对本发明的限定。
可以理解的是,在不冲突的情况下,本发明中的各实施例及实施例中的各特征可相互组合。
可以理解的是,为便于描述,本发明的附图中仅示出了与本发明相关的部分,而与本发明无关的部分未在附图中示出。
可以理解的是,本发明的实施例中所涉及的每个单元、模块可仅对应一个实体结构,也可由多个实体结构组成,或者,多个单元、模块也可集成为一个实体结构。
可以理解的是,在不冲突的情况下,本发明的流程图和框图中所标注的功能、步骤可根据不同于附图中所标注的顺序发生。
可以理解的是,本发明的流程图和框图中,示出了根据本发明各实施例的系统、装置、设备、方法的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可代表一个单元、模块、程序段、代码,其包含用于实现规定的功能的可执行指令。而且,框图和流程图中的每个方框或方框的组合,可用实现规定的功能的基于硬件的系统实现,也可用硬件与计算机指令的组合来实现。
可以理解的是,本发明实施例中所涉及的单元、模块可通过软件的方式实现,也可通过硬件的方式来实现,例如单元、模块可位于处理器中。
为了便于理解本发明,首先介绍一种本申请可能的应用场景。
随着信息技术与工业生产技术的融合发展,工业企业为了提升产品质量,降低安全风险,需要构建各种各样的模型,例如产品质检模型、安全巡检模型等,但与此同时,模型所需的生产过程数据对于工业企业来说至关重要,对于一个集团多个基地的企业架构来说,想要在集团侧构建工业模型,各个生产基地需要将数据汇聚到集团进行分析,数据流通成本较大,且在传输过程中存在数据泄露的安全威胁;对于不属于同一系统的多个企业来说,为了保护数据隐私,企业间的数据彼此不流通,存在数据孤岛问题。
目前,为了保护数据隐私安全,工业企业可能更多地会选择基于某一个公共的平台提供的工业模型库,从中选择对应需求的模型,然后下载到本地进行训练,这种方式不存在云边的互动,本地需要搭建模型训练所需要的环境,而且模型与本地数据的适配难度较高,当本地的数据量较小或者数据特征与模型不符时,模型往往难以达到最优的训练效果。
为了让参与方既能够得到更好的模型训练效果,也存在基于云边协同的模型训练机制,目前一般的做法是,需要将边缘侧的数据上传至云端进行训练,之后再将训练结果反馈至边缘侧,这样一来不仅增加了时间成本,同时增加了数据泄露的风险,而且对于不同企业来说,将各自的数据上传到某一个中心节点无法保障数据的隐私性。
因此,既要保护数据隐私安全,又要得到更好的模型训练效果,则需要搭建数据不出本地、模型共享化的模型训练机制。
本申请针对以上问题,提出一种模型协同构建方法、中心云、边缘节点及计算机可读存储介质,基于云边协同和联邦学习实现“模型集中式管理、数据本地化运行、模型联邦式训练”的管理模式,能够做到数据不出厂式训练,可以面向一个集团多个基地间以及跨行业、跨企业的多个工厂间进行模型训练,在保护数据本地化的同时,联合多方共同训练,提升模型的训练效果,保障企业的数据隐私性、模型结构一致性、算法效果优越性、服务响应高效性,构建起共享互通的工业模型生态体系。
实施例1:
如图1所示,本发明提供一种模型协同构建方法,应用于中心云,所述方法包括:
S11、根据本次模型构建任务与各边缘节点协商,以确定参与本次模型构建任务的若干第一边缘节点和本次模型构建任务的初始模型;
S12、与所述若干第一边缘节点通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型。
具体而言,在本实施例中,所述方法在中心云与边缘节点之间的交互流程如图2所示,其包括两个最主要的流程:S01协商流程,即,中心云与边缘节点协商以确定参与本次模型构建任务的若干第一边缘节点和本次模型构建任务的初始模型的流程;S02训练流程,即,中心云与若干第一边缘节点通过联邦学习方法对所确定的初始模型进行训练,以获得本次模型构建任务的训练后模型。通过上述云边互动的流程,可以实现为本次模型构建任务选择合适的初始模型和参与任务的边缘节点,确保每一参与任务的边缘节点均适合初始模型的训练,从而提高模型训练的效果。
可选地,根据本次模型构建任务与各边缘节点协商之前,所述方法还包括:
发起本次模型构建任务,或者,接收并确认任意边缘节点发起的本次模型构建任务。
具体而言,在本实施例中,如图2所示,S01协商流程由S011发起模型构建任务触发开始,S011具体可以是,由中心云或者任意边缘节点发起一项模型构建任务,当由任意边缘节点发起一项模型构建任务时,需要经过中心云的信息确认,在信息确认之后可以进入下一步。
可选地,根据本次模型构建任务与各边缘节点协商,以确定参与本次模型构建任务的若干第一边缘节点和本次模型构建任务的初始模型,具体包括:
从预先存储的模型库中选择与本次模型构建任务适配的若干模型原型,并获取所述若干模型原型的选型信息和评分信息;
根据所述选型信息和所述评分信息与各边缘节点协商,以从各边缘节点中确定参与本次模型构建任务的若干第一边缘节点和从所述若干模型原型中确定本次模型构建任务的初始模型。
可选地,根据所述选型信息和所述评分信息与各边缘节点协商,以从各边缘节点中确定参与本次模型构建任务的若干第一边缘节点和从所述若干模型原型中确定本次模型构建任务的初始模型,具体包括:
将所述选型信息和所述评分信息发送给各边缘节点,以使各边缘节点根据所述选型信息和所述评分信息决定是否加入本次模型构建任务,并选择所述若干模型原型中的某一个作为本次模型构建任务的预选初始模型;
接收各边缘节点发送的是否加入本次模型构建任务和选择预选初始模型的反馈信息;
根据所述反馈信息确定被最多边缘节点选为预选初始模型的一个模型原型作为所述初始模型,并确定选择所述初始模型的若干边缘节点为第一边缘节点。
可选地,将所述选型信息和所述评分信息发送给各边缘节点,以使各边缘节点根据所述选型信息和所述评分信息决定是否加入本次模型构建任务,并选择所述若干模型原型中的某一个作为本次模型构建任务的预选初始模型,具体包括:
根据所述评分信息按照评分从高到低的顺序排列所述选型信息,所述选型信息中包括所述若干模型原型的训练需求信息,
向各边缘节点发送排列后的所述选型信息,以使各边缘节点获取所述训练需求信息与自身历史本地数据的适配度,选择所述若干模型原型中适配度满足预设条件、且排列最前的某一个模型原型作为所述预选初始模型,并决定加入本次模型构建任务;
根据所述反馈信息确定被最多边缘节点选为预选初始模型的一个模型原型作为所述初始模型,并确定选择所述初始模型的若干边缘节点为第一边缘节点之后,所述方法还包括:
向所述若干第一边缘节点发送所述初始模型及其运行环境。
具体而言,在本实施例中,如图2所示,S01协商流程由S011触发后,继而执行:S012中心云向各边缘节点发送协商信息,具体地,中心云根据本次模型构建任务的需求、场景等信息,从预先搭建好的工业模型库中进行模型原型,根据所选择的模型原型的评分对所选择的模型原型进行排序,将排序后的模型原型的信息作为协商信息发送给各边缘节点,其中应包括使得边缘节点能够判断自身是否适合训练所选择的模型原型的训练需求信息,其中的评分为后续S03评分流程对模型原型进行评价后获得的分数,该分数与模型原型相应地存入工业模型库中;S013判断各边缘节点是否加入,具体地,各边缘节点在接收到中心云根据本次模型构建任务发送的协商信息后,结合模型原型的训练需求信息和自身历史本地数据,决定是否加入到此次的模型构建任务中,决定是否加入的依据可以是判断自身历史本地数据是否满足模型原型训练需求的数据类型、数据数量等因素,具体可以根据现有技术设计判断依据,在此不做限定,如果没有边缘节点加入本次模型构建任务,则本次流程结束,本次模型构建任务失败,如果有边缘节点加入,则继续执行:S014加入的边缘节点选择模型,具体地,当边缘节点决定加入到本次模型构建任务中后,需要进行模型选择,即从中心云选择的若干模型原型中选择一个最适合自身训练的模型,基于前述根据评分高低排列的模型原型应尽量选择位置靠前的模型,也即选择评分高的模型,S015中心云确定初始模型,具体地,中心云在接收到各边缘节点的模型选择结果的反馈信息后,综合响应本次模型构建任务的各边缘节点的反馈信息进行初始模型的确定;同时还执行:S016中心云确定第一边缘节点,具体地,中心云从响应本次模型构建任务的各边缘节点确定其中选择了与确定初始模型相同的模型原型的边缘节点为参与本次模型构建任务的第一边缘节点;继而执行:S017中心云向第一边缘节点发送初始模型,具体地,中心云将初始模型及其运行环境进行打包,以容器的方式发送至加入此次模型构建任务的第一边缘节点上。上述S01协商过程,基于中心云的算法模型库进行工业模型选型,此选型的过程涉及云边和端边的互动,通过互动共同进行初始模型的确定,同时还预先存储对工业模型库中的模型原型的评价结果(评分),以评价结果作为工业模型选型的重要参考依据,保障了所选出的初始模型的有效性。
可选地,与所述若干第一边缘节点通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型,具体包括:
接收所述若干第一边缘节点各自发送的本地模型参数,所述本地模型参数是所述若干第一边缘节点各自应用自身历史本地数据对所述初始模型进行训练后获得的;
聚合所述本地模型参数以获得中心模型参数,并将所述中心模型参数发送给所述若干第一边缘节点,以使所述若干第一边缘节点根据所述中心模型参数更新所述初始模型,并根据自身历史本地数据判断更新后的模型是否收敛;
如果否,使用更新后的模型代替初始模型,重复上述接收所述若干第一边缘节点各自发送的本地模型参数,和聚合所述本地模型参数以获得中心模型参数,并将所述中心模型参数发送给所述若干第一边缘节点的步骤;
如果是,使用更新后的模型作为本次模型构建任务的训练后模型。
具体而言,在本实施例中,如图2所示,S02训练流程由第一边缘节点在接收到中心云发送的初始模型后开始,可以是依次执行:S021第一边缘节点完成本地模型训练,具体地,第一边缘节点在接收到中心云发送的初始模型及其运行环境后,完成环境的搭建以及模型与本地数据的适配,并基于自身历史本地数据完成对初始模型的训练,以获得训练后的本地模型和本地模型参数。S022第一边缘节点发送本地模型参数,具体地,各个第一边缘节点将模型训练后产生的本地模型参数上传至中心云;S023中心云获得中心模型参数,具体地,中心云负责进行参数的聚合计算以得到中心模型参数,如通过平均、加权平均等方式计算各个第一边缘节点上传的本地模型参数,之后得到中心模型参数;S024第一边缘节点接收中心模型参数,具体地,中心云将中心模型参数下发给各第一边缘节点;S025第一边缘节点更新本地初始模型,具体地,各第一边缘节点根据下发的中心模型参数在本地完成模型的更新,即更新原下发的初始模型,实现数据本地化,算法效果最优化;S026判断模型是否收敛,具体地,各第一边缘节点基于自身历史本地数据判断更新后获得的本地模型是否收敛,如果不收敛,则需要返回步骤S021重新依次执行S021-S026的步骤,循环进行直至模型收敛,如果收敛,则进入S031获得训练后模型。
可选地,与所述若干第一边缘节点通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型之后,所述方法还包括:
在所述模型库中将所述训练后模型存储为一个模型原型;
接收各边缘节点各自对所述训练后模型的使用评分,所述使用评分是各边缘节点各自根据使用所述训练后模型对自身新增本地数据进行预测的效果获得的;
聚合所述使用评分以获得所述训练后模型的平均评分;
在所述模型库中将所述平均评分存储为所述训练后模型对应的模型原型的评分。
具体而言,在本实施例中,如图2所示,所述方法还包括第三个流程:S03评分流程,即,各边缘节点对训练后模型进行评分并上报给中心云记录评分,可以是在S031获得训练后模型后,继续执行:S032各边缘节点对训练后模型评分,具体地,训练后模型在各个边缘节点运行一段时间后,各个边缘节点需要对模型进行评分,此评分可以是指标性的,例如设置某一个指标直接能够反映模型的好坏,也可以是人工性的,由各个边缘节点的人员协调统一的评分方法,各个边缘节点可以是参与训练的若干第一边缘节点,也可以是其它边缘节点,其它边缘节点需要向中心云请求获取训练后模型,然后在自身使用获取的训练后模型,而第一边缘节点和中心云在经过S02训练流程后均可以直接获得训练后模型;S033中心云计算平均评分并存储,具体地,边缘节点上传模型在本地的使用评分后,中心云对接收到的分数进行平均、加权平均等计算,得到一个平均分数,中心云将平均分数进行存储并作为之后模型选择排序的重要依据;各边缘节点可以随时更新评分,中心云也会对应更新。
本实施例1提出一种由中心云执行的模型协同构建方法,基于云边协同机制与联邦学习与边缘节点协同进行模型训练,在保证数据不出本地的同时,实现中心云与边缘节点之间的工业模型选型、评分等互动,同时利用联邦学习解决了本地数据不足,模型训练效果不理想的痛点,相比单纯的联邦学习来说,增加了对模型的事先筛选与事后评价,更进一步提升中心云对模型的精细化管理,保障模型训练结果的有效性。
实施例2:
如图3所示,本发明实施例2提供一种模型协同构建方法,应用于边缘节点,所述方法包括:
S21、根据本次模型构建任务与中心云协商,以确定自身参与本次模型构建任务,并确定本次模型构建任务的初始模型;
S22、与所述中心云通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型。
可选地,根据本次模型构建任务与中心云协商之前,所述方法还包括:
向中心云发送本次模型构建任务,以使中心云确认发起本次模型构建任务。
可选地,与所述中心云通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型,具体包括:
应用自身历史本地数据对所述初始模型进行训练,以获得本地模型参数;
将所述本地模型参数发送给中心云,以使中心云聚合所述本地模型参数以获得中心模型参数;
接收所述中心云发送的所述中心模型参数,并根据所述中心模型参数更新所述初始模型;
根据自身历史本地数据判断更新后的模型是否收敛;
如果否,使用更新后的模型代替初始模型,重复上述应用自身历史本地数据对所述初始模型进行训练,将所述本地模型参数发送给中心云,接收所述中心云发送的所述中心模型参数,并根据所述中心模型参数更新所述初始模型,和根据自身历史本地数据判断更新后的模型是否收敛的步骤;
如果是,使用更新后的模型作为本次模型构建任务的训练后模型。
可选地,根据本次模型构建任务与中心云协商,以确定自身参与本次模型构建任务,并确定本次模型构建任务的初始模型,具体包括:
接收中心云发送的若干模型原型的选型信息和评分信息,所述若干模型原型是所述中心云从预先存储的模型库中选择的,且是与本次模型构建任务适配的;
根据所述选型信息和所述评分信息与中心云协商,以确定自身参与本次模型构建任务,并从所述若干模型原型中确定本次模型构建任务的初始模型。
可选地,根据所述选型信息和所述评分信息与中心云协商,以确定自身参与本次模型构建任务,并从所述若干模型原型中确定本次模型构建任务的初始模型,具体包括:
接收中心云发送的根据所述评分信息按照评分从高到低的顺序排列的所述选型信息,所述选型信息中包括所述若干模型原型的训练需求信息;
获取所述训练需求信息与自身历史本地数据的适配度,选择所述若干模型原型中适配度满足预设条件、且排列最前的某一个模型原型作为所述初始模型,并决定加入本次模型构建任务;
向所述中心云发送选择所述初始模型和决定加入本次模型构建任务的反馈信息;
接收所述中心云根据所述反馈信息发送的所述初始模型及其运行环境。
可选地,与所述中心云通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型之后,所述方法还包括:
根据使用所述训练后模型对自身新增本地数据进行预测的效果获得对所述训练后模型的使用评分;
将所述使用评分发送给中心云,以使中心云聚合所述使用评分以获得所述训练后模型的平均评分,并在所述模型库中将所述平均评分存储为所述训练后模型对应的模型原型的评分。
本实施例2提出一种由边缘节点执行的模型协同构建方法,与实施例1是交互实现的方法,已在实施例1中对方法的交互流程进行详细阐述,在此不再赘述。
实施例3:
如图4所示,本发明实施例3提供一种中心云,包括:
第一协商模块11,用于根据本次模型构建任务与各边缘节点协商,以确定参与本次模型构建任务的若干第一边缘节点和本次模型构建任务的初始模型;
第一训练模块12,与所述第一协商模块11连接,用于与所述若干第一边缘节点通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型。
可选地,第一协商模块11还用于:
发起本次模型构建任务,或者,接收并确认任意边缘节点发起的本次模型构建任务。
可选地,第一协商模块11,具体包括:
第一选择单元,用于从预先存储的模型库中选择与本次模型构建任务适配的若干模型原型,并获取所述若干模型原型的选型信息和评分信息;
第一协商单元,用于根据所述选型信息和所述评分信息与各边缘节点协商,以从各边缘节点中确定参与本次模型构建任务的若干第一边缘节点和从所述若干模型原型中确定本次模型构建任务的初始模型。
可选地,第一协商单元,具体包括:
第一发送单元,用于将所述选型信息和所述评分信息发送给各边缘节点,以使各边缘节点根据所述选型信息和所述评分信息决定是否加入本次模型构建任务,并选择所述若干模型原型中的某一个作为本次模型构建任务的预选初始模型;
第一接收单元,用于接收各边缘节点发送的是否加入本次模型构建任务和选择预选初始模型的反馈信息;
第一选择单元还用于根据所述反馈信息确定被最多边缘节点选为预选初始模型的一个模型原型作为所述初始模型,并确定选择所述初始模型的若干边缘节点为第一边缘节点。
可选地,第一协商单元,具体还包括:
排序单元,用于根据所述评分信息按照评分从高到低的顺序排列所述选型信息,所述选型信息中包括所述若干模型原型的训练需求信息,
第一发送单元具体用于向各边缘节点发送排列后的所述选型信息,以使各边缘节点获取所述训练需求信息与自身历史本地数据的适配度,选择所述若干模型原型中适配度满足预设条件、且排列最前的某一个模型原型作为所述预选初始模型,并决定加入本次模型构建任务;
第一发送单元还用于向所述若干第一边缘节点发送所述初始模型及其运行环境。
可选地,第一接收单元还用于接收所述若干第一边缘节点各自发送的本地模型参数,所述本地模型参数是所述若干第一边缘节点各自应用自身历史本地数据对所述初始模型进行训练后获得的;
第一训练模块12,具体包括:
聚合单元,用于聚合所述本地模型参数以获得中心模型参数,并将所述中心模型参数发送给所述若干第一边缘节点,以使所述若干第一边缘节点根据所述中心模型参数更新所述初始模型,并根据自身历史本地数据判断更新后的模型是否收敛;
第一循环单元,用于如果否,使用更新后的模型代替初始模型,重复上述第一接收单元和聚合单元的步骤;
第一结果单元,用于如果是,使用更新后的模型作为本次模型构建任务的训练后模型。
可选地,中心云还包括存储模块,包括:
第一存储单元,用于在所述模型库中将所述训练后模型存储为一个模型原型;
第一接收单元还用于接收各边缘节点各自对所述训练后模型的使用评分,所述使用评分是各边缘节点各自根据使用所述训练后模型对自身新增本地数据进行预测的效果获得的;
聚合单元还用于聚合所述使用评分以获得所述训练后模型的平均评分;
存储模块,还包括:
第二存储单元,用于在所述模型库中将所述平均评分存储为所述训练后模型对应的模型原型的评分。
实施例4:
如图5所示,本发明实施例4提供一种边缘节点,包括:
第二协商模块21,用于根据本次模型构建任务与中心云协商,以确定自身参与本次模型构建任务,并确定本次模型构建任务的初始模型;
第二训练模块22,与所述第二协商模块21连接,用于与所述中心云通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型。
可选地,第二协商模块21,还包括:
第二发送单元,用于向中心云发送本次模型构建任务,以使中心云确认发起本次模型构建任务。
可选地,第二协商模块21,具体包括:
第二接收单元,用于接收中心云发送的若干模型原型的选型信息和评分信息,所述若干模型原型是所述中心云从预先存储的模型库中选择的,且是与本次模型构建任务适配的;
第二协商单元,用于根据所述选型信息和所述评分信息与中心云协商,以确定自身参与本次模型构建任务,并从所述若干模型原型中确定本次模型构建任务的初始模型。
可选地,第二接收单元具体用于接收中心云发送的根据所述评分信息按照评分从高到低的顺序排列的所述选型信息,所述选型信息中包括所述若干模型原型的训练需求信息;
第二协商单元,具体包括:
第二选择单元,用于获取所述训练需求信息与自身历史本地数据的适配度,选择所述若干模型原型中适配度满足预设条件、且排列最前的某一个模型原型作为所述初始模型,并决定加入本次模型构建任务;
第二发送单元,用于向所述中心云发送选择所述初始模型和决定加入本次模型构建任务的反馈信息;
第二接收单元还用于接收所述中心云根据所述反馈信息发送的所述初始模型及其运行环境。
可选地,第二训练模块22,具体包括:
训练单元,用于应用自身历史本地数据对所述初始模型进行训练,以获得本地模型参数;
第二发送单元还用于将所述本地模型参数发送给中心云,以使中心云聚合所述本地模型参数以获得中心模型参数;
第二接收单元还用于接收所述中心云发送的所述中心模型参数,并根据所述中心模型参数更新所述初始模型;
第二训练模块22,具体还包括:
判断单元,用于根据自身历史本地数据判断更新后的模型是否收敛;
第二循环单元,用于如果否,使用更新后的模型代替初始模型,重复上述训练单元、第二发送单元、第二接收单元和判断单元的步骤;
第二结果单元,用于如果是,使用更新后的模型作为本次模型构建任务的训练后模型。
可选地,所述边缘节点还包括评分模块,用于:
根据使用所述训练后模型对自身新增本地数据进行预测的效果获得对所述训练后模型的使用评分;
第二发送单元还用于将所述使用评分发送给中心云,以使中心云聚合所述使用评分以获得所述训练后模型的平均评分,并在所述模型库中将所述平均评分存储为所述训练后模型对应的模型原型的评分。
实施例5:
本发明实施例5提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当所述计算机程序被处理器运行时,实现如实施例1或2所述的模型协同构建方法。
所述计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机可读存储介质包括但不限于RAM(Random Access Memory,随机存取存储器),ROM(Read-Only Memory,只读存储器),EEPROM(Electrically ErasableProgrammable read only memory,带电可擦可编程只读存储器)、闪存或其他存储器技术、CD-ROM(Compact Disc Read-Only Memory,光盘只读存储器),数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
另外,本发明还可以提供一种计算机装置,包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时,所述处理器执行如实施例1或2所述的模型协同构建方法。
其中,存储器与处理器连接,存储器可采用闪存或只读存储器或其他存储器,处理器可采用中央处理器或单片机。
另外,本发明还可以提供一种模型协同构建系统,包括:如实施例3所述的中心云,用于实现如实施例1所述的模型协同构建方法;和,如实施例4所述的边缘节点,用于实施如实施例2所述的模型协同构建方法。
本发明实施例1-5提供的模型协同构建方法、中心云、边缘节点及计算机可读存储介质、计算机装置、模型协同构建系统,
通过中心云与各边缘节点之间进行协商,以确定参与本次模型构5建任务的若干第一边缘节点和本次模型构建任务的初始模型,继而通过中心云与第一边缘节点之间利用联邦学习方法对初始模型进行训练,以获得本次模型构建任务的训练后模型,通过云边互动选择初始模型和参与任务的边缘节点,确保每一参与任务的边缘节点均适合初始模型的训练,从而提高模型训练的效果。
0可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (13)
1.一种模型协同构建方法,其特征在于,应用于中心云,所述方法包括:
根据本次模型构建任务与各边缘节点协商,以确定参与本次模型构建任务的若干第一边缘节点和本次模型构建任务的初始模型;以及,
与所述若干第一边缘节点通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型;
所述根据本次模型构建任务与各边缘节点协商,以确定参与本次模型构建任务的若干第一边缘节点和本次模型构建任务的初始模型,具体包括:
从预先存储的模型库中选择与本次模型构建任务适配的若干模型原型,并获取所述若干模型原型的选型信息和评分信息;以及,
根据所述选型信息和所述评分信息与各边缘节点协商,以从各边缘节点中确定参与本次模型构建任务的若干第一边缘节点和从所述若干模型原型中确定本次模型构建任务的初始模型,具体包括:
将所述选型信息和所述评分信息发送给各边缘节点,以使各边缘节点根据所述选型信息和所述评分信息决定是否加入本次模型构建任务,并选择所述若干模型原型中的某一个作为本次模型构建任务的预选初始模型;
接收各边缘节点发送的决定是否加入本次模型构建任务和选择预选初始模型的反馈信息;以及,
根据所述反馈信息确定被最多边缘节点选为预选初始模型的一个模型原型作为所述初始模型,并确定选择所述初始模型的若干边缘节点为第一边缘节点。
2.根据权利要求1所述的方法,其特征在于,根据本次模型构建任务与各边缘节点协商之前,所述方法还包括:
发起本次模型构建任务,或者,接收并确认任意边缘节点发起的本次模型构建任务。
3.根据权利要求1所述的方法,其特征在于,与所述若干第一边缘节点通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型,具体包括:
接收所述若干第一边缘节点各自发送的本地模型参数,所述本地模型参数是所述若干第一边缘节点各自应用自身历史本地数据对所述初始模型进行训练后获得的;
聚合所述本地模型参数以获得中心模型参数,并将所述中心模型参数发送给所述若干第一边缘节点,以使所述若干第一边缘节点根据所述中心模型参数更新所述初始模型,并根据自身历史本地数据判断更新后的模型是否收敛;
如果否,使用更新后的模型代替初始模型,重复上述接收所述若干第一边缘节点各自发送的本地模型参数,和聚合所述本地模型参数以获得中心模型参数,并将所述中心模型参数发送给所述若干第一边缘节点的步骤;
如果是,使用更新后的模型作为本次模型构建任务的训练后模型。
4.根据权利要求1所述的方法,其特征在于,将所述选型信息和所述评分信息发送给各边缘节点,以使各边缘节点根据所述选型信息和所述评分信息决定是否加入本次模型构建任务,并选择所述若干模型原型中的某一个作为本次模型构建任务的预选初始模型,具体包括:
根据所述评分信息按照评分从高到低的顺序排列所述选型信息,所述选型信息中包括所述若干模型原型的训练需求信息,
向各边缘节点发送排列后的所述选型信息,以使各边缘节点获取所述训练需求信息与自身历史本地数据的适配度,选择所述若干模型原型中适配度满足预设条件、且排列最前的某一个模型原型作为所述预选初始模型,并决定加入本次模型构建任务;
根据所述反馈信息确定被最多边缘节点选为预选初始模型的一个模型原型作为所述初始模型,并确定选择所述初始模型的若干边缘节点为第一边缘节点之后,所述方法还包括:
向所述若干第一边缘节点发送所述初始模型及其运行环境。
5.根据权利要求1所述的方法,其特征在于,与所述若干第一边缘节点通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型之后,所述方法还包括:
在所述模型库中将所述训练后模型存储为一个模型原型;
接收各边缘节点各自对所述训练后模型的使用评分,所述使用评分是各边缘节点各自根据使用所述训练后模型对自身新增本地数据进行预测的效果获得的;
聚合所述使用评分以获得所述训练后模型的平均评分;
在所述模型库中将所述平均评分存储为所述训练后模型对应的模型原型的评分。
6.一种模型协同构建方法,其特征在于,应用于边缘节点,所述方法包括:
根据本次模型构建任务与中心云协商,以确定自身参与本次模型构建任务,并确定本次模型构建任务的初始模型;以及,
与所述中心云通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型;
所述根据本次模型构建任务与中心云协商,以确定自身参与本次模型构建任务,并确定本次模型构建任务的初始模型,具体包括:
接收中心云发送的若干模型原型的选型信息和评分信息,所述若干模型原型是所述中心云从预先存储的模型库中选择的,且是与本次模型构建任务适配的;以及,
根据所述选型信息和所述评分信息与中心云协商,以确定自身参与本次模型构建任务,并从所述若干模型原型中确定本次模型构建任务的初始模型,具体包括:
根据所述选型信息和所述评分信息决定加入本次模型构建任务,并选择所述若干模型原型中的某一个作为本次模型构建任务的预选初始模型;
向中心云发送决定加入本次模型构建任务和选择所述预选初始模型的反馈信息,以使中心云根据各边缘节点的反馈信息确定被最多边缘节点选为预选初始模型的一个模型原型作为所述初始模型,并确定选择所述初始模型的若干边缘节点为参与本次模型构建任务的第一边缘节点,以及向所述第一边缘节点发送所述初始模型;以及,
接收中心云发送的所述初始模型,并确定自身参与本次模型构建任务。
7.根据权利要求6所述的方法,其特征在于,根据本次模型构建任务与中心云协商之前,所述方法还包括:
向中心云发送本次模型构建任务,以使中心云确认发起本次模型构建任务。
8.根据权利要求6所述的方法,其特征在于,与所述中心云通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型,具体包括:
应用自身历史本地数据对所述初始模型进行训练,以获得本地模型参数;
将所述本地模型参数发送给中心云,以使中心云聚合所述本地模型参数以获得中心模型参数;
接收所述中心云发送的所述中心模型参数,并根据所述中心模型参数更新所述初始模型;
根据自身历史本地数据判断更新后的模型是否收敛;
如果否,使用更新后的模型代替初始模型,重复上述应用自身历史本地数据对所述初始模型进行训练,将所述本地模型参数发送给中心云,接收所述中心云发送的所述中心模型参数,并根据所述中心模型参数更新所述初始模型,和根据自身历史本地数据判断更新后的模型是否收敛的步骤;
如果是,使用更新后的模型作为本次模型构建任务的训练后模型。
9.根据权利要求6所述的方法,其特征在于,根据所述选型信息和所述评分信息与中心云协商,以确定自身参与本次模型构建任务,并从所述若干模型原型中确定本次模型构建任务的初始模型,具体包括:
接收中心云发送的根据所述评分信息按照评分从高到低的顺序排列的所述选型信息,所述选型信息中包括所述若干模型原型的训练需求信息;
获取所述训练需求信息与自身历史本地数据的适配度,选择所述若干模型原型中适配度满足预设条件、且排列最前的某一个模型原型作为所述预选初始模型,并决定加入本次模型构建任务;
向所述中心云发送选择所述预选初始模型和决定加入本次模型构建任务的反馈信息;
接收所述中心云根据所述反馈信息发送的所述初始模型及其运行环境。
10.根据权利要求6所述的方法,其特征在于,与所述中心云通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型之后,所述方法还包括:
根据使用所述训练后模型对自身新增本地数据进行预测的效果获得对所述训练后模型的使用评分;
将所述使用评分发送给中心云,以使中心云聚合所述使用评分以获得所述训练后模型的平均评分,并在所述模型库中将所述平均评分存储为所述训练后模型对应的模型原型的评分。
11.一种中心云,其特征在于,包括:
第一协商模块,用于根据本次模型构建任务与各边缘节点协商,以确定参与本次模型构建任务的若干第一边缘节点和本次模型构建任务的初始模型;以及,
第一训练模块,与所述第一协商模块连接,用于与所述若干第一边缘节点通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型;
所述第一协商模块包括:
第一选择单元,用于从预先存储的模型库中选择与本次模型构建任务适配的若干模型原型,并获取所述若干模型原型的选型信息和评分信息;以及,
第一协商单元,用于根据所述选型信息和所述评分信息与各边缘节点协商,以从各边缘节点中确定参与本次模型构建任务的若干第一边缘节点和从所述若干模型原型中确定本次模型构建任务的初始模型;
所述第一协商单元包括:
第一发送单元,用于将所述选型信息和所述评分信息发送给各边缘节点,以使各边缘节点根据所述选型信息和所述评分信息决定是否加入本次模型构建任务,并选择所述若干模型原型中的某一个作为本次模型构建任务的预选初始模型;以及,
第一接收单元,用于接收各边缘节点发送的决定是否加入本次模型构建任务和选择预选初始模型的反馈信息;
所述第一选择单元还用于,根据所述反馈信息确定被最多边缘节点选为预选初始模型的一个模型原型作为所述初始模型,并确定选择所述初始模型的若干边缘节点为第一边缘节点。
12.一种边缘节点,其特征在于,包括:
第二协商模块,用于根据本次模型构建任务与中心云协商,以确定自身参与本次模型构建任务,并确定本次模型构建任务的初始模型;以及,
第二训练模块,与所述第二协商模块连接,用于与所述中心云通过联邦学习方法对所述初始模型进行训练,以获得本次模型构建任务的训练后模型;
所述第二协商模块包括:
第二接收单元,用于接收中心云发送的若干模型原型的选型信息和评分信息,所述若干模型原型是所述中心云从预先存储的模型库中选择的,且是与本次模型构建任务适配的;以及,
第二协商单元,用于根据所述选型信息和所述评分信息与中心云协商,以确定自身参与本次模型构建任务,并从所述若干模型原型中确定本次模型构建任务的初始模型;
所述第二协商单元包括:
第二选择单元,用于根据所述选型信息和所述评分信息决定加入本次模型构建任务,并选择所述若干模型原型中的某一个作为本次模型构建任务的预选初始模型;
第二发送单元,用于向中心云发送决定加入本次模型构建任务和选择预选初始模型的反馈信息,以使中心云根据各边缘节点的反馈信息确定被最多边缘节点选为预选初始模型的一个模型原型作为所述初始模型,并确定选择所述初始模型的若干边缘节点为参与本次模型构建任务的第一边缘节点,以及向所述第一边缘节点发送所述初始模型;以及,
第二接收单元,用于接收中心云发送的所述初始模型,并确定自身参与本次模型构建任务。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,当所述计算机程序被处理器运行时,实现如权利要求1-5或6-10任一项所述的模型协同构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211656233.8A CN115987985B (zh) | 2022-12-22 | 2022-12-22 | 模型协同构建方法、中心云、边缘节点及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211656233.8A CN115987985B (zh) | 2022-12-22 | 2022-12-22 | 模型协同构建方法、中心云、边缘节点及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115987985A CN115987985A (zh) | 2023-04-18 |
CN115987985B true CN115987985B (zh) | 2024-02-27 |
Family
ID=85971729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211656233.8A Active CN115987985B (zh) | 2022-12-22 | 2022-12-22 | 模型协同构建方法、中心云、边缘节点及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115987985B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113163162A (zh) * | 2021-03-09 | 2021-07-23 | 腾讯科技(深圳)有限公司 | 基于视频云的服务提供方法和视频云系统 |
CN113487042A (zh) * | 2021-06-28 | 2021-10-08 | 海光信息技术股份有限公司 | 一种联邦学习方法、装置及联邦学习系统 |
WO2021219053A1 (zh) * | 2020-04-29 | 2021-11-04 | 深圳前海微众银行股份有限公司 | 联邦学习建模方法、装置、设备及可读存储介质 |
CN115017541A (zh) * | 2022-06-06 | 2022-09-06 | 电子科技大学 | 一种云边端协同的泛在智能联邦学习隐私保护系统及方法 |
CN115408151A (zh) * | 2022-08-23 | 2022-11-29 | 哈尔滨工业大学 | 一种联邦学习训练加速方法 |
-
2022
- 2022-12-22 CN CN202211656233.8A patent/CN115987985B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021219053A1 (zh) * | 2020-04-29 | 2021-11-04 | 深圳前海微众银行股份有限公司 | 联邦学习建模方法、装置、设备及可读存储介质 |
CN113163162A (zh) * | 2021-03-09 | 2021-07-23 | 腾讯科技(深圳)有限公司 | 基于视频云的服务提供方法和视频云系统 |
CN113487042A (zh) * | 2021-06-28 | 2021-10-08 | 海光信息技术股份有限公司 | 一种联邦学习方法、装置及联邦学习系统 |
CN115017541A (zh) * | 2022-06-06 | 2022-09-06 | 电子科技大学 | 一种云边端协同的泛在智能联邦学习隐私保护系统及方法 |
CN115408151A (zh) * | 2022-08-23 | 2022-11-29 | 哈尔滨工业大学 | 一种联邦学习训练加速方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115987985A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7537523B2 (en) | Dynamic player groups for interest management in multi-character virtual environments | |
CN102916984B (zh) | 一种图片编辑动作共享的方法及系统 | |
CN109040279A (zh) | 区块链网络组网方法、装置、设备及可读存储介质 | |
CN105871977A (zh) | 长连接建立方法、装置及系统 | |
CN112395341B (zh) | 一种基于联邦云合作网络的联邦学习管理方法及系统 | |
CN108282334A (zh) | 一种基于区块链的多方密钥协商装置、方法及系统 | |
CN108551413A (zh) | 智能家居设备绑定方法、装置、网关设备及存储介质 | |
Pujol-Gonzalez et al. | Engineering the decentralized coordination of UAVs with limited communication range | |
CN112329820B (zh) | 联邦学习下不均衡数据的采样方法与装置 | |
JP2020013349A (ja) | 履歴管理方法、履歴管理装置及び履歴管理システム | |
CN115987985B (zh) | 模型协同构建方法、中心云、边缘节点及介质 | |
CN114417361B (zh) | 基于区块链的跨域ai隐私计算的协商方法及系统 | |
CN107801047B (zh) | 视频交友的对象指定方法、存储介质、电子设备及系统 | |
CN106804056A (zh) | 一种用于提供无线接入点的接入信息的方法与设备 | |
US10452126B2 (en) | Method for fair off-loading of computational tasks for efficient energy management in mobile devices like smart phones | |
CN109150981A (zh) | 区块链网络组网方法、装置、设备及计算机可读存储介质 | |
CN105721527B (zh) | 一种数据处理方法以及服务器 | |
CN107749819B (zh) | 一种栅格网络条件下的路由选择方法及装置 | |
US20220318655A1 (en) | Method of providing artificial intelligence service based on user participation and apparatus for performing the same | |
CN113468200B (zh) | 对区块链系统中的分片进行扩容的方法及装置 | |
CN105897476B (zh) | 一种创建传输通道的方法及装置 | |
CN109104472A (zh) | 区块链网络组网方法、装置、设备及计算机可读存储介质 | |
CN108989977A (zh) | 一种司机客户端在线时长的统计方法 | |
CA3209812A1 (en) | Decentralized control of beam generating devices | |
CN108668151A (zh) | 音视频交互方法及装置 |
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 |