CN116257875A - 基于区块链的电力隐私数据可信决策模型训练方法及装置 - Google Patents
基于区块链的电力隐私数据可信决策模型训练方法及装置 Download PDFInfo
- Publication number
- CN116257875A CN116257875A CN202211601058.2A CN202211601058A CN116257875A CN 116257875 A CN116257875 A CN 116257875A CN 202211601058 A CN202211601058 A CN 202211601058A CN 116257875 A CN116257875 A CN 116257875A
- Authority
- CN
- China
- Prior art keywords
- training
- decision model
- node
- sample
- 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
Images
Classifications
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioethics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computer Security & Cryptography (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于区块链的电力隐私数据可信决策模型训练方法及装置,方法通过基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本,初始化联邦学习任务,构建初始决策模型;上传初始决策模型至区块链系统,通过区块链系统中的各个训练节点分别对初始决策模型进行本地训练,得到与训练节点一一对应的中间决策模型;确定每个训练节点的本地训练数据量,基于每个训练节点的本地训练数据量,确定与每个训练节点对应的中间决策模型的聚合权重;分别针对每个训练节点与对应的聚合权重,对中间决策模型进行聚合,得到目标决策模型,并上传目标决策模型至区块链系统,有效地提高了电力数据的可靠性。
Description
技术领域
本发明涉及模型训练技术领域,尤其涉及一种基于区块链的电力隐私数据可信决策模型训练方法及装置。
背景技术
电力数据开放共享以释放更大社会价值成为电力行业发展共识,但缺少成熟的隐私保护技术方案。基于电力数据体量大、增长快、实时性强、价值密度高等特点,随着电力数据的不断累积,对数据开放共享安全保障技术的能力要求会越来越高,对融合新兴技术迭代更新的速度要求会越来越快,但目前成熟成套的技术方案还未形成。
目前,对电力数据处理的相关模型难以保证电力数据的可靠,存在一定的安全隐患。
发明内容
本发明提供一种基于区块链的电力隐私数据可信决策模型训练方法及装置,用以解决现有技术中电力数据处理模型数据可靠性较差的缺陷。
本发明提供一种基于区块链的电力隐私数据可信决策模型训练方法,包括:
基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本,初始化联邦学习任务,构建初始决策模型;
上传所述初始决策模型至区块链系统,通过所述区块链系统中的各个训练节点分别对所述初始决策模型进行本地训练,得到与所述训练节点一一对应的中间决策模型;
确定每个所述训练节点的本地训练数据量,基于每个所述训练节点的本地训练数据量,确定与每个所述训练节点对应的中间决策模型的聚合权重;
分别针对每个所述训练节点与对应的所述聚合权重,对所述中间决策模型进行聚合,得到目标决策模型,并上传所述目标决策模型至所述区块链系统。
根据本发明提供的一种基于区块链的电力隐私数据可信决策模型训练方法,所述基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本,初始化联邦学习任务,构建初始决策模型,包括:
基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本,确定同构网络模型的输入层、输出层和隐含层的节点数;
初始化所述输入层、所述输出层和所述隐含层的权值和阈值,对所述同构网络模型进行初始化;
基于训练迭代次数和学习速率,对初始化后的所述同构网络模型的训练参数初始化,构建初始决策模型。
根据本发明提供的一种基于区块链的电力隐私数据可信决策模型训练方法,所述通过所述区块链系统中的各个训练节点分别对所述初始决策模型进行本地训练,得到与所述训练节点一一对应的中间决策模型,包括:
确定每个所述训练节点的模型损失函数;
基于所述模型损失函数和随机梯度下降函数,对所述初始决策模型进行更新,得到与所述训练节点一一对应的中间决策模型。
根据本发明提供的一种基于区块链的电力隐私数据可信决策模型训练方法,
所述确定每个所述训练节点的模型损失函数,包括:
其中,k=1,2,…,N,N指参与聚合的训练节点数;yk表示资源调度样本;f表示预测函数;pi表示第i个联邦学习过程训练节点数据量大小,psum表示参与聚合的训练节点数据量总和;wt表示初始决策模型;xk表示本地训练的数据;nk表示第k个联邦学习过程训练节点训练样本数;pk表示第k个联邦学习过程训练节点数据量大小;Lossk表示第k个联邦学习过程训练节点样本损失均值;minF(ωt)表示联邦学习过程全局损失函数的最小化。
根据本发明提供的一种基于区块链的电力隐私数据可信决策模型训练方法,所述中间决策模型为:
根据本发明提供的一种基于区块链的电力隐私数据可信决策模型训练方法,所述对所述中间决策模型进行聚合,得到目标决策模型,包括:
其中,ωt+1表示目标决策模型;k=1,2,…,N;ωt表示初始决策模型;表示中间决策模型,N指参与聚合的训练节点数;pk表示第k个联邦学习过程训练节点数据量大小,psum表示参与聚合的训练节点数据量总和。
根据本发明提供的一种基于区块链的电力隐私数据可信决策模型训练方法,所述通过所述区块链系统中的各个训练节点分别对所述初始决策模型进行本地训练,得到与所述训练节点一一对应的中间决策模型之后,还包括:
在所有的所述训练节点中确定第一预设数量的票权代理节点;
通过所述确定票权代理节点,对每个所述中间决策模型进行身份合法性进行校验;
在所述身份合法性校验通过后,通过智能合约对每个所述中间决策模型的准确率进行测试;
在所有所述中间决策模型中选择通过所述测试的概率大于预设值的中间决策模型作为最新的中间决策模型。
根据本发明提供的一种基于区块链的电力隐私数据可信决策模型训练方法,所述对所述中间决策模型进行聚合,得到目标决策模型之后,还包括:
在所有的所述训练节点中确定第二预设数量的评估节点;
通过所述评估节点对所述目标决策模型进行完整性检查、票权代理节点是否符合票权代理协议检查和模型准确率验证;
当所述目标决策模型通过所述完整性检查、所述票权代理节点是否符合票权代理协议检查和所述模型准确率验证之后,上传所述目标决策模型至所述区块链系统。
本发明还提供一种基于区块链的电力隐私数据可信决策模型训练装置,包括:
训练模块,用于基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本,初始化联邦学习任务,构建初始决策模型;
投票模块,用于上传所述初始决策模型至区块链系统,通过所述区块链系统中的各个训练节点分别对所述初始决策模型进行本地训练,得到与所述训练节点一一对应的中间决策模型;
聚合模块,用于确定每个所述训练节点的本地训练数据量,基于每个所述训练节点的本地训练数据量,确定与每个所述训练节点对应的中间决策模型的聚合权重;分别针对每个所述训练节点与对应的所述聚合权重,对所述中间决策模型进行聚合,得到目标决策模型,并上传所述目标决策模型至所述区块链系统。
本发明还提供一种资源调度方法,包括:
确定功率消耗信息、电力波动反应时间、电机功率、阻尼常数和线路容量;
输入所述功率消耗信息、所述电力波动反应时间、所述电机功率、所述阻尼常数和所述线路容量至目标决策模型,输出资源调度结果,其中所述目标决策模型是通过如上述任一项所述的基于区块链的电力隐私数据可信决策模型训练方法训练得到的。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于区块链的电力隐私数据可信决策模型训练方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于区块链的电力隐私数据可信决策模型训练方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述基于区块链的电力隐私数据可信决策模型训练方法。
本发明提供的一种基于区块链的电力隐私数据可信决策模型训练方法及装置,方法通过基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本,初始化联邦学习任务,构建初始决策模型;上传初始决策模型至区块链系统,通过区块链系统中的各个训练节点分别对初始决策模型进行本地训练,得到与训练节点一一对应的中间决策模型;确定每个训练节点的本地训练数据量,基于每个训练节点的本地训练数据量,确定与每个训练节点对应的中间决策模型的聚合权重;分别针对每个训练节点与对应的聚合权重,对中间决策模型进行聚合,得到目标决策模型,并上传目标决策模型至区块链系统,通过区块链系统结合联邦学习的训练方式得到的目标决策模型,既能够防止信息篡改,还能够防止数据对外传输,有效地提高了对原始数据的隐私保护,同时保证了模型数据电力数据的可靠性。
附图说明
为了更清楚地说明本发明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一简单地介绍,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是本发明提供的基于区块链的电力隐私数据可信决策模型训练方法的流程示意图;
图2是基于区块链的同构联邦学习训练机制的原理图;
图3是模拟测试中模型准确率随终端数量变化图;
图4是模拟测试中模型损失随终端数量变化图;
图5是本发明提供的基于区块链的电力隐私数据可信决策模型训练装置的结构示意图;
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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作出创造性劳动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。
下面结合图1-图6描述本发明的一种基于区块链的电力隐私数据可信决策模型训练方法及装置。
图1是本发明提供的基于区块链的电力隐私数据可信决策模型训练方法的流程示意图。
如图1所示,本发明提供的一种基于区块链的电力隐私数据可信决策模型训练方法,主要包括以下步骤:
101、基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本,初始化联邦学习任务,构建初始决策模型。
在一个具体的实现过程中,首先需要初始化联邦学习任务,初始化联邦学习任务即模型训练过程中的训练阶段。基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本,确定同构网络模型的输入层、输出层和隐含层的节点数;初始化输入层、输出层和隐含层的权值和阈值,对同构网络模型进行初始化;基于训练迭代次数和学习速率,对初始化后的同构网络模型的训练参数初始化,构建初始决策模型。
其中,初始决策模型为区块链系统中的任务发起节点构建的,任务发起节点发起联邦学习训练任务之后,根据需求建立一个机器学习模型,并发布联邦学习模型训练任务的要求,包括存储能力和计算能力等,使得只有符合要求的训练节点才能对机器学习模型进行训练,此时的机器学习模型便是初始决策模型,完成了对初始决策模型的构建和初始化。
102、上传初始决策模型至区块链系统,通过区块链系统中的各个训练节点分别对初始决策模型进行本地训练,得到与训练节点一一对应的中间决策模型。
当完成对初始决策模型的构建之后,为了提高模型的性能,便需要将初始决策模型上传至区块链系统,使得区块链系统中的各个训练节点均能够对初始决策模型进行本地训练,随着训练节点的越来越多,使得最终得到的模型便越准确。
为实现电力隐私数据可信决策神经网络模型的权重的优化,提高网络模型准确率,需要最小化联邦学习训练节点的整体模型损失。因此,通过区块链系统中的各个训练节点分别对初始决策模型进行本地训练,得到与训练节点一一对应的中间决策模型的过程则需要首先确定每个训练节点的模型损失函数;基于模型损失函数和随机梯度下降函数,对初始决策模型进行更新,得到与训练节点一一对应的中间决策模型。
其中,确定每个训练节点的模型损失函数的过程便是,例如在第t轮迭代过程中,训练节点利用本轮训练的本地模型ωt和本地数据xk
计算出模型损失如公式(1):
然后公式(1)进行优化,最小化模型的整体损失,如公式(2):
而公式中的psum的定义如公式(3):
其中,k=1,2,…,N,N指参与聚合的训练节点数;yk表示资源调度样本;f表示预测函数;pi表示第i个联邦学习过程训练节点数据量大小,psum表示参与聚合的训练节点数据量总和;ωt表示初始决策模型;xk表示本地训练的数据;nk表示第k个联邦学习过程训练节点训练样本数;pk表示第k个联邦学习过程训练节点数据量大小;Lossk表示第k个联邦学习过程训练节点样本损失均值;minF(ωt)表示联邦学习过程全局损失函数的最小化。
在对联邦学习训练节点的整体损失进行最小化处理之后,便需要对中间决策模型进行权重更新,如公式(4):
通过对初始决策模型的更新之后,便得到了最终的更加精准的中间决策模型。
103、确定每个训练节点的本地训练数据量,基于每个训练节点的本地训练数据量,确定与每个训练节点对应的中间决策模型的聚合权重。
具体的,区块链系统中的每个训练节点都会对初始决策模型进行本地训练,于是便会得到与训练节点对应的中间决策模型,而最终需要得到目标决策模型,即一个模型供所有的训练节点使用,对电力数据进行处理,因此,便需要对所有的中间决策模型进行加权处理,而加权处理的依据便是根据不同的训练节点的数据量的大小,也就数训练数据量越多,表明最终得到的中间决策模型越准确,因此,便根据本地训练数据量的多少,确定每个训练节点对应的中间决策模型的聚合权重。
104、分别针对每个训练节点与对应的权重,对中间决策模型进行聚合,得到目标决策模型,并上传目标决策模型至区块链系统。
当进入到聚合阶段时,便需要基于每个中间决策模型的聚合权重,对所有的中间决策模型进行加权聚合,以得到最终的目标决策模型,如公式(5):
其中,ωt+1表示目标决策模型;k=1,2,…,N;ωt表示初始决策模型;表示中间决策模型,N指参与聚合的训练节点数;pk表示第k个联邦学习过程训练节点数据量大小,psum表示参与聚合的训练节点数据量总和。
针对加权聚合后生成的目标决策模型,再将其上传至区块链系统中,采用这种方式,使得各个区块链系统中的各个节点收到的均是经过联邦学习训练聚合后的目标决策模型,同时保证了所有节点的数据一致性。
本实施例提供的一种基于区块链的电力隐私数据可信决策模型训练方法,通过基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本,初始化联邦学习任务,构建初始决策模型;上传初始决策模型至区块链系统,通过区块链系统中的各个训练节点分别对初始决策模型进行本地训练,得到与训练节点一一对应的中间决策模型;确定每个训练节点的本地训练数据量,基于每个训练节点的本地训练数据量,确定与每个训练节点对应的中间决策模型的聚合权重;分别针对每个训练节点与对应的聚合权重,对中间决策模型进行聚合,得到目标决策模型,并上传目标决策模型至区块链系统,通过区块链系统结合联邦学习的训练方式得到的目标决策模型,既能够防止信息篡改,还能够防止数据对外传输,有效地提高了对原始数据的隐私保护,同时保证了模型数据电力数据的可靠性。
进一步的,在上述实施例的基础上,本实施例中的通过区块链系统中的各个训练节点分别对初始决策模型进行本地训练,得到与训练节点一一对应的中间决策模型之后,还包括:在所有的训练节点中确定第一预设数量的票权代理节点;通过确定票权代理节点,对每个中间决策模型进行身份合法性进行校验;在身份合法性校验通过后,通过智能合约对每个中间决策模型的准确率进行测试;在所有中间决策模型中选择通过测试的概率大于预设值的中间决策模型作为最新的中间决策模型。
具体的,在得到中间决策模型之后,需要对中间决策模型的有效性进行校验,在训练节点中选取第一预设数量的票权代理节点,票权代理节点主要用于对中间决策模型的身份合法性进行校验。即对训练节点的身份信息进行验证,验证通过后通过智能合约测试模型的准确率,最后根据模型准确率决定中间决策模型是否符合要求。
训练节点通常需要根据基于智能合约实现的票权代理协议,向多个票权代理节点发出投票请求。票权代理协议定义本次模型训练事件预案所需的投票节点,例如选取N个票权代理节点,需要超过N/2的节点投票的中间决策模型才表示通过,训练节点只有在收集到一定量的支持后,广播到区块链系统中的中间决策模型才能被视为有效,从而挑选所有有效地中间决策模型最为最新的中间决策模型,对中间结果进行更新。
进一步的,在上述实施例的基础上,本实施例中的对中间决策模型进行聚合,得到目标决策模型之后,还包括:在所有的训练节点中确定第二预设数量的评估节点;通过评估节点对目标决策模型进行完整性检查、票权代理节点是否符合票权代理协议检查和模型准确率验证;当目标决策模型通过完整性检查、票权代理节点是否符合票权代理协议检查和模型准确率验证之后,上传目标决策模型至区块链系统。
具体的,在得到目标决策模型之后,为了保证目标决策模型的可靠性与准确性,需要对目标决策模型进行评估,主要是进行完整性检查、票权代理节点是否符合票权代理协议检查和模型准确率验证,当目标决策模型通过一定数量的评估节点的检查验证之后,表明目标决策模型符合用户需求。
图2是基于区块链的同构联邦学习训练机制的原理图。
如图2所示,训练过程主要包括四个节点,训练阶段、投票阶段、聚合阶段和评估阶段,对应着四个节点分别为计算节点、票权代理节点聚合节点和评估节点。计算节点首先发起联邦学习任务,基于联邦学习任务进行本地模型训练,即得到初始决策模型,然后提交本地训练模型预案至票权代理节点,票权代理节点调用智能合约进行模型测试与投票,然后根据测试与投票结果,回复本地模型训练预案即中间决策模型至计算节点,计算节点将投票结果满足条件的节点提交中间决策模型即票权代理节点的签名至聚合节点,聚合节点对所有的中间决策模型进行权重分配聚合,将聚合之后的模型作为目标决策模型,还可以通过评估节点对目标决策模型进行系列评估,根据评估结果,确定出最终的目标决策模型,上传至区块链系统中,使得保证所有节点的数据一致性。
在设计的区块链结合同构联邦学习的训练机制基础上,构建基于同构神经网络的电力隐私数据可信决策方法,通过对电力系统运行过程中能源网络的节点需求进行预测,实现区域资源的精准调度。区块链作为分布式数据库记录设备数据,防止信息篡改。联邦学习不需要进行原始数据的对外传输,提高了对原始数据的隐私保护。通过基于区块链的电力隐私数据可信决策方法实现了分布式电力隐私数据的可信共享和可信决策。
例如,基于区块链的电力隐私数据可信决策方法实验环境为10台树莓派4B设备搭建的区块链网络。树莓派CPU主频1.5GHz,内存4GB,在客户端并存有本地数据集。通过将UCI2018年电网稳定性模拟数据集分割为样本数不同的10份数据集,分别存储在10个树莓派上构成本地数据集。树莓派采用Raspberry Pi OS(32-bit)系统,联邦机器学习算法使用python实现。
测试中,本发明通过改变训练节点数量参数,针对算法分别选择2、5、10个树莓派作为训练节点,每组实验执行100个通信轮次。从模型准确率和损失的角度评估算法性能。
图3是模拟测试中模型准确率随终端数量变化图,图4是模拟测试中模型损失随终端数量变化图。
图3展现了在训练节点数量变化下基于区块链的电力隐私数据可信决策方法算法训练准确率随训练轮次的变化。随着终端设备增加,基于同构BP神经网络的电力隐私数据可信决策模型训练准确率获得了提升,且达到相同准确率所需的时间减少。随着终端设备的增多,联邦学习训练过程中可用的总体数据量增多,且同一时间进行本地模型训练的设备增多,整体性能提高,提高模型训练的效率。
图4展现了在训练节点数量变化下基于区块链的电力隐私数据可信决策方法算法训练损失随训练轮次的变化。随着联邦学习任务参与设备数的增多,模型的训练损失下降速率提高。通过区块链联合多设备参与,提高了电力隐私数据可信决策神经网络模型的训练速度和降低了训练损失。
基于同一总的发明构思,本发明还保护一种基于区块链的电力隐私数据可信决策模型训练装置,下面对本发明提供的基于区块链的电力隐私数据可信决策模型训练装置进行描述,下文描述的基于区块链的电力隐私数据可信决策模型训练装置与上文描述的基于区块链的电力隐私数据可信决策模型训练方法可相互对应参照。
图5是本发明提供的基于区块链的电力隐私数据可信决策模型训练装置的结构示意图。
如图5所示,本发明提供的一种基于区块链的电力隐私数据可信决策模型训练装置,包括:
训练模块501,用于基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本,初始化联邦学习任务,构建初始决策模型;
投票模块502,用于上传初始决策模型至区块链系统,通过区块链系统中的各个训练节点分别对初始决策模型进行本地训练,得到与训练节点一一对应的中间决策模型;
聚合模块503,用于确定每个训练节点的本地训练数据量,基于每个训练节点的本地训练数据量,确定与每个训练节点对应的中间决策模型的权重;分别针对每个训练节点与对应的权重,对中间决策模型进行聚合,得到目标决策模型,并上传目标决策模型至区块链系统。
进一步的,本实施例中的训练模块501,具体用于:
基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本,确定同构网络模型的输入层、输出层和隐含层的节点数;
初始化所述输入层、所述输出层和所述隐含层的权值和阈值,对所述同构网络模型进行初始化;
基于训练迭代次数和学习速率,对初始化后的所述同构网络模型的训练参数初始化,构建初始决策模型。
进一步的,本实施例中的投票模块502,具体用于:
确定每个所述训练节点的模型损失函数;
基于所述模型损失函数和随机梯度下降函数,对所述初始决策模型进行更新,得到与所述训练节点一一对应的中间决策模型。
进一步的,
本实施例中的模型损失函数,包括:
其中,k=1,2,…,N,N指参与聚合的训练节点数;yk表示资源调度样本;f表示预测函数;pi表示第i个联邦学习过程训练节点数据量大小,psum表示参与聚合的训练节点数据量总和;ωt表示初始决策模型;xk表示本地训练的数据;nk表示第k个联邦学习过程训练节点训练样本数;pk表示第k个联邦学习过程训练节点数据量大小;Lossk表示第k个联邦学习过程训练节点样本损失均值;minF(wt)表示联邦学习过程全局损失函数的最小化。
进一步的,本实施例中的所述中间决策模型为:
进一步的,本实施例中的聚合模块503,具体用于:
其中,wt+1表示目标决策模型;k=1,2,…,N;wt表示初始决策模型;表示中间决策模型,N指参与聚合的训练节点数;pk表示第k个联邦学习过程训练节点数据量大小,psum表示参与聚合的训练节点数据量总和。
进一步的,本实施例中的投票模块,具体还用于:
在所有的所述训练节点中确定第一预设数量的票权代理节点;
通过所述确定票权代理节点,对每个所述中间决策模型进行身份合法性进行校验;
在所述身份合法性校验通过后,通过智能合约对每个所述中间决策模型的准确率进行测试;
在所有所述中间决策模型中选择通过所述测试的概率大于预设值的中间决策模型作为最新的中间决策模型。
进一步的,本实施例中还包括评估模块,用于:
在所有的所述训练节点中确定第二预设数量的评估节点;
通过所述评估节点对所述目标决策模型进行完整性检查、票权代理节点是否符合票权代理协议检查和模型准确率验证;
当所述目标决策模型通过所述完整性检查、所述票权代理节点是否符合票权代理协议检查和所述模型准确率验证之后,上传所述目标决策模型至所述区块链系统。
基于同一总的发明构思,本发明还保护一种资源调度方法,包括:
确定功率消耗信息、电力波动反应时间、电机功率、阻尼常数和线路容量;输入功率消耗信息、电力波动反应时间、电机功率、阻尼常数和线路容量至目标决策模型,输出资源调度结果,其中目标决策模型是通过如上述任一实施例的基于区块链的电力隐私数据可信决策模型训练方法训练得到的。
图6是本发明提供的电子设备的结构示意图。
如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行基于区块链的电力隐私数据可信决策模型训练方法,该方法包括:基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本,初始化联邦学习任务,构建初始决策模型;上传所述初始决策模型至区块链系统,通过所述区块链系统中的各个训练节点分别对所述初始决策模型进行本地训练,得到与所述训练节点一一对应的中间决策模型;确定每个所述训练节点的本地训练数据量,基于每个所述训练节点的本地训练数据量,确定与每个所述训练节点对应的中间决策模型的聚合权重;分别针对每个所述训练节点与对应的所述聚合权重,对所述中间决策模型进行聚合,得到目标决策模型,并上传所述目标决策模型至所述区块链系统。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于区块链的电力隐私数据可信决策模型训练方法,该方法包括:基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本,初始化联邦学习任务,构建初始决策模型;上传所述初始决策模型至区块链系统,通过所述区块链系统中的各个训练节点分别对所述初始决策模型进行本地训练,得到与所述训练节点一一对应的中间决策模型;确定每个所述训练节点的本地训练数据量,基于每个所述训练节点的本地训练数据量,确定与每个所述训练节点对应的中间决策模型的聚合权重;分别针对每个所述训练节点与对应的所述聚合权重,对所述中间决策模型进行聚合,得到目标决策模型,并上传所述目标决策模型至所述区块链系统。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于区块链的电力隐私数据可信决策模型训练方法,该方法包括:基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本,初始化联邦学习任务,构建初始决策模型;上传所述初始决策模型至区块链系统,通过所述区块链系统中的各个训练节点分别对所述初始决策模型进行本地训练,得到与所述训练节点一一对应的中间决策模型;确定每个所述训练节点的本地训练数据量,基于每个所述训练节点的本地训练数据量,确定与每个所述训练节点对应的中间决策模型的聚合权重;分别针对每个所述训练节点与对应的所述聚合权重,对所述中间决策模型进行聚合,得到目标决策模型,并上传所述目标决策模型至所述区块链系统。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于区块链的电力隐私数据可信决策模型训练方法,其特征在于,包括:
基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本,初始化联邦学习任务,构建初始决策模型;
上传所述初始决策模型至区块链系统,通过所述区块链系统中的各个训练节点分别对所述初始决策模型进行本地训练,得到与所述训练节点一一对应的中间决策模型;
确定每个所述训练节点的本地训练数据量,基于每个所述训练节点的本地训练数据量,确定与每个所述训练节点对应的中间决策模型的聚合权重;
分别针对每个所述训练节点与对应的所述聚合权重,对所述中间决策模型进行聚合,得到目标决策模型,并上传所述目标决策模型至所述区块链系统。
2.根据权利要求1所述的基于区块链的电力隐私数据可信决策模型训练方法,其特征在于,所述基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本,初始化联邦学习任务,构建初始决策模型,包括:
基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本,确定同构网络模型的输入层、输出层和隐含层的节点数;
初始化所述输入层、所述输出层和所述隐含层的权值和阈值,对所述同构网络模型进行初始化;
基于训练迭代次数和学习速率,对初始化后的所述同构网络模型的训练参数初始化,构建初始决策模型。
3.根据权利要求1所述的基于区块链的电力隐私数据可信决策模型训练方法,其特征在于,所述通过所述区块链系统中的各个训练节点分别对所述初始决策模型进行本地训练,得到与所述训练节点一一对应的中间决策模型,包括:
确定每个所述训练节点的模型损失函数;
基于所述模型损失函数和随机梯度下降函数,对所述初始决策模型进行更新,得到与所述训练节点一一对应的中间决策模型。
7.根据权利要求1所述的基于区块链的电力隐私数据可信决策模型训练方法,其特征在于,所述通过所述区块链系统中的各个训练节点分别对所述初始决策模型进行本地训练,得到与所述训练节点一一对应的中间决策模型之后,还包括:
在所有的所述训练节点中确定第一预设数量的票权代理节点;
通过所述确定票权代理节点,对每个所述中间决策模型进行身份合法性进行校验;
在所述身份合法性校验通过后,通过智能合约对每个所述中间决策模型的准确率进行测试;
在所有所述中间决策模型中选择通过所述测试的概率大于预设值的中间决策模型作为最新的中间决策模型。
8.根据权利要求7所述的基于区块链的电力隐私数据可信决策模型训练方法,其特征在于,所述对所述中间决策模型进行聚合,得到目标决策模型之后,还包括:
在所有的所述训练节点中确定第二预设数量的评估节点;
通过所述评估节点对所述目标决策模型进行完整性检查、票权代理节点是否符合票权代理协议检查和模型准确率验证;
当所述目标决策模型通过所述完整性检查、所述票权代理节点是否符合票权代理协议检查和所述模型准确率验证之后,上传所述目标决策模型至所述区块链系统。
9.一种基于区块链的电力隐私数据可信决策模型训练装置,其特征在于,包括:
训练模块,用于基于功率消耗信息样本、电力波动反应时间样本、电机功率样本、阻尼常数样本、线路容量样本和资源调度样本,初始化联邦学习任务,构建初始决策模型;
投票模块,用于上传所述初始决策模型至区块链系统,通过所述区块链系统中的各个训练节点分别对所述初始决策模型进行本地训练,得到与所述训练节点一一对应的中间决策模型;
聚合模块,用于确定每个所述训练节点的本地训练数据量,基于每个所述训练节点的本地训练数据量,确定与每个所述训练节点对应的中间决策模型的聚合权重;分别针对每个所述训练节点与对应的所述聚合权重,对所述中间决策模型进行聚合,得到目标决策模型,并上传所述目标决策模型至所述区块链系统。
10.一种资源调度方法,其特征在于,包括:
确定功率消耗信息、电力波动反应时间、电机功率、阻尼常数和线路容量;
输入所述功率消耗信息、所述电力波动反应时间、所述电机功率、所述阻尼常数和所述线路容量至目标决策模型,输出资源调度结果,其中,所述目标决策模型是通过如权利要求1-8任一项所述的基于区块链的电力隐私数据可信决策模型训练方法训练得到的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211601058.2A CN116257875A (zh) | 2022-12-12 | 2022-12-12 | 基于区块链的电力隐私数据可信决策模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211601058.2A CN116257875A (zh) | 2022-12-12 | 2022-12-12 | 基于区块链的电力隐私数据可信决策模型训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116257875A true CN116257875A (zh) | 2023-06-13 |
Family
ID=86685302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211601058.2A Pending CN116257875A (zh) | 2022-12-12 | 2022-12-12 | 基于区块链的电力隐私数据可信决策模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116257875A (zh) |
-
2022
- 2022-12-12 CN CN202211601058.2A patent/CN116257875A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190026639A1 (en) | Neural architecture search for convolutional neural networks | |
CN108052387B (zh) | 一种移动云计算中的资源分配预测方法及系统 | |
CN111461445B (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
CN113221163B (zh) | 一种训练模型的方法及系统 | |
CN112766318A (zh) | 业务任务执行方法、装置以及计算机可读存储介质 | |
Xiao et al. | Network security situation prediction method based on MEA-BP | |
CN113541985B (zh) | 物联网故障诊断方法、模型的训练方法及相关装置 | |
Pu et al. | A novel cuckoo search particle filtering strategy for the remaining useful life prediction of the lithium‐ion batteries in hybrid electric vehicle | |
Zhao et al. | Adaptive swarm intelligent offloading based on digital twin-assisted prediction in VEC | |
CN109117352B (zh) | 服务器性能预测方法和装置 | |
CN112511619B (zh) | 无线边缘区块链场景中的资源节点间交易匹配方法 | |
CN113850669A (zh) | 用户分群方法、装置、计算机设备及计算机可读存储介质 | |
CN117829307A (zh) | 一种面向数据异构性的联邦学习方法及系统 | |
CN112561351A (zh) | 用于评估卫星系统中的任务申请的方法及装置 | |
CN116257875A (zh) | 基于区块链的电力隐私数据可信决策模型训练方法及装置 | |
CN116011071A (zh) | 基于主动学习的空中造楼机结构可靠性分析方法及系统 | |
CN113132482B (zh) | 一种基于强化学习的分布式消息系统参数自适应优化方法 | |
CN117033997A (zh) | 数据切分方法、装置、电子设备和介质 | |
CN114139601A (zh) | 一种对电力巡检场景人工智能算法模型的评估方法及系统 | |
CN107067036A (zh) | 一种接地网腐蚀速率预测方法 | |
CN117892805B (zh) | 基于超网络和层级别协作图聚合的个性化联邦学习方法 | |
CN113810212B (zh) | 5g切片用户投诉的根因定位方法及装置 | |
CN114580578B (zh) | 具有约束的分布式随机优化模型训练方法、装置及终端 | |
CN113159773B (zh) | 一种量化交易回测数据生成方法及装置 | |
Jiang et al. | Research on incentive mechanisms for anti-heterogeneous federated learning based on reputation and contribution |
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 |