CN116502513A - 基于联合学习建立数据贡献方的调控方法、装置及设备 - Google Patents

Abstract

本公开提供了一种基于联合学习建立数据贡献方的调控方法、装置及设备。该方法包括：根据已接收的参与方的数据，确定贡献方的数量区间范围，并根据贡献方的数量区间范围，构建多个数据贡献方；基于参与方的数据，调取与数据相匹配的数据属性范围，利用数据属性范围，为每个数据贡献方生成相应的配置信息，并构建每个数据贡献方对应的行为策略；当执行数据调控任务时，建立数据贡献方与其他参与方之间的通信通道，并根据配置信息以及行为策略，生成与每个数据贡献方对应的贡献方对象，基于贡献方对象执行数据调控任务。本公开能够简化贡献方的创建过程，降低人力成本，提升对仿真平台中贡献方的创建效率。

Description

基于联合学习建立数据贡献方的调控方法、装置及设备

技术领域

本公开涉及联合学习技术领域，尤其涉及一种基于联合学习建立数据贡献方的调控方法、装置及设备。

背景技术

随着计算机技术的不断发展，人工智能的应用也越来越广泛，通过联合不同参与方进行机器学习的联合学习方法成为一种训练人工智能模型的主流趋势。联合学习作为一种新型的分布式机器学习框架，满足了多个客户端在数据安全的要求下进行模型训练的需求。

在联合学习生态尚未真正形成之前，需要验证分配激励机制设计的合理性、有效性，比较不同激励机制方案选择带来的效果差异，发现分配激励机制设计的不足或漏洞。因此需要设计联合学习分配激励机制仿真验证平台。现有的分配激励机制的仿真验证平台，在基于联合学习以及仿真任务建立数据贡献方时，需要耗费大量的人力，并且建立数据贡献方的过程较为复杂，且人为创建数据贡献方时容易产生错误，降低了对数据贡献方的创建效率。

发明内容

有鉴于此，本公开实施例提供了一种基于联合学习建立数据贡献方的调控方法、装置及设备，以解决现有技术存在的建立数据贡献方的过程复杂，需要耗费较高的人力成本，数据贡献方的创建容易产生错误，创建效率较低的问题。

本公开实施例的第一方面，提供了一种基于联合学习建立数据贡献方的调控方法，包括：根据已接收的参与方的数据，确定贡献方的数量区间范围，并根据贡献方的数量区间范围，构建多个数据贡献方；基于参与方的数据，调取与数据相匹配的数据属性范围，利用数据属性范围，为每个数据贡献方生成相应的配置信息，并构建每个数据贡献方对应的行为策略；当执行数据调控任务时，建立数据贡献方与其他参与方之间的通信通道，并根据配置信息以及行为策略，生成与每个数据贡献方对应的贡献方对象，基于贡献方对象执行数据调控任务。

本公开实施例的第二方面，提供了一种基于联合学习建立数据贡献方的调控装置，包括：确定模块，被配置为根据已接收的参与方的数据，确定贡献方的数量区间范围，并根据贡献方的数量区间范围，构建多个数据贡献方；生成模块，被配置为基于参与方的数据，调取与数据相匹配的数据属性范围，利用数据属性范围，为每个数据贡献方生成相应的配置信息，并构建每个数据贡献方对应的行为策略；调控模块，被配置为当执行数据调控任务时，建立数据贡献方与其他参与方之间的通信通道，并根据配置信息以及行为策略，生成与每个数据贡献方对应的贡献方对象，基于贡献方对象执行数据调控任务。

本公开实施例的第三方面，提供了一种电子设备，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，处理器执行程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本公开实施例采用的上述至少一个技术方案能够达到以下有益效果：

通过根据已接收的参与方的数据，确定贡献方的数量区间范围，并根据贡献方的数量区间范围，构建多个数据贡献方；基于参与方的数据，调取与数据相匹配的数据属性范围，利用数据属性范围，为每个数据贡献方生成相应的配置信息，并构建每个数据贡献方对应的行为策略；当执行数据调控任务时，建立数据贡献方与其他参与方之间的通信通道，并根据配置信息以及行为策略，生成与每个数据贡献方对应的贡献方对象，基于贡献方对象执行数据调控任务。本公开能够在仿真平台中自动为仿真任务创建贡献方，对人工参与度的要求较低，简化了贡献方的创建过程，降低贡献方创建的错误率，提升对贡献方的创建效率。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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它的附图。

图1是本公开实施例提供的一种联合学习的架构示意图；

图2是本公开实施例提供的基于联合学习建立数据贡献方的调控方法的流程示意图；

图3是本公开实施例提供的基于联合学习建立数据贡献方的调控装置的结构示意图；

图4是本公开实施例提供的电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。

联合学习是指在确保数据安全及用户隐私的前提下，综合利用多种AI(Artificial Intelligence，人工智能)技术，联合多方合作共同挖掘数据价值，催生基于联合建模的新的智能业态和模式。联合学习至少具有以下特点：

(1)参与节点控制自有数据的弱中心化联合训练模式，确保共创智能过程中的数据隐私安全。

(2)在不同应用场景下，利用筛选和/或组合AI算法、隐私保护计算，建立多种模型聚合优化策略，以获取高层次、高质量的模型。

(3)在确保数据安全及用户隐私的前提下，基于多种模型聚合优化策略，获取提升联合学习引擎的效能方法，其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等，提升联合学习引擎的整体效能。

(4)获取各场景下多方用户的需求，通过互信机制，确定合理评估各联合参与方的真实贡献度，进行分配激励。

基于上述方式，可以建立基于联合学习的AI技术生态，充分发挥行业数据价值，推动垂直领域的场景落地。

下面将结合附图详细说明根据本公开实施例的一种联合学习训练方法及装置。

图1是本公开实施例提供的一种联合学习的架构示意图。如图1所示，联合学习的架构可以包括服务器(中心节点)101以及参与方102、参与方103和参与方104。

在联合学习过程中，基本模型可以通过服务器101建立，服务器101将该模型发送至与其建立通信连接的参与方102、参与方103和参与方104。基本模型还可以是任一参与方建立后上传至服务器101，服务器101将该模型发送至与其建立通信连接的其他参与方。参与方102、参与方103和参与方104根据下载的基本结构和模型参数构建模型，利用本地数据进行模型训练，获得更新的模型参数，并将更新的模型参数加密上传至服务器101。服务器101对参与方102、参与方103和参与方104发送的模型参数进行聚合，获得全局模型参数，并将全局模型参数传回至参与方102、参与方103和参与方104。参与方102、参与方103和参与方104根据接收的全局模型参数对各自的模型进行迭代，直到模型最终收敛，从而实现对模型的训练。在联合学习过程中，参与方102、参与方103和参与方104上传的数据为模型参数，本地数据并不会上传至服务器101，且所有参与方可以共享最终的模型参数，因此可以在保证数据隐私的基础上实现共同建模。需要说明的是，参与方的数量不限于如上所述的三个，而是可以根据需要进行设置，本公开实施例对此不作限制。

图2是本公开实施例提供的基于仿真平台的贡献方建立方法的流程示意图。图2的基于仿真平台的贡献方建立方法可以由仿真平台的服务器执行。如图2所示，该基于仿真平台的贡献方建立方法具体可以包括：

S201，根据已接收的参与方的数据，确定贡献方的数量区间范围，并根据贡献方的数量区间范围，构建多个数据贡献方；

S202，基于参与方的数据，调取与数据相匹配的数据属性范围，利用数据属性范围，为每个数据贡献方生成相应的配置信息，并构建每个数据贡献方对应的行为策略；

S203，当执行数据调控任务时，建立数据贡献方与其他参与方之间的通信通道，并根据配置信息以及行为策略，生成与每个数据贡献方对应的贡献方对象，基于贡献方对象执行数据调控任务。

具体地，首先本公开实施例的应用场景做简单说明，在联合学习领域中，当客户参与联合学习时，不可避免的消耗设备资源，包括计算资源、通信资源和能源等。因此在没有足够回报的情况下，客户端可能不愿意参与或分享他们的模型。因此，联合学习需要设计一种激励机制，来对上述消耗进行一种或数值或模型方面的补偿。在联合学习激励机制的设计中，有两个重要的目标：第一是评估每个客户的贡献，第二是设计一种合理的回报招来并留住更多的客户端。

进一步地，本公开实施例的贡献方是指通过仿真平台建立的联合学习的虚拟参与方，由于仿真平台是用于对联合学习的分配激励机制进行仿真验证的平台，因此，这里的贡献方也可以认为是联合学习中的数据贡献方，即仿真任务中虚拟化的数据贡献方。

进一步地，本公开实施例的应用场景可以认为是，当仿真平台的计算机程序启动后，开始一个新的仿真环境时，通过在计算机程序的内存里产生一个仿真环境对象，并基于该仿真环境对象，依次创建产生各个主体(包括贡献方对应的主体)。在实际应用中，各个主体的构建是解耦的，无需依赖其他主体而构建。

根据本公开实施例提供的技术方案，通过根据已接收的参与方的数据，确定贡献方的数量区间范围，并根据贡献方的数量区间范围，构建多个数据贡献方；基于参与方的数据，调取与数据相匹配的数据属性范围，利用数据属性范围，为每个数据贡献方生成相应的配置信息，并构建每个数据贡献方对应的行为策略；当执行数据调控任务时，建立数据贡献方与其他参与方之间的通信通道，并根据配置信息以及行为策略，生成与每个数据贡献方对应的贡献方对象，基于贡献方对象执行数据调控任务。本公开能够在仿真平台中自动为仿真任务创建贡献方，对人工参与度的要求较低，简化了贡献方的创建过程，降低贡献方创建的错误率，提升对贡献方的创建效率。

在一些实施例中，数据调控任务包括数据仿真任务，在根据接收参与方的数据，确定贡献方的数量区间范围之前，该方法还包括：确定预设的与联合学习相关的分配激励机制，根据分配激励机制，创建与分配激励机制相对应的数据仿真任务，并在数据仿真平台中生成与数据仿真任务相对应的仿真环境对象，其中，数据仿真任务用于对联合学习的分配激励机制进行仿真验证。

具体地，分配激励机制用于激励联合学习的参与方更多的参与联合学习过程。在设计完成分配激励机制之后，需要对分配激励机制的效果进行验证，因此通过仿真平台执行相应的仿真任务，以验证分配激励机制的效果，并对发现分配激励机制设计的不足或漏洞具有重要意义。

在一些实施例中，基于参与方的数据，调取与数据相匹配的数据属性范围，利用数据属性范围，为每个数据贡献方生成相应的配置信息，包括：根据每个参与方的标识信息，从预先配置的数据属性范围库中调取与标识信息相匹配的数据属性范围，利用数据属性范围，为每个数据贡献方生成相应的配置信息；其中，配置信息包括以下信息：数据类型、数据量、数据质量、机器资源量、数据和计算资源成本、以及仿真时间步。

具体地，根据仿真任务产生一个随机的整数值n～[1,MaxN]，根据该整数值构建n个数据贡献方(以下简称贡献方)，之后对每个贡献方的对象进行创建。首先，读取每个贡献方的配置信息，配置信息可以是人工预先设定的，计算机程序使用人工预先设定的值，或在人工设定的范围内随机产生一系列的值。

进一步地，下面对配置信息包含的内容进行列举和说明：

数据的类型：如图片、文本或时间序列等；

数据的数量：如图片数量、文本语句数量、时间序列长度等；

数据的质量：如每条数据的质量等级，该质量等级可以由一个[-1,1]之间数字表示，数字越大质量越高；

机器资源量：如CPU、GPU、内存、硬盘、网络带宽等；

数据和计算资源成本：如每条数据单位使用次数的成本，以及每一种资源单位使用时间的成本等；

仿真时间步：如设定每一步仿真对应的时间间隔，比如每隔几秒钟执行一步仿真操作。

在一些实施例中，构建每个数据贡献方对应的行为策略，包括：根据预先设定的行为策略以及数据仿真任务，为每个数据贡献方设置相应的行为策略，其中，行为策略包括是否如实申报数据及计算资源、以及是否按成本如实申报价格。

具体地，数据贡献方的行为策略是指数据贡献方在仿真过程中进行数据申报或者价格申报时所选择的策略。在实际应用中，数据贡献方的行为策略包括但不限于以下内容：是否如实申报数据和计算资源(如果不如实申报，则在真实数据上添加一个(0,rate*Number]的随机偏差)，是否按成本申报价格(如果不如实申报，则在价格上添加一个(0,rate*Price]的随机偏差)。

在一些实施例中，当执行数据调控任务时，建立数据贡献方与其他参与方之间的通信通道，包括：当判断执行数据仿真任务时，根据数据仿真平台中当前建立的数据贡献方，建立数据贡献方与其他仿真主体之间的通信通道，其中，仿真主体中包括基于联合学习架构所创建的中心节点，通信通道用于传输模型信息、分配资金信息以及仿真环境中的公开信息。

具体地，在为每个数据贡献方生成相应的配置信息并构建完成每个数据贡献方的行为策略之后，还需要构建数据贡献方与其他仿真主体之间的通信通道，并基于这些通信通道进行模型信息的传输、分配资金信息和仿真环境中的其他公开信息等。

进一步地，这里用于和数据贡献方建立通信通道的其他仿真主体，既可以是基于联合学习架构创建的中心节点，还可以是仿真任务中的其他贡献方对应的仿真主体。换言之，贡献方不仅可以和中心节点之间进行通信，还可以在贡献方之间进行通信。

在一些实施例中，根据配置信息以及行为策略，生成与每个数据贡献方对应的贡献方对象，包括：利用预先生成的数据贡献方的配置信息以及行为策略，对存储在数据仿真平台的内存中的数据结构进行参数配置，以便将数据结构中的初始配置信息以及初始行为策略对应的初始化参数调整为最新参数，将调整参数后的贡献方对应的数据结构作为数据贡献方对应的贡献方对象。

具体地，在建立数据贡献方与其他仿真主体之间的通信通道之后，在数据仿真平台对应的计算机程序的内存中，为每一个贡献方产生一个数据结构，并用以上生成的配置信息以及行为策略，对数据结构中的初始化参数进行调整，即利用上述生成的配置信息以及行为策略对应的参数，对数据结构中的原始参数进行修改，得到最终的贡献方对象。

在一些实施例中，基于贡献方对象执行数据调控任务，包括：将贡献方对象添加到数据仿真任务对应的仿真环境对象中，并通过指令控制贡献方对象启动对通信通道的监听，以便与贡献方对象对应的数据贡献方与其他仿真主体之间进行信息交换，并使数据贡献方按照仿真时间步以及接收到的外部信息，生成与仿真时间步对应的输出结果。

具体地，在创建完成贡献方对象之后，将该贡献方对象添加到预先创建的仿真环境(即仿真环境对象)中去，至此便完成了整个基于仿真平台的贡献方创建过程。在将贡献方对象添加到仿真环境中去之后，向各个贡献方发送指令，以控制各个贡献方启动对通信通道的监听，并与其他仿真主体之间进行信息交换。

进一步地，在仿真任务的执行过程中，按照预设的仿真任务对应的仿真时间步，在每个仿真时间步内，每个贡献方利用接收到的外部信息，对应产生一个输出。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图3是本公开实施例提供的基于联合学习建立数据贡献方的调控装置的结构示意图。如图3所示，该基于联合学习建立数据贡献方的调控装置包括：

确定模块301，被配置为根据已接收的参与方的数据，确定贡献方的数量区间范围，并根据贡献方的数量区间范围，构建多个数据贡献方；

生成模块302，被配置为基于参与方的数据，调取与数据相匹配的数据属性范围，利用数据属性范围，为每个数据贡献方生成相应的配置信息，并构建每个数据贡献方对应的行为策略；

调控模块303，被配置为当执行数据调控任务时，建立数据贡献方与其他参与方之间的通信通道，并根据配置信息以及行为策略，生成与每个数据贡献方对应的贡献方对象，基于贡献方对象执行数据调控任务。

在一些实施例中，数据调控任务包括数据仿真任务，图3的确定模块301在根据接收参与方的数据，确定贡献方的数量区间范围之前，确定预设的与联合学习相关的分配激励机制，根据分配激励机制，创建与分配激励机制相对应的数据仿真任务，并在数据仿真平台中生成与数据仿真任务相对应的仿真环境对象，其中，数据仿真任务用于对联合学习的分配激励机制进行仿真验证。

在一些实施例中，图3的生成模块302根据每个参与方的标识信息，从预先配置的数据属性范围库中调取与标识信息相匹配的数据属性范围，利用数据属性范围，为每个数据贡献方生成相应的配置信息；其中，配置信息包括以下信息：数据类型、数据量、数据质量、机器资源量、数据和计算资源成本、以及仿真时间步。

在一些实施例中，图3的生成模块302根据预先设定的行为策略以及数据仿真任务，为每个数据贡献方设置相应的行为策略，其中，行为策略包括是否如实申报数据及计算资源、以及是否按成本如实申报价格。

在一些实施例中，图3的调控模块303当判断执行数据仿真任务时，根据数据仿真平台中当前建立的数据贡献方，建立数据贡献方与其他仿真主体之间的通信通道，其中，仿真主体中包括基于联合学习架构所创建的中心节点，通信通道用于传输模型信息、分配资金信息以及仿真环境中的公开信息。

在一些实施例中，图3的调控模块303利用预先生成的数据贡献方的配置信息以及行为策略，对存储在数据仿真平台的内存中的数据结构进行参数配置，以便将数据结构中的初始配置信息以及初始行为策略对应的初始化参数调整为最新参数，将调整参数后的数据结构作为数据贡献方对应的贡献方对象。

在一些实施例中，图3的调控模块303将贡献方对象添加到数据仿真任务对应的仿真环境对象中，并通过指令控制贡献方对象启动对通信通道的监听，以便与贡献方对象对应的数据贡献方与其他仿真主体之间进行信息交换，并使数据贡献方按照仿真时间步以及接收到的外部信息，生成与仿真时间步对应的输出结果。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

图4是本公开实施例提供的电子设备4的结构示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可以在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。

示例性地，计算机程序403可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器402中，并由处理器401执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序403在电子设备4中的执行过程。

电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。

处理器401可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

在本公开所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以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存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，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公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于联合学习建立数据贡献方的调控方法，其特征在于，包括：

根据已接收的参与方的数据，确定贡献方的数量区间范围，并根据所述贡献方的数量区间范围，构建多个数据贡献方；

基于所述参与方的数据，调取与所述数据相匹配的数据属性范围，利用所述数据属性范围，为每个数据贡献方生成相应的配置信息，并构建每个所述数据贡献方对应的行为策略；

当执行数据调控任务时，建立所述数据贡献方与其他参与方之间的通信通道，并根据所述配置信息以及所述行为策略，生成与每个所述数据贡献方对应的贡献方对象，基于所述贡献方对象执行所述数据调控任务。

2.根据权利要求1所述的方法，其特征在于，所述数据调控任务包括数据仿真任务，在所述根据接收参与方的数据，确定贡献方的数量区间范围之前，所述方法还包括：

确定预设的与联合学习相关的分配激励机制，根据所述分配激励机制，创建与所述分配激励机制相对应的数据仿真任务，并在所述数据仿真平台中生成与所述数据仿真任务相对应的仿真环境对象，其中，所述数据仿真任务用于对所述联合学习的分配激励机制进行仿真验证。

3.根据权利要求2所述的方法，其特征在于，所述基于所述参与方的数据，调取与所述数据相匹配的数据属性范围，利用所述数据属性范围，为每个数据贡献方生成相应的配置信息，包括：

根据每个所述参与方的标识信息，从预先配置的数据属性范围库中调取与所述标识信息相匹配的数据属性范围，利用所述数据属性范围，为每个所述数据贡献方生成相应的配置信息；

其中，所述配置信息包括以下信息：数据类型、数据量、数据质量、机器资源量、数据和计算资源成本、以及仿真时间步。

4.根据权利要求2所述的方法，其特征在于，所述构建每个所述数据贡献方对应的行为策略，包括：

根据预先设定的行为策略以及所述数据仿真任务，为每个所述数据贡献方设置相应的行为策略，其中，所述行为策略包括是否如实申报数据及计算资源、以及是否按成本如实申报价格。

5.根据权利要求1所述的方法，其特征在于，所述当执行数据调控任务时，建立所述数据贡献方与其他参与方之间的通信通道，包括：

当判断执行数据仿真任务时，根据数据仿真平台中当前建立的所述数据贡献方，建立所述数据贡献方与其他仿真主体之间的通信通道，其中，所述仿真主体中包括基于联合学习架构所创建的中心节点，所述通信通道用于传输模型信息、分配资金信息以及仿真环境中的公开信息。

6.根据权利要求1所述的方法，其特征在于，所述根据所述配置信息以及所述行为策略，生成与每个所述数据贡献方对应的贡献方对象，包括：

利用预先生成的所述数据贡献方的配置信息以及行为策略，对存储在数据仿真平台的内存中的数据结构进行参数配置，以便将所述数据结构中的初始配置信息以及初始行为策略对应的初始化参数调整为最新参数，将调整参数后的数据结构作为所述数据贡献方对应的贡献方对象。

7.根据权利要求1所述的方法，其特征在于，所述基于所述贡献方对象执行所述数据调控任务，包括：

将所述贡献方对象添加到数据仿真任务对应的仿真环境对象中，并通过指令控制所述贡献方对象启动对所述通信通道的监听，以便与所述贡献方对象对应的数据贡献方与其他仿真主体之间进行信息交换，并使所述数据贡献方按照仿真时间步以及接收到的外部信息，生成与所述仿真时间步对应的输出结果。

8.一种基于联合学习建立数据贡献方的调控装置，其特征在于，包括：

确定模块，被配置为根据已接收的参与方的数据，确定贡献方的数量区间范围，并根据所述贡献方的数量区间范围，构建多个数据贡献方；

生成模块，被配置为基于所述参与方的数据，调取与所述数据相匹配的数据属性范围，利用所述数据属性范围，为每个数据贡献方生成相应的配置信息，并构建每个所述数据贡献方对应的行为策略；

调控模块，被配置为当执行数据调控任务时，建立所述数据贡献方与其他参与方之间的通信通道，并根据所述配置信息以及所述行为策略，生成与每个所述数据贡献方对应的贡献方对象，基于所述贡献方对象执行所述数据调控任务。

9.一种电子设备，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权利要求1至7中任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。