CN117319233A - 联邦学习客户端网元确定方法、装置、设备及存储介质 - Google Patents
联邦学习客户端网元确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117319233A CN117319233A CN202311229362.3A CN202311229362A CN117319233A CN 117319233 A CN117319233 A CN 117319233A CN 202311229362 A CN202311229362 A CN 202311229362A CN 117319233 A CN117319233 A CN 117319233A
- Authority
- CN
- China
- Prior art keywords
- network element
- client
- federal learning
- determining
- server
- 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 83
- 238000012549 training Methods 0.000 claims description 33
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
Abstract
本公开提供了一种联邦学习客户端网元确定方法、装置、设备及存储介质,涉及网络技术与安全领域。通过确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度,在上述相似度大于预设阈值的情况下,确定备选客户端网元为目标客户端网元,使得确定的目标客户端网元的数据结构与服务端网元的数据结构相近,解决了联邦学习各参与方之间存在的数据异构问题,从而提升了联邦学习全局模型的性能。
Description
技术领域
本公开涉及网络技术与安全领域,尤其涉及一种联邦学习客户端网元确定方法、装置、设备及存储介质。
背景技术
当前社会中,人工智能技术在通信领域得到了深入研究以及广泛的应用。为了避免数据跨区域传输所造成的资源的浪费。相关技术中通常采用联邦学习技术来完成模型的训练。联邦学习通常包括成员选择、模型下发、模型本地训练以及模型上传等多个环节。在进行成员选择的过程中,通常是由中心网元基于客户端的名称或标注来选择联邦学习的成员,从而使得当前联邦学习对应的模型的性能较差。
发明内容
本公开提供一种联邦学习客户端网元确定方法、装置、设备及存储介质,至少在一定程度解决了联邦学习各参与方之间存在的数据异构问题,从而提升了联邦学习全局模型的性能。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种卫星通信方法,包括:
确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度;
在相似度大于预设阈值的情况下,确定备选客户端网元为目标客户端网元。
在本公开的一个实施例中,在确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度之前,方法还包括:
基于备选客户端网元对应的训练数据确定备选客户端网元对应的数据特征信息。
在本公开的一个实施例中,在确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度之前,方法还包括:
基于服务端网元对应的训练数据确定服务端网元对应的数据特征信息。
在本公开的一个实施例中,在确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度之前,方法还包括:
基于联邦学习任务、联邦学习发起的网元所在的区域、联邦学习时间段中的至少一个在多个客户端网元中确定备选客户端网元。
在本公开的一个实施例中,基于联邦学习任务、联邦学习发起的网元所在的区域、联邦学习时间段中的至少一个在多个客户端网元中确定备选客户端网元,包括:
基于联邦学习任务、联邦学习发起的网元所在的区域、联邦学习时间段中的至少一个生成网元发现请求;
将网元发现请求发送至注册发现网元,以使注册发现网元基于网元发现请求确定备选客户端网元;
接收注册发现网元发送的备选客户端网元对应的标识。
在本公开的一个实施例中,在服务端网元对应的训练数据发生变化的情况下,重新确定服务端网元对应的数据特征信息或在备选客户端网元对应的训练数据变化的情况下,重新确定客户端网元对应的数据特征信息。
在本公开的一个实施例中,在重新确定服务端网元对应的数据特征信息或重新确定备选客户端网元对应的数据特征信息之后,方法还包括:
基于重新确定的服务端网元或备选客户端网元分别对应的数据特征信息确定备选客户端网元与服务端网元之间的相似度;
基于备选客户端网元对应的相似度重新确定目标客户端网元。
在本公开的一个实施例中,备选客户端网元包括备选客户端AI网元,服务端网元包括中心聚合AI网元。
根据本公开的另一个方面,提供一种联邦学习网元确定装置,包括:
第一确定模块,用于确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度;
第二确定模块,在相似度大于预设阈值的情况下,确定备选客户端网元为目标客户端网元。
在本公开的一个实施例中,装置还包括:
第三确定模块,在确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度之前,用于基于备选客户端网元对应的训练数据确定备选客户端网元对应的数据特征信息。
在本公开的一个实施例中,装置还包括:
第四确定模块,在确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度之前,用于基于服务端网元对应的训练数据确定服务端网元对应的数据特征信息。
在本公开的一个实施例中,装置还包括:
第五确定模块,在确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度之前,用于基于联邦学习任务、联邦学习发起的网元所在的区域、联邦学习时间段中的至少一个在多个客户端网元中确定备选客户端网元。
在本公开的一个实施例中,第五确定模块,包括:
生成子模块,用于基于联邦学习任务、联邦学习发起的网元所在的区域、联邦学习时间段中的至少一个生成网元发现请求;
确定子模块,用于将网元发现请求发送至注册发现网元,以使注册发现网元基于网元发现请求确定备选客户端网元;
接收子模块,用于接收注册发现网元发送的备选客户端网元对应的标识。
在本公开的一个实施例中,装置还包括:
第六确定模块,用于在服务端网元对应的训练数据发生变化的情况下,重新确定服务端网元对应的数据特征信息或在备选客户端网元对应的训练数据变化的情况下,重新确定客户端网元对应的数据特征信息。
在本公开的一个实施例中,装置还包括:
第七确定模块,在重新确定服务端网元对应的数据特征信息或重新确定备选客户端网元对应的数据特征信息之后,基于重新确定的服务端网元或备选客户端网元分别对应的数据特征信息确定备选客户端网元与服务端网元之间的相似度;
第八确定模块,用于基于备选客户端网元对应的相似度重新确定目标客户端网元。
在本公开的一个实施例中,备选客户端网元包括备选客户端AI网元,服务端网元包括中心聚合AI网元。
根据本公开的再一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储处理器的可执行指令;其中,处理器配置为经由执行可执行指令来执行上述的联邦学习客户端网元确定方法。
根据本公开的又一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述的联邦学习客户端网元确定方法。
本公开的实施例所提供的联邦学习客户端网元确定方法,通过确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度,在上述相似度大于预设阈值的情况下,确定备选客户端网元为目标客户端网元,解决了联邦学习各参与方之间存在的数据异构问题,从而提升了联邦学习全局模型的性能。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。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他的附图。
图1示出本公开实施例中一种联邦学习客户端网元确定方法流程图;
图2示出本公开实施例中另一种联邦学习客户端网元确定方法流程图;
图3示出了本公开实施例中再一种联邦学习客户端网元确定方法流程图;
图4示出了本公开实施例中又一种联邦学习客户端网元确定方法流程图;
图5示出本公开实施例中一种联邦学习系统结构图;
图6示出本公开实施例中一种联邦学习客户端网元确定信令交互图;
图7示出本公开实施例中又一种联邦学习客户端网元确定方法流程图;
图8示出本公开实施例中又一种联邦学习客户端网元确定方法流程图;
图9示出本公开实施例中另一种联邦学习客户端网元确定装置结构图;和
图10示出本公开实施例中一种电子设备的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
在3GPP R18 FS_eNA_Ph3通讯协议中,联邦学习是重点研究内容之一。同时对于6G网络的研究,分布式网络AI是重点研究方向,联邦学习是分布式学习最具代表性的方式。当前第三代合作伙伴计划(3rd Generation Partnership Project,3GPP)对多个网络数据分析功能(Network Data Analytics Function,NWDAF)网元进行联邦学习场景的研究,NWDAF向网络注册功能(NF Register Function,NRF)网元注册自身的能力以及支持联邦学习的分析ID,中心聚合NWDAF网元根据此信息选择联邦学习成员,此方式仅考虑了NWDAF网元的相关能力。同时有部分方法提出通过出的服务区域、空闲时间等信息选择联邦学习成员,此方式未考虑参与方数据分布的差异性,若仅通过上述信息选择成员,可能会由于数据分布的异构造成模型性能严重下降,导致网络AI分析准确性差。
为了解决上述问题,本公开实施例提供了一种联邦学习客户端网元确定方法、装置、设备及存储介质。
为了便于理解,本公开实施例首先会对联邦学习客户端网元确定方法进行介绍。
图1示出了本公开实施例中一种联邦学习客户端网元确定方法流程示意图。
如图1所示,联邦学习客户端网元确定方法可以包括:
S110,确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度。
在一些实施例中,数据特征信息可以是任意一种描述网元上数据特征的信息,可以是但不限于数据特征描述符,例如,上述备选客户端的数据特征信息可以是备选客户端网元的数据特征描述符;上述服务端的数据特征信息可以是服务端网元的数据特征描述符。示例性的,数据特征描述符可以包括特征向量、数据矩阵以及特征向量维度等多种描述数据的形式,本公开实施例中对数据特征信息的具体表现形式不作具体限定。
在一些实施例中,可以基于Deep Sets算法或者注意力机制算法对备选客户端网元和服务端网元对应的数据进行计算,得到备选客户端网元和服务端网元分别对应的数据特征描述符,其中Deep Sets算法是一种深度学习算法,用于处理集合数据。
本公开实施例中的备选客户端网元是指待选为联邦学习中客户端网元的网元。在本公开实施例中,服务端网元是指联邦学习中作为中心节点的网元,客户端网元是指联邦学习中作为参与节点的网元。
在一个实施例中,本公开实施例中的备选客户端网元和服务端网元都可以是执行AI算法的AI网元。
在一些实施例中,在确定备选客户端网元以及服务端网元分别对应的数据特征信息之后,可以基于余弦公式或欧式距离等多种方式确定上述数据特征信息的相似度。确定数据特征信息的相似度的具体方法,本公开实施例中不作具体限定。
在一些实施例中,在确定备选客户端网元以及服务端网元对应的数据特征之前,需要获取备选客户端网元与服务端网元分别对应的数据特征信息。
示例性的,可以由注册发现网元按照预设周期获取备选客户端网元以及服务端网元对应的数据特征信息。其中,注册发现网元获取上述数据特征信息的方式可以包括通过预先发送指令的方式由备选客户端网元以及服务端网元分别基于无线或有线网络主动向注册发现网元发送上述数据特征信息。
在一些实施例中,数据特征信息可以由注册发现网元收集备选客户端网元以及服务端网元分别对应的数据后进行计算得到的,也可以由客户端网元以及服务端网元基于自身对应的数据计算得到数据特征信息后发送至注册发现网元的。
在一些实施例中,也可以由第三方设备对备选客户端网元以及服务端网元对应的数据特征信息进行获取,本公开实施例中不做具体限定。
S120,在相似度大于预设阈值的情况下,确定备选客户端网元为目标客户端网元。
在一些实施例中,目标客户端网元可以是在备选客户端网元中被选择为联邦学习中客户端网元的网元。
本公开的实施例所提供的联邦学习客户端网元确定方法,通过确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度,在上述相似度大于预设阈值的情况下,确定备选客户端网元为目标客户端网元,解决了联邦学习各参与方之间存在的数据异构问题,从而提升了联邦学习全局模型的性能。
图2示出了本公开实施例中另一种联邦学习客户端网元确定方法流程图。
如图2所示,联邦学习客户端网元确定方法可以包括:
S210,基于备选客户端网元对应的训练数据确定备选客户端网元对应的数据特征信息。
在一些实施中,备选客户端网元对应的数据特征信息可以包括基于备选客户端网元对应的训练数据所生成的信息,在备选客户端网元对应的数据特征信息为基于备选客户端网元对应的训练数据所生成的信息的情况下,服务端网元对应的数据特征信息也为对应的训练数据所生成的信息。
S220,确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度;
S230,在相似度大于预设阈值的情况下,确定备选客户端网元为目标客户端网元。
本公开的实施例所提供的联邦学习客户端网元确定方法,通过确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度,在上述相似度大于预设阈值的情况下,确定备选客户端网元为目标客户端网元,使得确定的目标客户端网元的数据结构与服务端网元的数据结构相近,从而增强了联邦学习对应的模型的性能。
图3示出了本公开实施例中一种联邦学习客户端网元确定方法流程图。
如图3所示,联邦学习客户端网元确定方法可以包括:
S310,基于服务端网元对应的训练数据确定服务端网元对应的数据特征信息。
在一些实施中,服务端网元对应的数据特征信息可以包括服务端网元对应的训练数据,在服务端网元对应的数据特征信息为训练数据的情况下,备选客户端对应的数据特征信息也为训练数据。
S320,确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度;
S330,在相似度大于预设阈值的情况下,确定备选客户端网元为目标客户端网元。
本公开的实施例所提供的联邦学习客户端网元确定方法,通过确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度,在上述相似度大于预设阈值的情况下,确定备选客户端网元为目标客户端网元,解决了联邦学习各参与方之间存在的数据异构问题,从而提升了联邦学习全局模型的性能。
图4示出了本公开实施例中又一种联邦学习客户端网元确定方法流程图。
如图4所示,联邦学习客户端网元确定方法可以包括:
S410,基于联邦学习任务、联邦学习发起的网元所在的区域、联邦学习时间段中的至少一个在多个客户端网元中确定备选客户端网元。
在一些实施例中,可以获取多个客户端网元,然后基于上述数据在多个客户端网元中确定备选客户端网元。
示例性的,基于联邦学习任务确定备选客户端网元可以包括:基于联邦学习任务的类型确定联邦学习任务所需要的数据类型,然后基于数据类型与客户端网元对应的数据类型确定备选客户端网元。
示例性的,基于联邦学习发起的网元所在的区域确定备选客户端网元可以包括:以联邦学习发起的网元所在的区域为中心,然后确定距离上述中心在预设范围内的客户端网元为备选客户端网元。
示例性的,基于联邦学习时间段确定备选客户端网元可以包括获取多个客户端网元在不同时间段内的资源利用率,确定在联邦学习时间段内资源利用率在预设阈值以上的客户端网元为备选客户端网元。
在一些实施例,可以将上述一个或多个筛选条件组合,对客户端网元进行筛选,得到备选客户端网元。
S420,确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度。
S430,在相似度大于预设阈值的情况下,确定备选客户端网元为目标客户端网元。
本公开的实施例所提供的联邦学习客户端网元确定方法,通过确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度,在上述相似度大于预设阈值的情况下,确定备选客户端网元为目标客户端网元,使得确定的目标客户端网元的数据结构与服务端网元的数据结构相近,从而增强了联邦学习对应的模型的性能。
图4示出了本公开实施例中一种联邦学习客户端网元确定方法流程图。
如图4所示,联邦学习客户端网元确定方法可以包括:
S410,基于联邦学习任务、联邦学习发起的网元所在的区域、联邦学习时间段中的至少一个生成网元发现请求。
S420,将网元发现请求发送至注册发现网元,以使注册发现网元基于网元发现请求确定备选客户端网元。
S430,接收注册发现网元发送的备选客户端网元对应的标识。
S440,确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度;
S450,在相似度大于预设阈值的情况下,确定备选客户端网元为目标客户端网元。
为了对上述实施例进行详细说明,图5示出了本公开实施例中一种联邦学习系统结构图。
如图5所示,联邦学习系统可以包括:服务端网元501、客户端网元502以及注册发现网元503;
服务端网元501,用于基于联邦学习任务、联邦学习发起的网元所在的区域、联邦学习时间段中的至少一个生成网元发现请求,并将上述网元发现请求发送至注册发现网元,接收备选客户端网元标识,并基于备选客户端网元标识确定客户端网元502。
注册发现网元503,用于基于网元发现请求确定备选客户端网元502,并将备选客户端网元标识发送至服务端网元。
本公开的实施例所提供的联邦学习系统,通过确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度,在上述相似度大于预设阈值的情况下,确定备选客户端网元为目标客户端网元,使得确定的目标客户端网元的数据结构与服务端网元的数据结构相近,从而增强了联邦学习对应的模型的性能。
为了对上述联邦学习系统进行详细说明,本公开实施例还提供了一种联邦学习客户端网元确定信令交互图。
如图6所示,联邦学习客户端网元确定方法可以包括:
S610,服务端网元向注册发现网元发送注册请求;
在一些实施例中,服务端网元在向注发现网元发送注册请求之前,可以向客户端网元发送注册请求,以使客户端网元将数据特征信息发送至注册发现网元。
在一些实施例中,服务端网元可以包括中心聚合AI网元,客户端网元可以包括客户端AI网元。
在一些实施例中,在服务端网元向注册发现网元发送注册请求之前,可以预先进行规则预配置,包括每个分析ID对应的数据特征描述符的相关参数,计算该分析ID数据特征描述符方法,判断两个数据特征描述符相似性的方法。
在一些实施例中,规则预配置可以包括对服务端网元、客户端网元以及注册发现网元分别进行规则与配置,除了当前标准相关内容外,新增对每个上述网元的数据特征描述符表达方式,每个上述网元数据特征描述符的相关参数,以及计算数据特征描述符的方法,判断两个数据特种描述符相似性的方法。
在一些实施例中,注册请求可以包括支持联邦学习的客户端网元,以及上述客户端网元对应的数据特征描述符。
在一些实施例中,数据特征描述符可以标识数据特征描述符对应网元的数据特征,为可选参数,客户端网元以及服务端网元可以定期向注册发现网元更新上述信息。例如为不同的上述网元设置不同的更新周期,从而更新上述网元的特征向量。
在一些实施例中,在进行联邦学习任务时,可以计算数据特征描述符,然后按照上述周期向注册发现网元更新。
S620,服务端网元生成数据特征信息。
在一些实施例中,在生成数据特征信息的过程中需要服务端网元的数据特征信息即数据特征描述符,相似性的阈值以及重新选择目标客户端网元的条件。
在一些实施例中,服务端网元进行联邦学习预配置,确定服务端网元的数据特征描述符,确定相似性阈值,重新选择联邦学习成员的条件。
示例性的,服务端网元收集部分数据计算得到本地数据特征描述符,确定相似性阈值可以包括确定承铉选择的相似性阈值,以余弦相似性确定相似性。重新选择联邦学习程序员的条件包括固定训练轮数后重新选择成员或成员个数少于某个值的时候重新选择成员。
S630,服务端网元向注册发现网元发送客户端网元发现请求。
在一些实施例中,注册发现网元可以通过列表的形式向服务端网元发送客户端网元的数据特征描述符,需要说明的是,服务端网元返回的客户端网元列表为联邦学习成员列表。
在一些实施例中,网元发现请求可以包括客户端网元ID,目标区域,联邦学习开始时间以及结束时间。
S640,注册发现网元向服务端网元发送客户端网元发现请求响应消息。
在一些实施例中,客户端网元发现请求响应消息包括客户端网元数据特征信息即数据特征描述符。
在一些实施例中,请求响应消息是对网元请求消息的响应消息,请求响应消息还可以包括客户端网元ID对应的数据特征描述符,注册发现网元返回的客户端网元列表为候选的联邦学习成员列表。
S650,服务端网元进行成员选择。
在一些实施例中,可以由服务端网元基于客户端网元的数据特征信息以及服务端网元的数据特征信息确定数据特征信息之间的相似度,从而确定目标客户端网元。其中,目标客户端网元可以参与联邦学习。
S660,进行联邦学习。
S670,服务端网元向注册发现网元发送客户端网元发现请求。
在一些实施例中,在S670之前,服务端网元对应的数据特征信息或客户端网元对应的数据特征信息发生改变。或者在达到其他重新选择成员的条件后可以进行S670。
S680,注册发现网元向服务端网元发送客户端网元发现请求响应消息。
在一些实施例中,S660与S670在实现方式上可以与S630以及S640相同。
S690,成员修改。
在一些实施例中,客户端网元修改联邦学习成员列表可以通过修改基站数据特征秒输入以及相似性阈值来修改成员。
S6100,继续联邦学习。
在一些实施例中,联邦学习可以持续到学习结束或达到重新选择成员的条件。
图7示出了本公开实施例中又一种联邦学习客户端网元确定方法流程图。
如图7所示,联邦学习客户端网元确定方法可以包括:
S710,确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度;
S720,在相似度大于预设阈值的情况下,确定备选客户端网元为目标客户端网元。
S730,在服务端网元对应的训练数据发生变化的情况下,重新确定服务端网元对应的数据特征信息或在备选客户端网元对应的训练数据变化的情况下,重新确定客户端网元对应的数据特征信息。
在一些实施例中,由于服务端网元或客户端网元对应的训练数据变化,所以服务端网元或客户端网元对应的数据特征信息也可能发生变化。因此需要重新确定数据特征信息。
本公开的实施例所提供的联邦学习客户端网元确定方法,通过确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度,在上述相似度大于预设阈值的情况下,确定备选客户端网元为目标客户端网元,使得确定的目标客户端网元的数据结构与服务端网元的数据结构相近,从而增强了联邦学习对应的模型的性能。
图8示出了本公开实施例中一种联邦学习客户端网元确定方法流程图。
如图8所示,联邦学习客户端网元确定方法可以包括:
S810,确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度;
S820,在相似度大于预设阈值的情况下,确定备选客户端网元为目标客户端网元。
S830,在服务端网元对应的训练数据发生变化的情况下,重新确定服务端网元对应的数据特征信息或在备选客户端网元对应的训练数据变化的情况下,重新确定客户端网元对应的数据特征信息。
S840,基于重新确定的服务端网元或备选客户端网元分别对应的数据特征信息确定备选客户端网元与服务端网元之间的相似度。
在一些实施例中,联邦学习次数达到预设阈值或参与联邦学习的客户端网元的数量低于预设阈值的情况下,也可以重新确定客户端网元。
S850,基于备选客户端网元对应的相似度重新确定目标客户端网元。
本公开的实施例所提供的联邦学习客户端网元确定方法,通过确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度,在上述相似度大于预设阈值的情况下,确定备选客户端网元为目标客户端网元,使得确定的目标客户端网元的数据结构与服务端网元的数据结构相近,从而增强了联邦学习对应的模型的性能。
在一些示例中,在5G网络中存在多个NWDAF网元,多个NWDAF网元进行联邦学习。在这种情况下,服务端网元可以为进行联邦学习的中心聚合NWDAF网元,服务端网元可以基于上述实施例中的方法对作为客户端的NWDAF网元筛选,以确定联邦学习成员。
在一些示例中,上述实施例中的联邦学习客户端网元确定方法还可以应用于6G网络,在6G分布式架构的网络中,核心网AI网元可以基于上述实施例中的方法通过联邦学习完成模型训练,中心AI网元可以通过上述方法选择边缘AI网元。通过上述实施例中的方法能够保护数据的隐私性。
基于同一发明构思,本公开实施例中还提供了一种联邦学习客户端网元确定装置,如下面的实施例。由于该装置实施例解决问题的原理与上述方法实施例相似,因此该装置实施例的实施可以参见上述方法实施例的实施,重复之处不再赘述。
图9示出了本公开实施例中一种联邦学习客户端网元确定装置结构图。
如图9所示,联邦学习客户端网元确定装置900可以包括:
第一确定模块910,用于确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度;
第二确定模块920,在相似度大于预设阈值的情况下,确定备选客户端网元为目标客户端网元。
在本公开的一个实施例中,装置还包括:
第三确定模块,在确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度之前,用于基于备选客户端网元对应的训练数据确定备选客户端网元对应的数据特征信息。
在本公开的一个实施例中,装置还包括:
第四确定模块,在确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度之前,用于基于服务端网元对应的训练数据确定服务端网元对应的数据特征信息。
在本公开的一个实施例中,装置还包括:
第五确定模块,在确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度之前,用于基于联邦学习任务、联邦学习发起的网元所在的区域、联邦学习时间段中的至少一个在多个客户端网元中确定备选客户端网元。
在本公开的一个实施例中,第五确定模块,包括:
生成子模块,用于基于联邦学习任务、联邦学习发起的网元所在的区域、联邦学习时间段中的至少一个生成网元发现请求;
确定子模块,用于将网元发现请求发送至注册发现网元,以使注册发现网元基于网元发现请求确定备选客户端网元;
接收子模块,用于接收注册发现网元发送的备选客户端网元对应的标识。
在本公开的一个实施例中,装置还包括:
第六确定模块,用于在服务端网元对应的训练数据发生变化的情况下,重新确定服务端网元对应的数据特征信息或在备选客户端网元对应的训练数据变化的情况下,重新确定客户端网元对应的数据特征信息。
在本公开的一个实施例中,装置还包括:
第七确定模块,在重新确定服务端网元对应的数据特征信息或重新确定备选客户端网元对应的数据特征信息之后,基于重新确定的服务端网元或备选客户端网元分别对应的数据特征信息确定备选客户端网元与服务端网元之间的相似度;
第八确定模块,用于基于备选客户端网元对应的相似度重新确定目标客户端网元。
在本公开的一个实施例中,备选客户端网元包括备选客户端AI网元,服务端网元包括中心聚合AI网元。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图10来描述根据本公开的这种实施方式的电子设备1000。图10显示的电子设备1000仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于:上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同系统组件(包括存储单元1020和处理单元1010)的总线1030。
其中,存储单元存储有程序代码,程序代码可以被处理单元1010执行,使得处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,处理单元1010可以执行上述方法实施例的如下步骤:
确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度;
在相似度大于预设阈值的情况下,确定备选客户端网元为目标客户端网元。
存储单元1020可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)10201和/或高速缓存存储单元10202,还可以进一步包括只读存储单元(ROM)10203。
存储单元1020还可以包括具有一组(至少一个)程序模块10205的程序/实用工具10204,这样的程序模块10205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1030可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1000也可以与一个或多个外部设备1040(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1000交互的设备通信,和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1050进行。并且,电子设备1000还可以通过网络适配器1060与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1000使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RD系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质可以是可读信号介质或者可读存储介质。其上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
本公开中的计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本公开中,计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可选地,计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
在具体实施时,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (11)
1.一种联邦学习客户端网元确定方法,其特征在于,包括:
确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度;
在所述相似度大于预设阈值的情况下,确定所述备选客户端网元为目标客户端网元。
2.根据权利要求1所述的联邦学习客户端网元确定方法,其特征在于,在所述确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度之前,所述方法还包括:
基于所述备选客户端网元对应的训练数据确定所述备选客户端网元对应的数据特征信息。
3.根据权利要求1所述的联邦学习客户端网元确定方法,其特征在于,在所述确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度之前,所述方法还包括:
基于所述服务端网元对应的训练数据确定所述服务端网元对应的数据特征信息。
4.根据权利要求1所述的联邦学习客户端网元确定方法,其特征在于,在所述确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度之前,所述方法还包括:
基于联邦学习任务、联邦学习发起的网元所在的区域、联邦学习时间段中的至少一个在多个客户端网元中确定备选客户端网元。
5.根据权利要求4所述的联邦学习客户端网元确定方法,其特征在于,所述基于联邦学习任务、联邦学习发起的网元所在的区域、联邦学习时间段中的至少一个在多个客户端网元中确定备选客户端网元,包括:
基于所述联邦学习任务、联邦学习发起的网元所在的区域、联邦学习时间段中的至少一个生成网元发现请求;
将所述网元发现请求发送至注册发现网元,以使所述注册发现网元基于所述网元发现请求确定所述备选客户端网元;
接收所述注册发现网元发送的所述备选客户端网元对应的标识。
6.根据权利要求1所述的联邦学习客户端网元确定方法,其特征在于,所述方法还包括:
在所述服务端网元对应的训练数据发生变化的情况下,重新确定所述服务端网元对应的数据特征信息或在所述备选客户端网元对应的训练数据变化的情况下,重新确定所述客户端网元对应的数据特征信息。
7.根据权利要求6所述的联邦学习客户端网元确定方法,其特征在于,在所述重新确定所述服务端网元对应的数据特征信息或所述重新确定所述备选客户端网元对应的数据特征信息之后,所述方法还包括:
基于重新确定的所述服务端网元或所述备选客户端网元分别对应的数据特征信息确定所述备选客户端网元与服务端网元之间的相似度;
基于所述备选客户端网元对应的相似度重新确定目标客户端网元。
8.根据权利要求1-7中任一项所述的联邦学习客户端网元确定方法,其特征在于,所述备选客户端网元包括备选客户端AI网元,所述服务端网元包括中心聚合AI网元。
9.一种联邦学习网元确定装置,其特征在于,包括:
第一确定模块,用于确定备选客户端网元对应的数据特征信息与服务端网元对应的数据特征信息之间的相似度;
第二确定模块,在所述相似度大于预设阈值的情况下,确定所述备选客户端网元为目标客户端网元。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1~8中任意一项所述联邦学习客户端网元确定方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~8中任意一项所述联邦学习客户端网元确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311229362.3A CN117319233A (zh) | 2023-09-21 | 2023-09-21 | 联邦学习客户端网元确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311229362.3A CN117319233A (zh) | 2023-09-21 | 2023-09-21 | 联邦学习客户端网元确定方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117319233A true CN117319233A (zh) | 2023-12-29 |
Family
ID=89272991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311229362.3A Pending CN117319233A (zh) | 2023-09-21 | 2023-09-21 | 联邦学习客户端网元确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117319233A (zh) |
-
2023
- 2023-09-21 CN CN202311229362.3A patent/CN117319233A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114375069B (zh) | 一种通信方法和网络设备 | |
CN110839084B (zh) | 会话管理方法、装置、设备和介质 | |
CN111491013A (zh) | 服务器调度方法、装置、系统、存储介质及计算机设备 | |
KR102565857B1 (ko) | 서비스 요청 처리 방법 및 관련 디바이스 | |
CN110601978A (zh) | 流量分发控制方法和装置 | |
CN114513552B (zh) | 数据处理方法、装置、设备及存储介质 | |
KR100973321B1 (ko) | 정보 처리 장치, 및 정보 처리 방법, 및 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체 | |
CN112152879B (zh) | 网络质量确定方法、装置、电子设备和可读存储介质 | |
CN117319233A (zh) | 联邦学习客户端网元确定方法、装置、设备及存储介质 | |
US20190238644A1 (en) | User identification for digital experience controls | |
CN115412993A (zh) | 中继发现方法、系统、设备及存储介质 | |
CN109951316B (zh) | 应用程序的管理方法、装置、计算机可读介质及电子设备 | |
CN113724735A (zh) | 语音流处理方法及装置、计算机可读存储介质、电子设备 | |
CN111367592B (zh) | 信息处理方法和装置 | |
CN116545777B (zh) | 用户类别切换方法、装置、存储介质与电子设备 | |
CN113364672B (zh) | 媒体网关信息确定方法、装置、设备和计算机可读介质 | |
CN114584802B (zh) | 多媒体处理方法、装置、介质以及电子设备 | |
WO2023093555A1 (zh) | 服务接入点的确定、信息发送方法,通信节点及存储介质 | |
CN116887443A (zh) | 个人物联网通信方法、装置、设备及存储介质 | |
CN117221616A (zh) | 网络授课服务处理方法、装置、电子设备及存储介质 | |
CN115842856A (zh) | 选择网络功能实例的方法、装置、电子设备和可读介质 | |
CN116882489A (zh) | 联邦训练方法、数据分析方法及装置、介质以及电子设备 | |
CN117499975A (zh) | 应用检测方法和装置、计算机可读存储介质、电子设备 | |
CN117544944A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN116074926A (zh) | 邻近服务wlan中继接入方法、装置、电子设备及存储介质 |
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 |