【技术实现步骤摘要】
一种基于深度学习的服务提供系统及方法
本专利技术属于边缘数据信息计算领域,尤其涉及一种基于深度学习的服务提供系统及方法。
技术介绍
基于神经网络的深度学习技术发展迅速,使得人工智能(AI)被广泛应用。深度学习模型广泛应用于各种服务提供系统,包括图像识别、语音识别和语言翻译。物联网(IoT)于1999年在供应链管理中被首次提出。近年来,物联网为医疗保健、环境和运输做出重大贡献。物联网设备通常会产生巨大数量的复杂数据,特别是多媒体数据。目前的神经网络,特别是具有多个隐藏层的神经网络,擅长处理和分析这些巨大的复杂数据。因此,在物联网应用中,深度学习可以用来处理许多复杂任务。现有的基于深度学习的物联网应用的方法大部分依赖于集中式云架构,在集中式云架构中将所有计算任务放置在云服务器。由于对数据传输速度要求比较高,集中式云架构有限的网络带宽不能有效地处理和分析这些物联网数据。特别是随着用户在线活动的增加,在线学习应用对实时性要求越来越高,集中式云服务器无法满足实时性的需求。随着物联网的发展和集中式云架构的缺陷,边缘计算已成为物联网应用的新型计算模式。边缘计算将计算任务从集中式云服务器卸载到靠近物联网设备的边缘服务器。因此,基于深度学习的物联网应用非常适合处理边缘计算环境中的复杂任务。深度学习模型部署在边缘服务器,直接处理计算任务从而增强服务质量。但是边缘服务器的功率、处理器速度、数据存储能力和通信资源有限。深度学习模型拥有数百万甚至数十亿的参数需要较大的存储空间,内存带宽和计算成本,因此深度学习模型很难部署到边缘服务器。深度学习模型通过裁剪低权重的网络连接后得到小规模 ...
【技术保护点】
1.一种基于深度学习的服务提供系统的生成隐私的压缩深度学习模型的方法,在云端服务器生成隐私压缩深度学习模型,将隐私压缩深度学习模型部署到边缘服务器,一方面保护训练数据的隐私,一方面为邻近物联网设备提供服务,其特征在于,所述基于深度学习的服务提供系统的生成隐私的压缩深度学习模型的方法,具体包括:进行隐私稠密训练,在训练过程中,结合差分隐私机制,生成具有(ε1,δ)‑差分隐私保护的全连接深度学习模型,保护训练数据的隐私;进行隐私压缩训练,通过剪切具有(ε1,δ)‑差分隐私保护的全连接深度学习模型的低权重的网络连接,只在最后一次剪切操作后,在再训练过程中结合差分隐私机制,形成小规模的具有(ε2,δ)‑差分隐私保护的压缩深度学习模型,保护训练数据的隐私。
【技术特征摘要】
1.一种基于深度学习的服务提供系统的生成隐私的压缩深度学习模型的方法,在云端服务器生成隐私压缩深度学习模型,将隐私压缩深度学习模型部署到边缘服务器,一方面保护训练数据的隐私,一方面为邻近物联网设备提供服务,其特征在于,所述基于深度学习的服务提供系统的生成隐私的压缩深度学习模型的方法,具体包括:进行隐私稠密训练,在训练过程中,结合差分隐私机制,生成具有(ε1,δ)-差分隐私保护的全连接深度学习模型,保护训练数据的隐私;进行隐私压缩训练,通过剪切具有(ε1,δ)-差分隐私保护的全连接深度学习模型的低权重的网络连接,只在最后一次剪切操作后,在再训练过程中结合差分隐私机制,形成小规模的具有(ε2,δ)-差分隐私保护的压缩深度学习模型,保护训练数据的隐私。2.如权利要求1所述的基于深度学习的服务提供系统的生成隐私的压缩深度学习模型的方法,其特征在于,所述基于深度学习的服务提供系统的生成隐私的压缩深度学习模型的方法进一步包括:初始化,建立两层卷积层和三层全连接层的卷积神经网络,初始化卷积神经网络的模型参数Θ0;定义输入训练数据集X={x1,x2,...,xN},第t轮迭代训练的损失函数L(Θt,X),Θt表示第t轮迭代训练的模型参数。定义梯度的约束范围G,训练样本xi的梯度值不大于G,训练样本xi经约束后的梯度取值定义为gt(xi)表示训练样本xi在第t轮迭代训练时的梯度。3.如权利要求1所述的基于深度学习的服务提供系统的生成隐私的压缩深度学习模型的方法,其特征在于,进行隐私稠密训练的方法具体包括:(a)根据公式计算其中c为常数,ld表示小批量训练样本的个数,Td表示最大迭代训练次数,δ是一个很小的常数,表示容忍差分隐私出错的概率,N表示训练样本的总数量,ε1表示保护全连接深度学习模型的差分隐私保护水平;(b)每次随机选取ld个训练样本,训练样本xi在第t轮的梯度为其中L(Θt,xi)表示损失函数,Θt表示第t轮迭代训练的模型参数;(c)计算第t轮训练样本xi的约束梯度为(d)利用高斯机制实现差分隐私保护,对添加合适的高斯噪声,得到扰动的ld个训练样本的平均梯度其中N(0,(σd)2G2I)表示均值为0,标准方差为σd·G的高斯分布,I表示相应的单位矩阵;(e)第t+1轮训练的模型参数更新为ηt表示学习率;(f)重复步骤(b)到(f)Td次,进行Td轮迭代训练,得到具有(ε1,δ)-差分隐私保护的全连接深度学习模型Θd。4.如权利要求1所述的基于深度学习的服...
【专利技术属性】
技术研发人员:裴庆祺,闫玉双,王磊,李红宁,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。