【技术实现步骤摘要】
基于联邦学习的移动边缘环境下安全QoS预测方法
本专利技术涉及一种QoS预测方法，尤其涉及移动边缘环境下安全QoS预测方法，属于信息
技术介绍
SOA(ServiceOrientedArchitecture)是一种应用程序体系结构，在其结构中，所有功能都被定义为独立的服务，Web服务是实现SOA的技术之一，因此行业专家们通过组合这些服务来为用户提供不断变化的需求。近年来随着Web服务的发展，其非功能属性QoS(QualityofService)受到了越来越多的关注，如今网络上出现大量功能相同或相似的Web服务，因此为用户选择满足需求的恰当Web服务显得尤为重要。另一方面，随着5G时代的到来，移动边缘计算得到了更广泛的应用，由于其位于网络边缘，距离用户或信息源非常邻近，因此可以大大减小响应请求的时延。在移动边缘环境下为用户提供服务响应成为当下的发展趋势，但同时也带来了移动边缘环境下安全性问题。现有的QoS安全研究工作主要聚焦于两方面：QoS隐私保护方法和QoS安全服务。在QoS隐私保护方面，最早有学者提出差分...
【技术保护点】
1.一种基于联邦学习的移动边缘环境下安全QoS预测方法，其特征在于，包括如下步骤：/n步骤1：收集边缘位置信息和QoS数据集；/n步骤2：以用户ID号为连接对QoS数据和边缘位置点进行融合；/n步骤3：融合后得到时-空边缘用户QoS数据集；/n步骤4：考虑边缘服务器和市辖区的地理位置分布，将原始的边缘网络区域划分为多个边缘区域，并进行公有数据集提取；/n步骤5：利用各边缘区域的公有数据集基于LSTM进行公有数据训练得到公有模型；/n步骤6：将用户所属区域中的公有LSTM权值参数作为私有LSTM的初始参数，并根据私有数据不断训练私有LSTM从而进行个性化预测。/n
【技术特征摘要】
1.一种基于联邦学习的移动边缘环境下安全QoS预测方法，其特征在于，包括如下步骤：
步骤1：收集边缘位置信息和QoS数据集；
步骤2：以用户ID号为连接对QoS数据和边缘位置点进行融合；
步骤3：融合后得到时-空边缘用户QoS数据集；
步骤4：考虑边缘服务器和市辖区的地理位置分布，将原始的边缘网络区域划分为多个边缘区域，并进行公有数据集提取；
步骤5：利用各边缘区域的公有数据集基于LSTM进行公有数据训练得到公有模型；
步骤6：将用户所属区域中的公有LSTM权值参数作为私有LSTM的初始参数，并根据私有数据不断训练私有LSTM从而进行个性化预测。
2.根据权利要求1所述的基于联邦学习的移动边缘环境下安全QoS预测方法，其特征在于，所述步骤1中收集数据主要包括两个方面：包含用户ID、服务ID、时间段ID和属性值的QoS数据集；包含经度纬度信息的基站数据集。
3.根据权利要求1所述的基于联邦学习的移动边缘环境下安全QoS预测方法，其特征在于，所述步骤2包括如下步骤：
步骤21：以用户ID、时间段ID、服务ID和属性值的顺序整理QoS数据集；
步骤22：根据步骤21中用户的总数量在基站数据集中随机选取相应数量的边缘位置点并进行ID编号；
步骤23：统计边缘位置点的经纬度信息，通过地图服务定位基站的位置点；
步骤24：QoS数据集中的用户总数量和边缘服务器的总数量是相等的，因此以用户ID为连接将两个数据集进行融合。
4.根据权利要求1所述的基于联邦学习的移动边缘环境下安全QoS预测方法，其特征在于，所述步骤3包括如下步骤：
步骤31：统计融合后数据集的总时间段数和形成的总边缘服务器个数；
步骤32：总时间段简称为“时”，总边缘服务器简称为“空”，融合后得到时-空边缘用户QoS数据集。
5.根据权利要求1所述的基于联邦学习的移动边缘环境下安全QoS预测方法，其特征在于，所述步骤4包括如下步骤：
步骤41：考虑边缘服务器和市辖区的地理位置分布，将整个边缘网络区域划分为k个边缘区域，每个边缘区域对应1-4个市辖区，其中k≥2，由边缘服务器的地理分布决定；
步骤42...
【专利技术属性】
技术研发人员：金惠颖，张鹏程，吉顺慧，李清秋，张雅玲，魏芯淼，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32
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。