【技术实现步骤摘要】
高延时网络环境鲁棒的联邦学习训练方法及装置
本专利技术涉及人工智能的模型托管
，尤其涉及一种高延时网络环境鲁棒的联邦学习训练方法、装置、计算机设备及存储介质。
技术介绍
联邦机器学习是一种基于分布式参数聚合技术的机器学习框架，它的重点在于分布式的多用户，以及对应的联邦参数聚合机制。它能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。联邦学习作为分布式的机器学习范式,可以有效解决数据孤岛问题,让参与方在不共享数据的基础上联合建模,能从技术上打破数据孤岛,实现AI协作。目前主流的联邦学习技术都是基于传统的同步式参数聚合技术，同步式参数聚合技术目前只能用于低时延高带宽的本地集群中，才能保证足够的训练效率。但是，在联邦学习的应用场景中，训练数据通常是分散的跨越许多地理位置的(例如跨国银行数据节点)，而这些地理位置之间的物理距离很长，因此网络延迟通常比较严重，在这种情况下，传统的同步分布式训练是无法很好地工作的。实验结果证明，传统的同步式随机梯度下降方法在网络延迟在10...
【技术保护点】
1.一种高延时网络环境鲁棒的联邦学习训练方法，其特征在于，包括：/n获取当前系统时间，判断是否接收到各数据上传终端上传的加密数据；/n若未接收到若干个数据上传终端上传的加密数据，获取对应的目标数据上传终端，以组成目标数据上传终端集合；/n获取所述目标数据上传终端集合中各目标数据上传终端的当前网络时延值，以得到各当前网络时延值中的最大网络时延值；/n根据所述最大网络时延值及所调用本地存储的单位时序间隔步长，计算得到延时步长；/n将当前系统时间与所述延时步长求和得到目标系统时间，若当前时间为目标系统时间，判断是否接收到目标数据上传终端上传的目标加密数据；以及/n若未接收到目标数...
【技术特征摘要】 【专利技术属性】
1.一种高延时网络环境鲁棒的联邦学习训练方法，其特征在于，包括：
获取当前系统时间，判断是否接收到各数据上传终端上传的加密数据；
若未接收到若干个数据上传终端上传的加密数据，获取对应的目标数据上传终端，以组成目标数据上传终端集合；
获取所述目标数据上传终端集合中各目标数据上传终端的当前网络时延值，以得到各当前网络时延值中的最大网络时延值；
根据所述最大网络时延值及所调用本地存储的单位时序间隔步长，计算得到延时步长；
将当前系统时间与所述延时步长求和得到目标系统时间，若当前时间为目标系统时间，判断是否接收到目标数据上传终端上传的目标加密数据；以及
若未接收到目标数据上传终端上传的目标加密数据，停止本地的联邦学习训练，直至接收到所有目标数据上传终端上传的目标加密数据后，恢复本地的联邦学习训练。
2.根据权利要求1所述的高延时网络环境鲁棒的联邦学习训练方法，其特征在于，所述将当前系统时间与所述延时步长求和得到目标系统时间，若当前时间为目标系统时间，判断是否接收到目标数据上传终端上传的目标加密数据之后，还包括：
若接收到目标数据上传终端上传的目标加密数据，将所接收到的当前目标加密数据加入联邦学习模型的训练集，以进行本地的联邦学习训练。
3.根据权利要求1所述的高延时网络环境鲁棒的联邦学习训练方法，其特征在于，所述若未接收到目标数据上传终端上传的目标加密数据，停止本地的联邦学习训练，直至接收到所有目标数据上传终端上传的目标加密数据后，恢复本地的联邦学习训练之后，还包括：
获取本地的联邦学习模型的模型参数和本地的当前全局聚合梯度；
调用已存储的学习因子，获取目标加密数据的目标数据聚合梯度；
根据计算得到弥补后模型参数；其中ω'(n,t)表示弥补后模型参数，ω(n,t)表示本地的联邦学习模型的模型参数，λ表示学习因子，表示本地的当前全局聚合梯度，表示目标数据聚合梯度。
4.根据权利要求3所述的高延时网络环境鲁棒的联邦学习训练方法，其特征在于，还包括：
调用本地存储的公钥，将所述公钥和所述弥补后模型参数发送至各数据上传终端。
5.根据权利要求4所述的高延时网络环境鲁棒的联邦学习训练方法，其特征在于，还包括：
将所述弥补后模型参数上传至区块链网络。
技术研发人员：曾昱为，王健宗，瞿晓阳，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44
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。