【技术实现步骤摘要】
一种基于在线学习的边云协同支持向量机的模型优化方法
[0001]本专利技术属于边缘计算/机器学习领域,具体涉及一种基于在线学习的边云协同支持向量机的模型优化方法。
技术介绍
[0002]SVM(Support Vector Machines,支持向量机)是一种按监督学习的方式对数据进行二分类的线性分类器,其分类边界是对学习样本求解的最大间隔超平面。SVM克服了很多传统分类模型的过学习、局部极值点和维数灾难等缺点,已成为当前国内外机器学习领域备受关注的研究热点。
[0003]随着物联网的快速发展和4G/5G无线网络的普及,边缘网络服务的智能设备和传感器的数量及产生的数据量急剧增加。而可用于SVM分类的数据通常分布在各边缘端服务器上,要将所有数据统一汇聚到云端服务器以用于集中式SVM分类会消耗大量网络带宽,同时也存在诸如响应不及时、功耗高等问题。为了克服上述挑战,移动边缘计算(MEC)范例被提出,利用分布式边缘节点/服务器(如笔记本电脑、智能手机)的计算能力基于本地数据进行机器学习迭代,再将本地的模型参数上传至云端服务器进行全局模型更新。与传统的云计算范例相比,虽然其在带宽,延迟和保护隐私方面表现出巨大优势,但边缘端服务器通常只有有限的计算和存储资源,且它们与云的通信延迟也不同,因此仍然缺乏可以部署在异构且资源受限的边云系统中的算法。要同时解决边缘异质性和资源约束问题具有重要意义,但也具有难度:1)同步算法对于异构边缘资源是低效的,而对于异步算法,则很难在数学上精确建立SVM模型准确性与边缘资源消耗之间的关系;2 ...
【技术保护点】
【技术特征摘要】
1.一种基于在线学习的边云协同支持向量机的模型优化方法,其特征在于,包括以下步骤:步骤1,初始化学习参数:云端服务器初始化全局支持向量机SVM参数,作为决策边界的超平面的法向量和截距w(0),本地迭代所用数据批量大小b,各边缘服务器总资源约束R,针对每个边缘服务器的MAB臂的个数K,每个臂对应的迭代次数p(K);步骤2,下发全局模型参数和迭代次数:云端服务器发送当前时刻t的全局模型参数w(t)和迭代次数p(K)至所有边缘端服务器N
i
;步骤3,迭代更新本地模型参数:边缘端服务器在本地数据集中随机抽取一个数据量为b的batch,基于这个batch使用随机梯度下降的方法,分别对超平面的法向量和截距求梯度,按它们的梯度负方向来对超平面的法向量和截距执行更新,进行p(K)次迭代训练,得到新的本地超平面参数w
i
(t);步骤4,获取资源消耗量:记录边缘端服务器N
i
本地迭代训练所消耗的时间c
i,1
和边缘端服务器向云端服务器上传参数所消耗的时间c
i,2
,更新各边缘端服务器的总资源约束R;步骤5,更新全局参数:边缘端服务器N
i
将局部超平面参数w
i
(t)上传至云端服务器,云端服务器使用当前的全局超平面参数w(t)和w
i
(t)来更新全局模型参数;步骤6,更新臂对应的收益和支付成本:云端服务器为每一个边缘端服务器设置一个多臂老虎机,分别对每个边缘端服务器进行决策;根据全局超平面参数w(t)和云端服务器的测试数据得出全局模型的精度,作为MAB中当前臂p(K)的收益值,资源消耗量作为当前臂p(K)的支付成本值;步骤7,更新迭代次数:云端服务器根据在线算法选择新的臂,作为新的迭代次数;步骤8,发送新的初始值:云端服务器将w(t)和p(K)发送给当前边缘端服务器,作为进行本地SVM的初始值;步骤9,迭代更新:当前边缘端服务器接收到新的w(t)和p(K)后,独立并行重复步骤3-8,不断迭代;步骤10,停止学习:当云端服务器检测到所有边缘服务器的总资源都用完时结束学习,w(t)为最终SVM模型训练的结果,云端服务器将训练结果广播给各边缘端服务器,完成学习。2.根据权利要求1所述的一种基于在线学习的边云协同支持向量机的模型优化方法,其特征在于,步骤5中,具体包括:全局参数更新方式采用的是异步更新;云端服务器仅请求一个/一组边缘端服务器上传其本地模型参数w
i
(t)并使用当前的全局参数w(t)和w
i
(t)来更新全局模型参数,公式如下其中,3.根据权利要求1所述的一种基于在线学习的边云协同支持向量机的模型...
【专利技术属性】
技术研发人员:杨树森,赵鹏,韩青,张靖琪,赵聪,任雪斌,王路辉,王艺蒙,
申请(专利权)人:杭州卷积云科技有限公司,
类型:发明
国别省市:
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。