基于联邦学习的QoS预测方法及系统、客户端和服务端技术方案

本发明专利技术公开了一种基于联邦学习的QoS预测方法及系统、客户端和服务端，方法包括：下载服务端上的全局公共部分；对客户端上保存的QoS数据进行张量分解，并更新本地公共部分和本地私有部分；将更新的本地公共部分上传到服务端，将本地私有部分保存在各自客户端；根据上传的本地公共部分，聚合得到新的全局公共部分；其中，本地私有部分由用户潜在因子构成，本地公共部分由服务潜在因子构成。本申请实施例提出了联邦学习与张量分解结合的创新框架，在确保用户隐私的前提下解决了分布式的QoS预测问题。

【技术实现步骤摘要】
基于联邦学习的QoS预测方法及系统、客户端和服务端
本专利技术属于Web服务QoS预测
，尤其涉及一种基于联邦学习的QoS预测方法及系统、客户端和服务端。
技术介绍
随着功能相似的可选web服务数量增长，如何根据QoS(QualityofService，服务质量)为用户推荐最适合的web服务成为了一个重要的研究课题。传统的QoS预测模型通常需要将历史QoS数据集中后用于模型训练。而实际情况中，QoS数据可能分布式存储在不同平台，例如有两个不同的用户在两个平台调用同一个Web服务，那么这两个平台就会记录了对于共同Web服务的QoS数据。如果将这些分散的数据集中在一起，共同Web服务用户集合将被扩大，这将有助于解决数据稀疏的问题，进而帮助平台完成更精准的QoS预测。然而出于数据隐私问题的考虑，平台之间通常不敢轻易交换数据。因此，如何解决分布式QoS数据在模型训练过程中的隐私安全问题，成为本领域技术人员所要研究的课题。
技术实现思路
本专利技术的目的在于提供一种基于联邦学习的QoS预测方法及系统、客户端和服务端，以解本文档来自技高网...

【技术保护点】
1.基于联邦学习的QoS预测方法，其特征在于，包括以下步骤：/n下载服务端上的全局公共部分；/n对客户端上保存的QoS数据进行张量分解，并更新本地公共部分和本地私有部分；/n将更新的本地公共部分上传到服务端，将本地私有部分保存在各自客户端；/n服务端根据上传的本地公共部分，聚合得到新的全局公共部分；/n其中，本地私有部分由用户潜在因子构成，本地公共部分由服务潜在因子构成。/n

【技术特征摘要】
1.基于联邦学习的QoS预测方法，其特征在于，包括以下步骤：
下载服务端上的全局公共部分；
对客户端上保存的QoS数据进行张量分解，并更新本地公共部分和本地私有部分；
将更新的本地公共部分上传到服务端，将本地私有部分保存在各自客户端；
服务端根据上传的本地公共部分，聚合得到新的全局公共部分；
其中，本地私有部分由用户潜在因子构成，本地公共部分由服务潜在因子构成。


2.根据权利要求1所述的基于联邦学习的QoS预测方法，其特征在于，所述对客户端上保存的QoS数据进行张量分解，并更新本地公共部分和本地私有部分，具体包括：
引入L2范数正则，以平衡重构损失和平衡本地公共部分和全局公共部分之间的差值比例。


3.根据权利要求2所述的基于联邦学习的QoS预测方法，其特征在于，还包括：
采用交替方向乘子法或弹性平均随机梯度下降法或FedProx法，以优化各客户端和服务端之间的通信效率。


4.根据权利要求1所述的基于联邦学习的QoS预测方法，其特征在于，所述根据上传的本地公共部分，聚合得到新的全局公共部分，包括：
每当服务端收集到预设数量的本地公共部分的服务潜在因子时，触发一次聚合，以得到一个新的全局公共部分。


5.基于联邦学习的QoS预测客户端，其特征在于，包括：
下载模块，用于下载服务端上的全局公共部分；
联邦张量分解模块，用于对本地保存的QoS数据进行张量分解，并更新本地公共部分和本地私有部分；
上传保存模块，用于将更新的本地公共部分上传到服务端，以使服务端聚合得到新的全局公共部分...

【专利技术属性】
技术研发人员：李世璇，陈川，周育人，李晓丽，郑子彬，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东;44