一种适用于边缘物联代理装置的边缘数据加密方法制造方法及图纸

本发明专利技术公开了一种适用于边缘物联代理装置的边缘数据加密方法，包括以下步骤：通过下连通信接口，为每一个边缘物联代理装置初始化系统相关的全局参数；每个边缘物联代理装置通过对训练集的随机抽样，利用得到的数据样本对机器学习模型的损耗函数计算梯度；先进行容错处理，然后对每个边缘物联代理装置的本地参数与上一阶段的梯度做差后进行加噪处理；每个边缘物联代理装置将上一阶段经过加噪处理后的参数传输给邻居设备；边缘物联代理装置根据邻居节点传来的数据对本地参数进行更新迭代，并存储新的参数。本发明专利技术所公开的方法利用差分隐私技术来实现对本地数据隐私的保护，并且在一定程度上减少了由于数据加噪而对机器学习效率和收敛性的影响。

【技术实现步骤摘要】
一种适用于边缘物联代理装置的边缘数据加密方法
本专利技术属于分布式网络
，特别涉及一种适用于边缘物联代理装置的边缘数据加密方法。
技术介绍
边缘计算(MobileEdgeComputing)是一种可以为边缘移动设备提供云计算功能的崭新计算技术。通过将计算任务从中央服务器移动到本地边缘设备，计算效率将大大提高，同时也可以为移动设备的用户提供响应更快的服务。随着5G和6G技术的到来，低时延、高带宽、高可靠、海量连接等特点的应用场景逐渐常见起来，边缘计算也越来越凸显着巨大的优势并逐渐流行。在车载网和智能监控等许多边缘计算的应用领域，机器学习发挥着越来越重要的作用。另外，去中心化是边缘计算的一个重要特征。因此，去中心化的机器学习技术对边缘计算的应用有着重要的意义。在去中心化分布式学习的计算模式中，总的学习任务将被分配到若干个工作节点上平行处理来加速学习过程，提高边缘计算工作效率。由于没有中央服务器，去中心化的机器学习将对通信瓶颈和节点故障等问题有着更高的鲁棒性。边缘物联代理装置是实现智能边缘计算的物理设备之一。随着电力物联网建设的不断推进和大数据时代下物联网终端数据接入量的快速增长，如何实现对终端数据的高效解析和快速处理成了亟待解决的问题。针对这个问题出现了基于泛在物联和边缘计算的边缘物联代理装置。装置增加数据协议转换和边缘计算能力，拥有数据采集、边缘计算和AI功能等几大模块。装置支持从实际应用场景出发，自定义开发部署应用，目前已完成作业现场诊断应用、新能源入网电量计算应用、数据中心基础设施和设备风险预警应用开发和部署，有力支撑泛在电力物联网建设以及电网与其他行业的价值共创。尽管利用边缘物联代理装置进行边缘计算有许多优势，但是其作为一种较新的技术，仍然存在许多隐私安全问题。例如，边缘物联设备作为一种物联网设备容易被黑客攻击或者因为来自应用程序的后端查询而导致数据泄露。另外，由于移动设备的安全防护不够强大，许多设备都不得不暴露在各种恶意病毒中。另外，在进行机器学习任务时如何有效地在不同物联设备之间进行数据通信仍是一个值得研究改进的方向。差分隐私是一种密码学技术，可以有效对数据库中的每一条信息的安全做出保证。差分隐私技术通过适当地调整对数据库统计性查询结果，来尽可能保证在任何情况下，数据库中任何一条数据的都不容易被泄露。一般来说，可以通过对查询结果加噪声的方法来模糊查询结果以达到加密的效果。在边缘计算的学习任务中，通过引入差分隐私技术来进行本地数据库的保护仍然是一种新的尝试。另外，如何减少加入隐私保护之后对分布式机器学习任务的效率和收敛性的影响也是值得探讨的问题。
技术实现思路
为解决上述技术问题，本专利技术提供了一种适用于边缘物联代理装置的边缘数据加密方法，利用差分隐私技术来实现对本地数据隐私的保护，并且在一定程度上减少了由于数据加噪而对机器学习效率和收敛性的影响。为达到上述目的，本专利技术的技术方案如下：一种适用于边缘物联代理装置的边缘数据加密方法，包括以下步骤：(1)初始化阶段：通过下连通信接口，为每一个边缘物联代理装置初始化系统相关的全局参数；(2)梯度计算阶段：采用随机梯度下降的思想，每个边缘物联代理装置通过对训练集的随机抽样，利用AI功能模块利用得到的数据样本对机器学习模型的损耗函数计算梯度，用于下一阶段的梯度下降；(3)加噪处理阶段：先进行容错处理，然后对每个边缘物联代理装置的本地参数与上一阶段的梯度做差后进行加噪处理；(4)参数传播阶段：每个边缘物联代理装置将上一阶段经过加噪处理后的参数传输给邻居设备；(5)参数更新阶段：边缘物联代理装置根据邻居节点传来的数据对本地参数进行更新迭代，并存储新的参数。上述方案中，步骤(1)中全局参数包括：迭代次数和机器学习模型参数的初始值x0，学习率γ和融合率η，具有双随机性质的权重矩阵W，以及添加噪声的方差。上述方案中，步骤(2)具体方法如下：(2.1)在第t轮迭代时，从本地数据库中以随机抽样的方法均匀地抽取出一条数据样本并存入内存中，i表示第i个边缘物联代理装置；(2.2)利用边缘物联代理装置的AI加速芯片及其部署的通用的AISDK，根据机器学习模型里损耗函数的形式，通过取得的数据样本对模型损耗函数求出对应的梯度(2.3)对求得的梯度进行梯度裁剪处理得到新的梯度并应用到后面的处理中，具体处理方法为：其中C表示裁剪后梯度二范数的最大值。上述方案中，步骤(3)具体方法如下：(3.1)首先将边缘物联代理装置的本地参数减去上一次所加的噪声，得到修正后的本地参数并保存；(3.2)从给定的N维高斯分布中的各个维度随机抽取一个向量，且保证向量中的每个随机变量相互独立，得到噪声向量(3.3)使用步骤(2)中得到的裁剪后的参数，在边缘物联代理装置本地对进行容错修正后的本地参数进行一次梯度下降处理：其中表示算法中的中间变量，γ是学习率；(3.4)对上一步骤中得到的参数进行加噪：其中指边缘物联代理装置i在第t轮迭代时待传出去的参数。上述方案中，步骤(4)具体方法如下：(4.1)每一个边缘物联代理装置将上一步进行过加噪处理后的本地参数以组播的方式传播到其他边缘物联代理装置组成的网络中，并通过上行线路定向传给自己的邻居节点；(4.2)每个边缘物联代理装置通过数据采集模块利用无线通信协议接收并校验收到的信息，并将来自其他工作节点的信息收入内存中。上述方案中，步骤(5)具体方法如下：(5.1)使用权重矩阵来对收到的参数进行加权平均，再对加权平均的结果乘以融合率μ来获得最终外部参数对本地数据更新的影响，即得到了其中为边缘物联代理装置i的中间变量，表示外部参数对本地数据更新的影响，Wij表示权重矩阵第i行和第j列的数据，当两个边缘物联代理装置i与j之间不能直接通信时，则存在Wij＝Wji＝0，表示边缘物联代理装置j传来的参数；(5.2)每个边缘物联代理装置进行一次本地梯度下降，并将结果加上上一轮中计算得到的其他参数的修正来进行结果的融合，即得到其中γ为学习率，表示第t+1轮迭代时边缘物联代理装置i的参数，表示第t轮迭代时边缘物联代理装置i的参数。通过上述技术方案，本专利技术提供的一种适用于边缘物联代理装置的边缘数据加密方法具有以下效果：(1)本专利技术考虑了带隐私保护的去中心化机器学习算法，实现了利用边缘计算设备进行机器学习任务，同时通过对数据加噪来保证学习过程中每一次数据交换的过程中，每一个工作节点的本地数据的隐私都得到了保护。(2)本专利技术通过引入了容错机制，通过将本地参数减去上一轮所加的噪声来尽量抵消噪声所带来的随机扰动对学习任务的效率和收敛性的影响。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。图1为本专利技术实施例所公开的一种适用于边缘物联代理装置的边缘数据加密方法整体示意图。本文档来自技高网...

【技术保护点】
1.一种适用于边缘物联代理装置的边缘数据加密方法，其特征在于，包括以下步骤：/n(1)初始化阶段：通过下连通信接口，为每一个边缘物联代理装置初始化系统相关的全局参数；/n(2)梯度计算阶段：采用随机梯度下降的思想，每个边缘物联代理装置通过对训练集的随机抽样，利用AI功能模块利用得到的数据样本对机器学习模型的损耗函数计算梯度，用于下一阶段的梯度下降；/n(3)加噪处理阶段：先进行容错处理，然后对每个边缘物联代理装置的本地参数与上一阶段的梯度做差后进行加噪处理；/n(4)参数传播阶段：每个边缘物联代理装置将上一阶段经过加噪处理后的参数传输给邻居设备；/n(5)参数更新阶段：边缘物联代理装置根据邻居节点传来的数据对本地参数进行更新迭代，并存储新的参数。/n

【技术特征摘要】
1.一种适用于边缘物联代理装置的边缘数据加密方法，其特征在于，包括以下步骤：
(1)初始化阶段：通过下连通信接口，为每一个边缘物联代理装置初始化系统相关的全局参数；
(2)梯度计算阶段：采用随机梯度下降的思想，每个边缘物联代理装置通过对训练集的随机抽样，利用AI功能模块利用得到的数据样本对机器学习模型的损耗函数计算梯度，用于下一阶段的梯度下降；
(3)加噪处理阶段：先进行容错处理，然后对每个边缘物联代理装置的本地参数与上一阶段的梯度做差后进行加噪处理；
(4)参数传播阶段：每个边缘物联代理装置将上一阶段经过加噪处理后的参数传输给邻居设备；
(5)参数更新阶段：边缘物联代理装置根据邻居节点传来的数据对本地参数进行更新迭代，并存储新的参数。


2.根据权利要求1所述的一种适用于边缘物联代理装置的边缘数据加密方法，其特征在于，步骤(1)中全局参数包括：迭代次数和机器学习模型参数的初始值x0，学习率γ和融合率η，具有双随机性质的权重矩阵W，以及添加噪声的方差。


3.根据权利要求1所述的一种适用于边缘物联代理装置的边缘数据加密方法，其特征在于，步骤(2)具体方法如下：
(2.1)在第t轮迭代时，从本地数据库中以随机抽样的方法均匀地抽取出一条数据样本并存入内存中，i表示第i个边缘物联代理装置；
(2.2)利用边缘物联代理装置的AI加速芯片及其部署的通用的AISDK，根据机器学习模型里损耗函数的形式，通过取得的数据样本对模型损耗函数求出对应的梯度
(2.3)对求得的梯度进行梯度裁剪处理得到新的梯度并应用到后面的处理中，具体处理方法为：其中C表示裁剪后梯度二范数的最大值。


4.根据权利要求3所述的一种适用于边缘物联代理装置的边缘数据加密方法，其特征在于，步骤(3)具体方法如下：<...

【专利技术属性】
技术研发人员：于东晓，陈姝祯，邹宗瑞，田兵，严莉，郭小燕，杨飞华，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37