基于边缘协同的诚信智能网络训练方法技术

本公开提供了一种基于边缘协同的诚信智能网络训练方法，包括：将深度网络模型分割为多个子模型，并将多个子模型分配给多个边缘节点；基于边缘节点的信誉值，调整在边缘节点中训练的子模型；训练经过调整的子模型，并在任务节点中聚合经过训练的子模型，得到更迭后的深度网络模型；以及基于更迭后的深度网络模型的损失值，调整边缘节点的信誉值，最终得到诚信智能网络。信智能网络。信智能网络。

【技术实现步骤摘要】
基于边缘协同的诚信智能网络训练方法


[0001]本公开涉及智能网络
/边缘计算
，更具体地，涉及一种基于边缘协同的诚信智能网络训练方法。

技术介绍

[0002]在过去的几年里，AI(Artificial Intelligence，人工智能)技术取得了突破性的进展。人工智能可以提高机器自动化和提高资源利用率，在为我们的经济发展带来了巨大的潜力。边缘智能网络可以满足用户对高数据速率、无处不在的可访问性和低响应延迟的需求。
[0003]边缘智能网络一般采用分布式方法通过若干个边缘节点完成训练，然而现有的分布式方法通常训练同一个模型，使用不同的训练数据集，在不同的领域执行，没有考虑深度网络的可分性；同时由于边缘节点存在安全问题，例如边缘节点在通信过程中会发生数据丢失等情况，这些边缘节点的安全问题会对边缘智能网络的整体表现产生不利影响。
[0004]在实现本公开的过程中发现，现有技术在训练深度网络时，对执行训练的边缘节点的计算资源要求较高，缺乏对低计算资源的边缘节点的应用，造成了较大的资源浪费；同时，现有技术忽视了对边缘节点的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘协同的诚信智能网络训练方法，包括：将深度网络模型分割为多个子模型，并将所述多个子模型分配给多个边缘节点；基于所述边缘节点的信誉值，调整在所述边缘节点中训练的所述子模型；训练经过调整的子模型，并在任务节点中聚合经过训练的子模型，得到更迭后的深度网络模型；以及基于所述更迭后的深度网络模型的损失值，调整所述边缘节点的信誉值，最终得到诚信智能网络。2.根据权利要求1所述的方法，其中，所述将深度网络模型分割为多个子模型，并将所述多个子模型分配给多个边缘节点包括：基于所述多个边缘节点的剩余计算资源，通过计算得到子模型分配方案；以及基于所述子模型分配方案，将所述深度网络模型分割为所述多个子模型，并将所述多个子模型分配给所述多个边缘节点。3.根据权利要求2所述的方法，其中，所述基于所述多个边缘节点的剩余计算资源，通过计算得到子模型分配方案包括：通过计算各个所述边缘节点的剩余计算资源在所有所述边缘节点的剩余计算资源的和值中所占的比例，确定所述子模型分配方案。4.根据权利要求1所述的方法，其中，所述基于边缘节点的信誉值，调整在所述边缘节点中训练的所述子模型包括：在所述边缘节点的信誉值小于预设信任值的情况下，基于所述信誉值的大小，将在所述边缘节点中训练的所述子模型中的一层或多层替换为随机参数层；以及在所述边缘节点的信誉值大于或等于所述预设信任值的情况下，保持所述子模型不变。5.根据权利要求1所述的方法，其中，所述训练经过调整的子模型，并在任务节点中聚合经过训练的子模型，得到更迭后的深度网络模型包括：基于所述经过调整的子模型的层数，确定各个所述边缘节点训练相应的所述经过调整的子模型的训练顺序；在所述边缘节点完成对所述经过调整的子模型的训练后，将训练信息封装为训练数据包，并基于所述训练顺序发送给下一个所述边缘节点；下一个所述边缘节点基于所述训练数据包训练对应的所述经过调整的子模型；在基于所述训练顺序完成训练后，将对应的所述训练数据包发送给所述任务节点；以及在最后一个已训练子模型的后端添加一层或多层随机参数层，获...

【专利技术属性】
技术研发人员：齐昊天，仇超，刘志成，王晓飞，
申请(专利权)人：天津大学，
类型：发明
国别省市：