一种联邦学习工人节点选择方法、系统、终端以及存储介质技术方案

本申请涉及一种联邦学习工人节点选择方法、系统、终端以及存储介质。包括：获取当前任务发布者选择的候选节点，并计算所述候选节点的推荐声誉值；所述推荐声誉值为其他任务发布者与所述候选节点在最近一次交互中产生的声誉值；获取当前任务发布者与所述候选节点至少最近一次的直接声誉值，根据所述直接声誉值和推荐声誉值计算得到所述候选节点的当前声誉值；所述直接声誉值为所述当前任务发布者与所述候选节点在历史交互中产生的声誉值；基于所述当前声誉值判断所述候选节点是否是可信节点，如果是可信节点，选取所述候选节点作为当前任务发布者的工作节点。本申请实施例可以更加准确的计算工人节点的声誉值，从而更加高效地选择可靠的工人节点。地选择可靠的工人节点。地选择可靠的工人节点。

【技术实现步骤摘要】
一种联邦学习工人节点选择方法、系统、终端以及存储介质


[0001]本申请属于联邦学习
，特别涉及一种联邦学习工人节点选择方法、系统、终端以及存储介质。

技术介绍

[0002]随着机器学习技术的快速发展，出现了许多新的移动应用，例如自动驾驶等，机器学习为移动用户带来了良好的服务体验。虽然机器学习技术极大地提高了移动应用程序的性能，但是大多数机器学习技术都需要将大量带有个人信息的用户数据聚合到中央服务器上，以执行模型训练。这导致了过多的计算和存储成本，同时也存在严重的用户隐私泄露风险。为了解决这些问题，业界提出了联邦学习这种新兴的分布式机器学习范式，以允许移动设备以分布的方式协作训练一个全局模型。联邦学习可以在数据拥有方不用给出自己的隐私数据情况下，进行机器学习模型训练，并能够保证模型的效果。移动设备只需将针对本地原始数据的本地模型参数更新发送给任务发布者，而无需上传原始数据，从而将机器学习与在中央服务器中获取、存储和培训数据分离开来。
[0003]然而，联邦学习仍然面临着严峻的挑战。不可靠的工作者可能有意或无意地做出一些行为来误导联本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种联邦学习工人节点选择方法，其特征在于，包括：获取当前任务发布者选择的候选节点，并计算所述候选节点的推荐声誉值；所述推荐声誉值为其他任务发布者与所述候选节点在最近一次交互中产生的声誉值；获取当前任务发布者与所述候选节点至少最近一次的直接声誉值，根据所述直接声誉值和推荐声誉值计算得到所述候选节点的当前声誉值；所述直接声誉值为所述当前任务发布者与所述候选节点在历史交互中产生的声誉值；基于所述当前声誉值判断所述候选节点是否是可信节点，如果是可信节点，选取所述候选节点作为当前任务发布者的工作节点。2.根据权利要求1所述的联邦学习工人节点选择方法，其特征在于，所述计算所述候选节点的推荐声誉值具体为：预定义一个推荐建议的权重参数σ，根据两个任务发布者之间的相似度δ对所述权重参数σ进行修正，得到改进后的权重参数ω，ω＝σ
×
δ；设与所述当前候选节点有交互历史的其他任务发布者集合S＝{s1,s2,...,s
m
}，从声誉区块链中下载集合S中所有任务发布者对所述当前候选节点的直接声誉值，其中任务发布者s
i
对所述当前候选节点的直接声誉值为n为任务发布者s
i
与该候选节点合作的总次数，则所述当前候选节点的推荐声誉值计算公式为：3.根据权利要求1所述的联邦学习工人节点选择方法，其特征在于，所述获取当前任务发布者与所述候选节点至少最近一次的直接声誉值之前还包括：判断所述当前任务发布者与当前候选节点是否是第一次合作，如果是，基于所述当前候选节点的推荐声誉值，判断所述当前候选节点是否是可信节点；如果是可信节点，选择所述候选节点作为所述当前任务发布者的工人节点，并利用主观逻辑模型计算得到当前任务发布者对所述工人节点的初始直接声誉值。4.根据权利要求3所述的联邦学习工人节点选择方法，其特征在于，所述初始直接声誉值{a1,b1,c1}计算公式为：上式中，{1,...,i,...I}是一次合作中的各个时间段，t
i
是在i时间段内数据传输成功的概率，α
i
、β
i
分别表示i时间段内正交互次数和负交互次数，k、η分别表示正交互在计算中的权重和负交互的权重，z
I-i
是一个时间衰退函数；k≤η，k+η＝1，z∈(0,1)。5.根据权利要求4所述的联邦学习工人节点选择方法，其特征在于，所述获取当前任...

【专利技术属性】
技术研发人员：孟天晖，陈宏达，王洋，叶可江，须成忠，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：