【技术实现步骤摘要】
前后端分离的异步联邦学习方法、系统、装置及存储介质
[0001]本申请涉及联邦学习应用
，尤其涉及一种前后端分离的异步联邦学习方法、系统、装置及存储介质。
技术介绍
[0002]随着大数据技术的发展，大量的多源异构数据造成了数据孤岛分布的问题，细粒度的数据孤岛不仅增大了数据处理的难度，而且也增大了数据监管的难度，敏感信息泄露的风险也随之提高。为了一定程度上解决上述问题，近年来利用联邦学习框架来进行用户数据训练，以满足多源异构数据融合和用户隐私保护的需求。
[0003]传统的联邦学习采用的是同步优化方式，这种形式不够灵活，容易导致中央服务器端网络堵塞、全局模型更新低效等问题。因此，异步模式的联邦学习成为了新的研究方向。但是，现有的大多数联邦学习框架并不支持异步模型，不适配边缘端设备，并且这些联邦学习框架通常都针对特定落地场景进行开发，可拓展性差，配置难度大。
技术实现思路
[0004]本申请旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本申请提出一种前后端分离的异步联邦学习方法、系统、装
【技术保护点】
【技术特征摘要】
1.一种前后端分离的异步联邦学习方法，所述前后端分离的异步联邦学习方法应用于前后端分离的异步联邦学习系统，所述系统包括前端和后端，所述前端和所述后端之间以接口形式进行数据交换；所述前端的用户身份包括服务使用者、系统管理者和训练参与者；其特征在于，所述方法包括：根据待训练服务，所述服务使用者向所述后端发送服务请求信息；所述后端接收到的所述服务请求信息推送给所述系统管理者；根据接收到的所述服务请求信息，所述系统管理者设置所述待训练服务对应的待执行任务的全局训练策略，并将所述全局训练策略发送给所述后端；根据所述全局训练策略，所述后端开始所述待执行任务的异步联邦学习；在所述异步联邦学习的过程中，所述后端向所述训练参与者发送训练通知；根据所述训练通知，所述训练参与者训练本地模型，并将训练好的所述本地模型上传至所述后端；所述后端根据接收到的所述本地模型生成全局模型，并对所述全局模型进行评估；当评估通过，所述后端更新所述待训练服务的使用状态，并将更新后的所述使用状态返回所述服务使用者；所述服务使用者接收到所述使用状态后，向所述后端发送对应所述待训练服务的本地服务请求；根据所述本地服务请求，所述后端向所述服务使用者发送所述全局模型；所述服务使用者接收所述全局模型并进行本地服务计算，获得服务计算结果，并将所述服务计算结果在前端界面进行可视化。2.根据权利要求1所述的前后端分离的异步联邦学习方法，其特征在于，所述方法还包括：在所述后端接收到所述服务请求信息之后，所述后端将所述服务请求信息记录于后端数据库；所述后端向所述服务使用者发送响应信息，声明所述响应信息为信息流；根据所述响应信息，所述服务使用者更新所在的前端界面；在接收到所述使用状态后，关闭信息流通道，并在所述前端界面进行弹窗提示或提供本地服务请求按钮；其中，所述本地服务按钮为向所述后端发送所述本地服务请求的接口按钮。3.根据权利要求1所述的前后端分离的异步联邦学习方法，其特征在于，所述根据所述训练通知，所述训练参与者训练本地模型，并将训练好的所述本地模型上传至所述后端，包括：所述训练通知中包括对应所述待执行任务的特殊事件标识和本地模型上传接口；根据所述特殊事件标识，所述训练参与者向所述后端发送用户信息查询请求；根据所述用户信息查询请求，所述后端判断所述训练参与者是否首次训练所述待执行任务；若所述训练参与者为首次训练所述待执行任务，所述后端向所述训练参与者返回所述待执行任务对应的全局训练策略，全局加密模型、本地训练容器镜像和容器配置文件；所述训练参与者根据接收到的所述本地训练容器镜像和容器配置文件部署本地训练
容器，并保存所述全局训练策略；所述训练参与者将所述全局加密模型导入所述本地训练容器，根据所述全局训练策略对所述全局加密模型进行训练，得到所述本地模型；通过所述...
【专利技术属性】
技术研发人员：郭子晗，由林麟，吴承瀚，林俊龙，李浩源，侯英威，
申请(专利权)人：中山大学，
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。