联邦学习模型训练过程中的资源控制方法和装置制造方法及图纸

本申请涉及一种联邦学习模型训练过程中的资源控制方法和装置。所述方法包括：无人机发射噪声信号，噪声信号用于干扰网络设备获取用户设备与无人机交互的模型参数，通过在受到噪声信号干扰的情况下，向无人机发送用户设备的局部模型的第一模型参数，在受到噪声信号干扰的情况下，接收无人机发送的全局模型的第二模型参数，确定无人机得到第二模型参数所需的总时长模型以及总能耗模型，根据总时长模型和总能耗模型确定目标资源。采用本方法能够提高联邦学习模型的模型训练过程的安全性。联邦学习模型的模型训练过程的安全性。联邦学习模型的模型训练过程的安全性。

【技术实现步骤摘要】
联邦学习模型训练过程中的资源控制方法和装置


[0001]本申请涉及数据处理
，特别是涉及一种联邦学习模型训练过程中的资源控制方法和装置。

技术介绍

[0002]随着智能手机、物联网设备、智能联网汽车等联网设备数量的急剧增加，产生了高度分散且巨量的数据。利用无人机收集海量数据，并使用联邦学习技术进一步挖掘更有价值的信息，是近些年被广泛认为的万物互联时代处理大量智能设备产生的海量数据的一种有前景的数据处理范式。
[0003]现有的联邦学习模型在进行模型训练的时候，不需要交互原始数据，只需要交互机器学习模型的参数，但是仍然存在数据泄露的风险，模型训练过程的安全性较差。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高模型训练过程的安全性的联邦学习模型训练过程中的资源控制方法和装置。
[0005]第一方面，本申请提供了一种联邦学习模型训练过程中的资源控制方法。所述方法包括：无人机发射噪声信号，该噪声信号用于干扰网络设备获取用户设备与无人机交互的模型参数；在受到噪声信号干扰的情况下，向无人机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种联邦学习模型训练过程中的资源控制方法，其特征在于，所述方法包括：无人机发射噪声信号，所述噪声信号用于干扰网络设备获取用户设备与无人机交互的模型参数；在受到噪声信号干扰的情况下，向所述无人机发送所述用户设备的局部模型的第一模型参数；所述噪声信号为所述无人机发射的信号，所述第一模型参数为所述用户设备基于原始数据对所述局部模型进行训练后得到的参数；在受到所述噪声信号干扰的情况下，接收所述无人机发送的全局模型的第二模型参数；所述第二模型参数为所述无人机根据接收的各第一模型参数对所述全局模型进行训练后得到的参数；确定所述无人机得到所述第二模型参数所需的总时长模型以及总能耗模型；根据所述总时长模型和所述总能耗模型确定目标资源。2.根据权利要求1所述的方法，其特征在于，所述确定所述无人机得到所述第二模型参数所需的总时长模型以及总能耗模型，包括：根据各所述用户设备得到所述第一模型参数所需的第一训练时长、向所述无人机发送所述第一模型参数所需的上传时长、所述无人机得到所述第二模型参数所需的第二训练时长、所述无人机向所述用户设备发送所述第二模型参数所需的广播时长，确定得到所述第二模型参数所需的总时长模型；根据所述用户设备得到所述第一模型参数所需的计算能耗和向所述无人机发送所述第一模型参数所需的上传能耗，确定得到所述第二模型参数所需的总能耗模型。3.根据权利要求2所述的方法，其特征在于，所述根据各所述用户设备得到所述第一模型参数所需的第一训练时长、向所述无人机发送所述第一模型参数所需的上传时长、所述无人机得到所述第二模型参数所需的第二训练时长、所述无人机向所述用户设备发送所述第二模型参数所需的广播时长，确定得到所述第二模型参数所需的总时长模型，包括确定各所述用户设备对应的第一总时长模型；所述第一总时长模型等于所述用户设备对应的所述第一训练时长、所述上传时长、所述第二训练时长以及所述广播时长之和；将最大的第一总时长模型作为得到所述第二模型参数所需的总时长模型。4.根据权利要求2或3任一所述的方法，其特征在于，所述方法还包括：根据所述用户设备与所述无人机之间的信道容量、所述无人机发射所述噪声信号的功率以及所述用户设备的功率，确定所述用户设备与所述无人机之间进行数据传输时的数据中断概率；根据所述数据中断概率确定所述用户设备与所述无人机之间传输数据时的数据可达率；根据所述数据可达率确定所述上传时长。5.根据权利要求2或3任一所述的方法，其特征在于，所述方法...

【专利技术属性】
技术研发人员：任勇，侯向往，王景璟，杜军，陈健瑞，张泽楷，
申请(专利权)人：清华大学，
类型：发明
国别省市：