智能家居场景下基于云边端的高效联邦学习方法技术

本发明专利技术提供一种智能家居场景下基于云边端的高效联邦学习方法。该方法包括：云端服务器获取学习任务并初始化初始模型，并下发至参与训练的通讯基站；通讯基站将学习任务及初始模型发送至参与训练的临时服务器及家居终端；家居终端根据本地数据和初始模型或第一中间模型进行本地训练，得到新的本地模型并传输至临时服务器；临时服务器将所有本地模型以及自身的本地模型进行加权聚合，得到第一中间模型并返回至各家居终端；重复执行前两个步骤，直至满足结束条件后，将第一中间模型传输至通讯基站；通讯基站对所有第一中间模型进行加权聚合，得到第二中间模型并返回至云端服务器；云端服务器对所有第二中间模型进行聚合，得到最终的全局模型。终的全局模型。终的全局模型。

【技术实现步骤摘要】
智能家居场景下基于云边端的高效联邦学习方法


[0001]本专利技术涉及智能家居和隐私安全
，尤其涉及一种基于智能家居场景下基于云边缘的高效联邦学习方法。

技术介绍

[0002]近年来，物联网的发展朝着为人们提供更加舒适、便捷的方向发展，家居产品也不例外。例如，家庭摄像头可以监控家庭是否有火灾隐患，扫地机器人可以帮助人们清洁卫生，智能电表可以检测家庭电器用电情况合理规划省电模式等等。家居产品作为生活物品，同时伴随着互联网的发展逐渐升级为智能化，当这些智能化的家居产品提供更优质的服务时，各个厂商就需要通过这些数字化产品收集人们的生活数据，优化服务模型。而这些生活数据对于用户来说往往是相对隐私的(如语音交互数据、电力使用数据、家庭情景模式等隐私数据)，所以智能家居在训练模型的同时，也面临着隐私数据泄露的风险。
[0003]联邦学习方法的提出解决了很多数据安全的问题，利用原始数据集不出本地的思想保证数据安全。智能家居领域利用这种思想，让模型的训练在智能家居设备终端进行本地训练，将得到的更新传输给家庭单元局域网的中央服务器，从而进行模型的下一步聚合。由于数据不出本地，数据安全等级进而得到极大的提高。
[0004]然而，由于我国家庭居住社区聚集性特点，仍面临很多问题。首先，随着智能家居产品的不断发展，设备厂商利用云端直接与密集区域的家庭设备进行通讯，一方面给云端增加了模型训练的压力，另一方面也加大了数据通讯的负载。其次，智能家居设备含有的计算能力各不相同，收集到的数据特点也不一致，从而导致模型聚合工作面临一些挑战。最后，家居终端的空闲情况相对灵活，而在现有的联邦学习算法，对处于计算能力分布不均，以及数据量大的家居场景中较为劣势。
[0005]中国专利文献CN 113946127 A公开了一种基于边缘计算技术的智能家居系统，该方案中在智能家居场景下进行训练的算法是通过单次模型的平均聚合方法，没有与云端服务器进行交互，而且需要单独设备指定为中央服务器，在成本消耗上较高的同时，该方法在模型训练的过程中耗时比较严重，因此对于社区环境下密集终端设备中如何提高计算效率没有帮助。

技术实现思路

[0006]为了提高智能家居场景下的模型训练效率和准确度，本专利技术提供一种智能家居场景下基于云边端的高效联邦学习方法。
[0007]本专利技术提供一种智能家居场景下基于云边端的高效联邦学习方法，包括：
[0008]步骤1：云端服务器获取学习任务并初始化初始模型；
[0009]步骤2：云端服务器将学习任务以及初始模型下发至参与训练的通讯基站；
[0010]步骤3：通讯基站将获取到的学习任务及初始模型发送至其通信范围内参与训练的家庭单元中的临时服务器及家居终端；所述临时服务器是由一个家庭单元中所有家居终
端进行选举得到的；
[0011]步骤4：家居终端根据本地数据和接收的初始模型或上一轮的第一中间模型进行本地模型训练更新，得到新的本地模型，将本地模型传输至临时服务器；
[0012]步骤5：临时服务器将接收到的所有本地模型以及自身的本地模型进行加权聚合，得到第一中间模型，将所述第一中间模型返回至各家居终端；
[0013]步骤6：重复执行步骤4至步骤5，直至满足结束条件后，由临时服务器将第一中间模型传输至通讯基站；
[0014]步骤7：通讯基站对接收到的所有第一中间模型进行加权聚合，得到第二中间模型，将所述第二中间模型返回至云端服务器；
[0015]步骤8：云端服务器对接收到的所有第二中间模型进行聚合，得到最终的全局模型。
[0016]进一步地，所述临时服务器的选举包括：根据家庭单元中所有家居终端的计算能力和闲置情况来选举得到临时服务器。
[0017]进一步地，根据家庭单元中所有家居终端的计算能力和闲置情况来选举得到临时服务器，具体包括：
[0018]计算各家居终端的计算能力和闲置时间之和；
[0019]选择计算能力和闲置之间之和最大的家居终端作为该家庭单元的临时服务器。
[0020]进一步地，还包括：
[0021]临时服务器收集家庭单元中无计算能力的家居终端的本地数据，并将其联合自身的本地数据和接收到的初始模型或上一轮的第一中间模型进行本地模型训练更新，得到自身新的本地模型。
[0022]进一步地，在步骤2之前还包括：
[0023]针对需要参与训练的通讯基站，将该通讯基站注册到云端服务器，以供所述云端服务器对所有的通讯基站进行统计并形成基站索引；
[0024]对应地，步骤2具体为：云端服务器将学习任务以及初始模型按照基站索引下发至对应的通讯基站。
[0025]进一步地，在步骤3之前还包括：
[0026]针对需要参与训练的家庭单元，将该家庭单元的临时服务器和/或家居终端注册到其对应的通讯基站，以供所述通讯基站对所有的临时服务器和/或家居终端进行统计并形成临时服务器索引；
[0027]对应地，步骤3具体为：通讯基站将获取到的学习任务及初始模型按照所述临时服务器索引发送至对应的临时服务器及家居终端。
[0028]进一步地，步骤4具体包括：
[0029]家居终端i根据本地数据和接收的初始模型或上一轮的第一中间模型计算第t次迭代过程的梯度下降其中，f(ω)＝l(ω,D)，f(ω)表示预测损失函数，ω表示家居终端i接收到的接收的初始模型或上一轮的第一中间模型的参数，D表示家居终端i的本地数据，表示梯度算子；
[0030]家居终端i根据所述梯度下降更新得到第t次迭代过程的本地模型
其中，η
i
为家居终端i的学习效率，表示家居终端i在进行第t次迭代过程的本地训练之前的本地模型的参数。
[0031]进一步地，步骤5具体包括：
[0032]临时服务器按照公式(1)对各本地模型加权聚合，得到第一中间模型的参数：
[0033]ω
j+1
＝ω
j
+ω
i
ꢀꢀ
(1)
[0034]其中，ω
j+1
表示临时服务器j进行当前轮聚合得到的第一中间模型的参数，ω
j
表示临时服务器j进行上一轮聚合后得到的第一中间模型的参数，ω
i
表示家居终端i的当前本地模型。
[0035]进一步地，步骤7具体包括：
[0036]针对每个通讯基站，将所有第一中间模型的参数进行相加得到ω
s
；根据该通讯基站中参与训练的临时服务器的总数，对ω
s
进行迭代平均，迭代平均结果作为第二中间模型的参数。
[0037]进一步地，所述家居终端的本地数据包括网络吞吐量、电力使用情况和摄像头监控数据中的至少一种。
[0038]本专利技术的有益效果：
[0039](1)家庭中智能家居终端个数呈爆炸式增长，若单元家庭内每个家居终端进行训练后的数据都将结果传输到云端服务器，这样对带宽要求较高，本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.智能家居场景下基于云边端的高效联邦学习方法，其特征在于，包括：步骤1：云端服务器获取学习任务并初始化初始模型；步骤2：云端服务器将学习任务以及初始模型下发至参与训练的通讯基站；步骤3：通讯基站将获取到的学习任务及初始模型发送至其通信范围内参与训练的家庭单元中的临时服务器及家居终端；所述临时服务器是由一个家庭单元中所有家居终端进行选举得到的；步骤4：家居终端根据本地数据和接收的初始模型或上一轮的第一中间模型进行本地模型训练更新，得到新的本地模型，将本地模型传输至临时服务器；步骤5：临时服务器将接收到的所有本地模型以及自身的本地模型进行加权聚合，得到第一中间模型，将所述第一中间模型返回至各家居终端；步骤6：重复执行步骤4至步骤5，直至满足结束条件后，由临时服务器将第一中间模型传输至通讯基站；步骤7：通讯基站对接收到的所有第一中间模型进行加权聚合，得到第二中间模型，将所述第二中间模型返回至云端服务器；步骤8：云端服务器对接收到的所有第二中间模型进行聚合，得到最终的全局模型。2.根据权利要求1所述的智能家居场景下基于云边端的高效联邦学习方法，其特征在于，所述临时服务器的选举包括：根据家庭单元中所有家居终端的计算能力和闲置情况来选举得到临时服务器。3.根据权利要求2所述的智能家居场景下基于云边端的高效联邦学习方法，其特征在于，根据家庭单元中所有家居终端的计算能力和闲置情况来选举得到临时服务器，具体包括：计算各家居终端的计算能力和闲置时间之和；选择计算能力和闲置之间之和最大的家居终端作为该家庭单元的临时服务器。4.根据权利要求1所述的智能家居场景下基于云边端的高效联邦学习方法，其特征在于，还包括：临时服务器收集家庭单元中无计算能力的家居终端的本地数据，并将其联合自身的本地数据和接收到的初始模型或上一轮的第一中间模型进行本地模型训练更新，得到自身新的本地模型。5.根据权利要求1所述的智能家居场景下基于云边端的高效联邦学习方法，其特征在于，在步骤2之前还包括：针对需要参与训练的通讯基站，将该通讯基站注册到云端服务器，以供所述云端服务器对所有的通讯基站进行统计并形成基站索引；对应地，步骤2具体为：云端服务器将学习任务以及初始模型按照基站索引下发至对应的通讯基站。6.根据权利要求1所述的智能家居场景下基于云...

【专利技术属性】
技术研发人员：王光辉，白天水，罗振兴，何欣，
申请(专利权)人：河南大学，
类型：发明
国别省市：