一种面向异构智慧交通系统的联邦学习客户端选择方法技术方案

本发明专利技术公开了一种面向异构智慧交通系统的联邦学习客户端选择方法及系统，包括以下步骤：S1、建立基于联邦学习协议的全局预测模型，将客户端选择问题建模为二维完全背包问题；S2、获取所有客户端的CPU执行频率和客户端与边缘服务器的物理距离；S3、根据客户端的CPU执行频率和与边缘服务器的物理距离通过异构感知聚类方法将客户端聚类；S4、将得到的聚类结果通过客户端选择方法最大化截止时间内参与训练的客户端数量。本方法与传统技术相比，通过提高截止时间内参与训练的客户端数量，能够在有限时间内，提高训练效率和预测精度。提高训练效率和预测精度。提高训练效率和预测精度。

【技术实现步骤摘要】
一种面向异构智慧交通系统的联邦学习客户端选择方法


[0001]本专利技术涉及联邦学习客户端选择策略
，更具体地，涉及一种面向异构智慧交通系统的联邦学习客户端选择方法。

技术介绍

[0002]在交通领域，深度学习与传统交通系统结合的智慧交通系统已成为智慧城市的重要组成部分并被广泛采用。智能交通系统在机器学习、深度学习技术的帮助下取得了许多显著的成果。其中，交通流量预测(TFP)是一个成功的智慧交通系统必备的因素。TFP是通过使用历史交通流量数据来预测未来的交通流量，从而提供这种交通流量信息。对于交通流预测任务，神经网络模型的性能严重依赖于在一个数据中心或服务器上收集的海量标签数据。不幸的是，在现实交通场景中，收集到的数据通常是隐私敏感的。例如，监控摄像头可以轻松收集个人和车辆的位置。如果这些数据没有受到严格保护，数据所有者的利益将收到损害。而现在人们越来越注重隐私问题，所以直接将这些隐私数据用于训练是不符合实际的。因此，隐私保护对于ITS中的TFP应用非常重要。为了解决上述隐私问题，McMahan提出了联邦学习协议。联邦学习(FL)允许用户本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向异构智慧交通系统的联邦学习客户端选择方法，其特征在于，包括以下步骤：S1、建立基于联邦学习协议的全局预测模型，将客户端选择问题建模为二维完全背包问题；S2、获取所有客户端的CPU执行频率和客户端与边缘服务器的物理距离；S3、根据客户端的CPU执行频率和与边缘服务器的物理距离通过异构感知聚类方法将客户端聚类；S4、将得到的聚类结果通过客户端选择方法最大化截止时间内参与训练的客户端数量。2.根据权利要求1所述的一种面向异构智慧交通系统的联邦学习客户端选择方法，其特征在于，对所述全局预测模型采用在每个训练轮次中选择一组客户端的方式进行训练，基于联邦学习协议，在训练过程中，服务器将当前全局算法状态发送给所选客户端，所选客户端根据全局状态及其本地数据集进行本地计算，并向服务器发送更新，服务器将更新应用至全局预测模型，完成一次训练轮次。3.根据权利要求1所述的一种面向异构智慧交通系统的联邦学习客户端选择方法，其特征在于，所述将客户端选择问题建模为二维完全背包问题具体为：将截止时间和训练轮数作为背包的两个容量，将每一类客户端集合代表每一种物品，将客户端集合中最大训练时间和客户端集合中的客户端数量分别作为选择该客户端集合能够获得的价值和需要支付的代价，将客户端选择问题建模为完全背包问题和二维背包问题的混合，即是二维完全背包问题。4.根据权利要求1所述的一种面向异构智慧交通系统的联邦学习客户端选择方法，其特征在于，所述异构感知聚类方法为基于K
‑
means的异构感知聚类方法。5.根据权利要求1所述的一种面向异构智慧交通系统的联邦学习客户端选择方法，其特征在于，步骤S2具体为：用表示N个客户端，将获得的客户端信息用I＝{{ω1，d1}，...，{ω
N
，d
N
}}表示，其中ω
i
表示客户端i的CPU执行频率，d
i
表示客户端与服务器的物理位置。6.根据权利要求5所述的一种面向异构智慧交通系统的联邦学习客户端选择方法，其特征在于，所述步骤S3具体为：S31、初始化阶段，创建一个N
×
2的矩阵clusterAssign用于存储每个客户端的分配情况，随机选择内K个客户端作为初始中心点，创建一个判断变量clusterC anged用于表示聚类中心点是否有变化，其中True表示中心点发生变化，Fault则表示没有变化，创建一个变量minDist用于表示当前最小距离，并赋值为∞；S32、计算每个客户端C
i
和中心点j之间的欧几里得距离并赋给变量distJI，判断变量distJI是否大于变量minDist，是则赋值并将客户端C
l
分配至中心点j，否则更新矩阵clusterAssign，得到初始的K个客户端集；S33、据每个客户端集中每个客户端的信息重新计算中心点，然后重复分配过程S...

【专利技术属性】
技术研发人员：张伟文，陈彦熹，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：