一种联邦学习多任务调度方法及装置制造方法及图纸

本发明专利技术提供一种联邦学习多任务调度方法及装置，获取目标联邦学习任务以及所述目标联邦学习任务的当前事件，其中，所述目标联邦学习任务包括多个事件，所述事件根据事件执行时间以及所需资源对所述目标联邦学习任务进行阶段划分得到；根据所述目标联邦学习任务的属性信息以及所述当前事件的类型确定事件优先级比率；根据所述事件优先级比率以及所述当前事件进入调度队列的时间确定所述当前事件对应的累积优先级；利用预定义的自适应资源分配算法为所述当前事件分配计算节点，基于所述计算节点并按照所述累积优先级执行所述当前事件。本发明专利技术确保了任务执行过程公平性，降低了系统整体任务执行时间，提高了资源利用率。提高了资源利用率。提高了资源利用率。

【技术实现步骤摘要】
一种联邦学习多任务调度方法及装置


[0001]本专利技术涉及联邦学习
，尤其涉及一种联邦学习多任务调度方法及装置。

技术介绍

[0002]随着人工智能和大数据技术的飞速发展，数据作为生产要素发挥着重要作用。人工智能技术需要对数据进行集中处理，但由于日益增长的数据隐私问题，传统人工智能不适用于隐私保护场景。联邦机器学习是一种新型的分布式机器学习方法，允许在边缘隐私敏感设备上进行机器学习训练而无需数据向外传输，避免因数据集中到服务器产生的隐私泄露风险。通过联邦机器学习技术进行数据的隐私保护，可以使人工智能在现实场景中进一步应用。边缘设备存有多种业务数据，可以并发参与多种联邦机器学习训练任务，实现数据资产收益最大化。
[0003]现有技术中，可以通过初始化候选调度方案列表，其中，候选调度方案用于为多个机器学习任务中的每个机器学习任务分配用于训练的终端设备；对于候选调度方案列表中的每个候选调度方案，对候选调度方案进行扰动，生成新的调度方案；基于候选调度方案的适应值以及新的调度方案的适应值，确定是否以新的调度方案替换候选调度方案，生成新的调本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种联邦学习多任务调度方法，其特征在于，包括：获取目标联邦学习任务以及所述目标联邦学习任务的当前事件，其中，所述目标联邦学习任务包括多个事件，所述事件根据事件执行时间以及所需资源对所述目标联邦学习任务进行阶段划分得到；根据所述目标联邦学习任务的属性信息以及所述当前事件的类型确定事件优先级比率；根据所述事件优先级比率以及所述当前事件进入调度队列的时间确定所述当前事件对应的累积优先级；利用预定义的自适应资源分配算法为所述当前事件分配计算节点，基于所述计算节点并按照所述累积优先级执行所述当前事件。2.根据权利要求1所述的联邦学习多任务调度方法，其特征在于，所述根据所述目标联邦学习任务的属性信息以及所述当前事件的类型确定事件优先级比率，包括：根据所述当前事件的类型获取对应的事件权重；根据所述事件权重以及属性信息中目标联邦学习任务的优先级计算得到事件优先级比率。3.根据权利要求2所述的联邦学习多任务调度方法，其特征在于，所述根据所述事件权重以及属性信息中目标联邦学习任务的优先级信息计算得到事件优先级比率，包括：根据所述事件权重α
E(i)
以及属性信息中目标联邦学习任务的优先级PR计算得到事件优先级比率β
i
：其中，C
w
为目标联邦学习任务的优先级权重常数。4.根据权利要求1所述的联邦学习多任务调度方法，其特征在于，在所述据所述目标联邦学习任务的属性信息以及所述当前事件的类型确定事件优先级比率之后，该方法还包括：根据所述事件优先级比率确定所述当前事件在调度队列中的队列序号；相应地，所述根据所述事件优先级比率以及所述当前事件进入调度队列的时间确定所述当前事件对应的累积优先级，包括：获取所述当前事件进入调度队列的时间；根据所述队列序号以及所述时间计算得到累积优先级。5.根据权利要求4所述的联邦学习多任务调度方法，其特征在于，所述根据所述事件优先级比率确定所述当前事件在调度队列中的队列序号，包括：根据所述事件优先级比率β
i
确定所述当前事件在调度队列中的队列序号Q
i
：其中，β
threshold
为事件优先级阈值，N
queue
为调度队列的队列序号阈值。相应地，所述根据所述队列序号以及所述时间计算得到累积优先级，包括：根据所述队列序号Q
i
以及所述时间t
...

【专利技术属性】
技术研发人员：郭少勇，亓峰，杨国铭，邵苏杰，徐思雅，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：