【技术实现步骤摘要】
一种基于联邦学习的空地网络安全传输方案
[0001]本专利技术属于空地一体化联邦学习安全通信
,尤其涉及隐蔽通信辅助的空地一体化联邦学习安全传输方案。
技术介绍
[0002]联邦学习(federated learning,FL)作为一种很有前途的分布式机器学习范式出现,它可以使多个用户在不共享原始数据的情况下协作训练机器学习模型,每个用户基于其数据训练一个局部机器学习模型,并将最近的模型参数发送到参数服务器节点进行全局模型聚合。直观地说,将联邦学习融入无人机辅助网络,即空地一体化联邦学习(Air ground integration federal learning,AGIFL)可以通过集中式联邦学习解决上述问题。具体而言,在空地一体化联邦学习中,可以使用高空平台(High
‑
altitude platform,HAP)作为参数服务器节点,为地面用户聚合模型参数。这避免了原始数据的泄漏,并大大减少了传输的数据量,因为与巨大的原始数据相比,模型参数的数据量要小得多。另外,空地一体化联邦学习引人的点是,与广泛的覆盖相结合,更高效地利用空中节点移动的灵活性,在没有任何地面基础设施支持的情况下,实现地面网络的按需协同训练。空地一体化联邦学习非常适合人工智能和物联网(Artificial Intelligence&Internet of Things,AIoT),参数服务器可以按需部署,支持大量物联网节点的学习模型训练。值得注意的是,这类联邦学习在现有的著作中很少被讨论。
[00 ...
【技术保护点】
【技术特征摘要】
1.所述基于联邦学习的空地网络安全传输方案包括以下步骤:第一步,构建由N个移动设备,一个位于高空平台的服务器,一个友好的干扰器和一个非法窃听者Willie的空地一体化联邦学习安全通信模型;第二步,基于空地一体化联邦学习安全通信模型,计算联邦学习延迟和Willie的最小错误检测概率;第三步,基于空地一体化联邦学习安全通信模型,构建联邦学习延迟优化问题模型;第四步,基于联邦学习延迟优化问题模型,提出联合局部精度和发射功率交替下降迭代算法;所述第一步构建由N个移动设备,一个位于高空平台的服务器,一个友好的干扰器和一个非法窃听者Willie的空地一体化联邦学习安全通信模型,具体包括:步骤(1.1),构建由N个移动设备,一个位于高空平台的服务器,一个友好的干扰器和一个非法窃听者Willie的空地一体化联邦学习安全通信模型;将地面用户对其样本数据的计算得到的模型称为局部模型,将边缘服务器HAP聚合得到的模型称为全局模型,从设备到高空平台的局部模型传输采用频分多址(FDMA)技术;步骤(1.2),友好干扰器在设备发送局部模型更新的同时发送干扰信号;高空平台作为中央控制器,必须决定友好干扰机的干扰功率和设备的模型更新发射功率;高空平台可以在每次训练迭代开始时通过控制信号交换决策信息;步骤(1.3),为了描述联邦学习性能,引入了损失函数g
i
(ω,χ
ik
,γ
ik
),ω表示全局模型的相关参数,χ
ik
,γ
ik
表示每个数据样本的一个输入和它对应的输出;设备i的总损耗函数表示为:其中,D
i
表示每个设备的本地数据集;步骤(1.4),在移动设备训练模型之后,它们将训练的模型,即局部模型,传输到服务器;服务器通过取局部模型的平均值来生成一个新的全局模型,局部模型的数据大小与全局模型的数据大小相等;所述第二步基于空地一体化联邦学习安全通信模型,计算联邦学习延迟和Willie的最小错误检测概率具体包括:步骤(2.1),计算局部训练延迟,各器件采用步长δ的梯度法训练局部模型;每个设备的本地计算所需的本地迭代次数约为T=vlog2(1/η);
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(S.2)其中,ζ和L的值由损失函数决定,η表示局部模型的精度;每次迭代数据处理所需的设备计算时间表示为:其中,C
i
表示在设备i上计算一个数据样本所需的CPU周期数,f
i
表示设备i的计算能力,
即每秒CPU周期数;步骤(2.2),计算模型上传延迟,设备i将其局部模型传输到高空平台的数据速率表示为:其中,表示数据传输到高空平台的概率,b
i
表示分配给设备i的带宽,σ2表示高空平台处噪声的单侧功率谱密度水平,h
iu
表示用户i和高空平台之间的信道系数,h
wh
表示Willie和高空平台之间的信道系数,p
i
表示用户i的发射功率,p
j
表示友好干...
【专利技术属性】
技术研发人员:赵闪,刘岩蟠,蒋爱民,李泽,胡睿,卜哲,靳文京,郑学欣,康凯,周林荣,张腾宇,杨洋,
申请(专利权)人:中国信息通信研究院中国联合网络通信有限公司浙江省分公司北京邮电大学,
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。