【技术实现步骤摘要】
联邦边缘学习环境下模型分割优化的隐私数据保护方法
[0001]本专利技术涉及联邦边缘学习、深度学习模型分割
,具体是一种联邦边缘学习环境下模型分割优化的隐私数据保护方法。
技术介绍
[0002]随着深度学习网络(DNN)在物联网领域中的广泛应用,如语音识别,计算机视觉,图像处理等。在深度学习任务的应用中,需要大量的数据来训练DNN模型,这需要庞大的存储系统以及足够的算力支持。传统的解决方案采用集中的训练方式,将边缘设备的数据传输到云服务器进行训练。这种方案在数据隐私保护方面有不可避免的缺陷。另一方面,数据上传到云也需要占用大量的通信资源,拉低了整个系统的性能。基于此,在边缘设备周围架设边缘服务器得以受到人们的重视。边缘服务器凭借其物理距离的优势,相比于云服务器有更加可靠的短距离通信传输,显著的降低了系统的通信成本。但是,数据在边缘服务器的隐私保护问题仍未得到解决。
[0003]联邦学习(Federal Learning,FL)的出现为隐私保护的解决提供了新的平台和机遇。FL是一种分布式学习范式,允许多个边缘设备协同训练DNN模型。在FL框架中每个边缘设备根据自己的数据集在本地进行模型训练,然后将本地模型参数上传至中央服务器,中央服务器负责将各个边缘设备的模型聚合,得到全局模型参数,并将全局模型再分发到边缘设备。重复上述训练过程,直至模型收敛。
[0004]随着越来越多的物联网设备参与到联邦学习中,近年来研究人员致力于优化FL范式,优化目标主要集中在提高模型精度和通信效率上。相比而言,对于提高FL
【技术保护点】
【技术特征摘要】
1.一种联邦边缘学习环境下模型分割优化的隐私数据保护方法,其特征在于所述方法包括如下步骤:步骤1、构建联邦边缘学习框架,包括一个云服务器S、一组边缘服务器ES、n个边缘设备E以及每个边缘设备的私有数据集D
i
;步骤2、制定模型分割学习策略,实现DNN模型的分割,一部分部署在边缘设备端,另一部分部署在边缘服务器端;所述DNN模型从输入层至输出层共有N层,其中靠近输入层的前m层部署在边缘设备上,称为左子模型M
l
;靠近输出层的后N
‑
m层部署到边缘服务器上,称为右子模型M
r
,模型分割处为当前模型分割点;边缘设备在本地执行前向传播,将左子模型M
l
最后的激活参数传到边缘服务器的右子模型M
r
;边缘服务器使用接受到的激活参数继续进行正向传播;之后,边缘服务器对右子模型M
r
的模型参数进行反向传播,更新右子模型M
r
;然后,边缘服务器将右子模型M
r
在分割点处的反向传播模型参数传递给边缘设备;边缘设备接收到边缘服务器传来的反向传播模型参数后,对本地左子模型M
l
继续进行反向传播;步骤3、构建反演模型,训练并推理,根据对数据安全性的要求计算DNN模型分割隐私安全点Q;步骤4、考虑各边缘设备的计算性能及功耗,兼顾DNN模型训练效率,确定DNN模型分割平衡点K;然后根据步骤2模型分割学习策略将DNN模型在模型分割平衡点K处进行分割初始化,以保护各边缘设备的数据隐私;步骤5、根据各边缘设备的资源分配需求,在满足数据隐私安全性的状态下,动态调整DNN模型分割点。2.根据权利要求1所述方法,其特征在于步骤3具体包括以下步骤:从DNN模型的输入层开始进行逐层分割,对于每一个可能的分割点L
i
,i=1,2,
…
,N,分别构建反演模型G
i
,部署在边缘设备上的左子模型记为M
Li
;对反演模型G
i
进行训练,使得反演推理出的数据与原始输入数据之间的均方误差MSE最小化;设用于训练反演模型的数据集为Data
g
,则反演模型G
i
的优化可表示为:利用训练好的反演模型G
i
对左子模型M
Li
发送的中间激活参数Ait
i
进行反演推理,重构原始输入数据;采用峰值信噪比PSNR和结构相似性SSIM来衡量反演模型的重构数据与原数据的相似程度;若重构数据与原数据的PSNR>30dB且SSIM>0.8时,则认为以当前分割点进行模型分割是隐私不安全的;反之,若重构数据与原数据的PSNR≤30dB或SSIM≤0.8则认为以当前分割点进行模型分割是隐私安全的;反演模型的训练从i=1开始,逐个训练反演模型G
i
,直到反演模型G
i
重构出的图像不满足评价指标,则当前i就是要找的模型分割安全点,记为Q。3.根据权利要求2所述方法,其特征在于步骤3中不同分割层数i的反演模型G
i
的模型结构和训练次数应相同。4.根据权利要求1所述方法,其特征在于步骤4具体包括以下步骤:
4
‑
1计算边缘设备总能量消耗E;单个边缘设备总能量消耗E
sum
由边缘设备模型计算能耗和通信传输能耗两部分组成;边缘设备模型计算能耗可由设备CPU/GPU功率乘计算时间得到,边缘设备通信能耗可由设备通信功率乘通信传输时间得到;边缘设备总能量消耗E可表示为:E=P
edge
*T
edge
+P
arr
*T
arr
ꢀꢀꢀꢀꢀ
式(2)其中...
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。