高速车联网场景下的分层联邦学习聚合频率优化方法技术

本公开实施例中提供了一种高速车联网场景下的分层联邦学习聚合频率优化方法，属于数据处理技术领域，具体包括：初始化全局机器学习模型权重，并初始化云端服务器训练时间；下载全局机器学习模型权重,并获取云端服务器训练时间；每个边缘端通过数字孪生技术获取区域内车辆客户端的状态信息，并通过边缘端聚合频率优化算法选择最优聚合频率；每个车辆客户端从边缘端服务器下载机器学习模型的权重,并获取最优聚合频率；在训练时间内，客户端的机器学习模型根据最优聚合频率向边缘端服务器聚合；聚合成全局机器学习模型权重；通过DDPG模型计算其对应的函数并输出最优动作。通过本公开的方案，优化了通信次数和节约通信资源。优化了通信次数和节约通信资源。优化了通信次数和节约通信资源。

【技术实现步骤摘要】
高速车联网场景下的分层联邦学习聚合频率优化方法


[0001]本公开实施例涉及数据处理
，尤其涉及一种高速车联网场景下的分层联邦学习聚合频率优化方法。

技术介绍

[0002]由于5G技术的推广应用和物联网技术的成熟，中国车联网市场规模快速增长，消费者对于汽车驾驶体验和产品安全性方面的要求也随之提高，因此智能驾驶辅助、智能安全控制和智能软件服务正在逐渐成为研究热点。目前，越来越多的厂商将机器学习和深度学习等智能技术应用于车载软件开发中，以实现对于消费者的承诺。然而，由于一辆汽车产生的数据量总是有限且有偏，导致机器学习模型不太可能获得期望的精度。一个直觉的解决方案是通过大量的通信设备和接口将车辆收集到的数据传输到中央服务器进行训练，但这会大幅度增加车辆的数据安全和通信安全隐患，尤其是个人信息的非法使用与泄露。目前，联邦学习正是提升机器学习模型精度与解决数据隐私问题的关键技术。
[0003]目前，联邦学习技术已经得到了广泛的应用，例如医疗保健领域和金融安全领域。基于联邦学习的分布式训练方法，通过在本地设备训练机器学习模型来保护个人数据隐私本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高速车联网场景下的分层联邦学习聚合频率优化方法，其特征在于，包括：步骤1，云端服务器初始化全局机器学习模型权重并初始化云端服务器训练时间RE；步骤2，每个边缘端服务器从云端服务器下载全局机器学习模型权重ω
global
,并获取云端服务器训练时间RE；步骤3，每个边缘端通过数字孪生技术获取区域内车辆客户端的状态信息，并通过边缘端聚合频率优化算法选择最优聚合频率τ
*
；步骤4，每个车辆客户端从边缘端服务器下载机器学习模型的权重ω
edge
,并获取最优聚合频率τ
*
；步骤5，在训练时间内，客户端的机器学习模型根据最优聚合频率向边缘端服务器聚合，若达到训练时间RE，则进行步骤6，否则将边缘端机器学习模型传输至移动设备以替代旧机器学习模型，并重复步骤4至步骤5；步骤6，云端服务器通过FedAvg算法聚合成全局机器学习模型权重ω
global
，若达到目标精度，则停止联邦学习过程，否则转到步骤7；步骤7，通过DDPG模型计算其对应的函数μ
θ
(s)并输出最优动作a，a代表本轮云端联邦学习的训练时间RE，然后返回步骤2进入下一轮云端联邦学习。2.根据权利要求1所述的方法，其特征在于,所述步骤3具体包括：步骤3.1，建立边缘端聚合频率优化模型和时间消耗约束；步骤3.2，通过三阶段法找到边缘端聚合频率优化模型与约束之间的联系，并简化边缘端聚合频率优化模型；步骤3.3，根据简化后的边缘端聚合频率优化模型计算最优聚合频率。3.根据权利要求2所述的方法，其特征在于,所述边缘端聚合频率优化模型的表达式为其中，w
Q
和w
Q
‑1是第Q轮次和第Q
‑
1轮次的云端全局联邦学习的参数，在第Q轮次的全局联邦学习过程中参数w
Q
‑1是一个固定值，F(
·

【专利技术属性】
技术研发人员：梁伟，郑旭哲，周晓康，黄素珍，崔雪松，
申请(专利权)人：湖南工商大学，
类型：发明
国别省市：