【技术实现步骤摘要】
基于多因素的车联网联邦学习激励方法及其相关设备
[0001]本申请涉及通信
，尤其涉及一种基于多因素的车联网联邦学习激励方法及其相关设备。
技术介绍
[0002]近年来，车联网(Internet of Vehicle，IoV)技术得到极大的发展，具体地，车联网可以实现车辆与人、路、服务平台之间的智能互联，也可以使车辆之间信息互通互联，即车联网技术可以使人能够通过远程终端监测车辆、使车辆能够实时监测路况，选择合适的行驶路线等。
[0003]需要说明的是，实现车联网的众多功能需要大量的训练数据，而驾驶数据通常涉及用户隐私，因此智慧车联网离不开联邦学习，在智慧车联网通过联邦学习训练模型的过程中，车辆参与训练过程会消耗内存，通信等资源，在没有激励和补偿的情况下，参与训练的车辆积极性不高，无法获得训练所需的数据信息，因此，制定合理的激励政策至关重要，而激励政策需要公平合理，即准确反应参与者的贡献度，相关技术中确定参与者的贡献度只考虑了车辆的本地数据库大小以及训练能耗，忽视了数据时效性、安全性、可靠性等因素，导致激励不合理...
【技术保护点】
【技术特征摘要】
1.一种基于多因素的车联网联邦学习激励方法，其特征在于，应用于路边单元，所述方法包括：接收任务发布者发布的训练任务，确定所述训练任务所对应的待训练联邦模型；将所述待训练联邦模型发送给相应覆盖范围内选择参加训练的参与车辆，以供参与车辆利用自身数据库对所述待训练联邦模型进行联邦训练，并在训练结束后将训练得到的模型相关信息上传到路边单元，其中，对待训练联邦模型训练结束后，所得到的模型为目标模型；根据参与车辆上传的所述模型相关信息，计算所述参与车辆对所述目标模型的贡献度，并将所述贡献度对应激励发送给所述参与车辆，其中，所述贡献度包括参与车辆在质量因素、时间因素以及信用因素上对所述目标模型的贡献程度。2.如权利要求1所述的基于多因素的车联网联邦学习激励方法，其特征在于，所述贡献度包括参与车辆在质量因素上对所述目标模型的贡献程度；所述模型相关信息包括训练后损失函数对应的改变量以及模型参数；所述根据参与车辆上传的所述模型相关信息，计算所述参与车辆对所述目标模型的贡献度的步骤，包括：确定所述参与车辆训练待训练联邦模型后，其针对全局模型相应损失函数的第一改变量；确定得到目标模型过程中，路边单元所对应全局模型相应损失函数整体的第二改变量；根据所述第一改变量和所述第二改变量，确定所述参与车辆对所述目标模型的质量贡献度；其中，质量贡献度为其中，其中F(ω)是第二改变量，ΔFi(W)是车辆第一改变量。3.如权利要求1所述的基于多因素的车联网联邦学习激励方法，其特征在于，所述贡献度包括参与车辆在时间因素上对所述目标模型的贡献程度；其中，所述根据参与车辆上传的所述模型相关信息，计算所述参与车辆对所述目标模型的贡献度的步骤，包括：根据参与车辆上传所述模型相关信息的时间T
i
，计算所述参与车辆对所述目标模型的时间贡献度；其中，所述时间贡献度其中α代表常数系数。4.如权利要求1所述的基于多因素的车联网联邦学习激励方法，其特征在于，所述贡献度包括参与车辆在第一信用因素上对所述目标模型的贡献程度；所述模型相关信息包括参与车辆本地数据库中样本的数目D
i
，所述参与车辆上传所述模型相关信息的时间为T
i
；所述根据参与车辆上传的所述模型相关信息，计算所述参与车辆对所述目标模型的贡献度的步骤，包括：根据T
i
和参与车辆数据集的数目D
i
的比值是否小于可信度预警线β，计算所述参与车辆
对所述目标模型的第一信用贡献度，其中，第一信用贡献度H
i
满足其中，对于H
i
＝0的参与车辆进行标记，该H
i
＝0的参与车辆为不诚信用户。5.如权利要求1所述的基于多因素的车联网联邦学习激励方法，其特征在于，所述模型相关信息包括参与车辆本地数据库中样本的数目D
i
；所述贡献度包括参与车辆在第二信用因素上对所述目标模型的贡献程度；所述根据参与车辆上传的所述模型相关信息，计算所述参与车辆对所述目标模型的贡献度的步骤，包括：根据路边单元本地模型以及本地数据库中的样本，计算所述参与车辆对...
【专利技术属性】
技术研发人员：王晔，童恩，赵海涛，夏文超，陈帅，韩银锋，
申请(专利权)人：南京邮电大学江苏移动信息系统集成有限公司中国移动通信集团有限公司，
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。