基于联邦蒸馏的异构网络无数据融合方法技术

本发明专利技术公开了一种基于联邦蒸馏的异构网络无数据融合方法

【技术实现步骤摘要】
基于联邦蒸馏的异构网络无数据融合方法、系统


[0001]本专利技术涉及信息处理
，尤其涉及基于联邦蒸馏的异构网络无数据融合方法
、
系统
。

技术介绍

[0002]随着云计算
、
大数据
、
物联网
、
无人技术等为代表的现代信息技术在军事领域的广泛应用，装备体系快速发展，作战装备持续更新换代，进一步推动了战争形态和作战技术的加速变革，未来战争呈出信息化
、
智能化
、
协同化发展趋势
。
联合作战是打赢现代和未来战争的必然要求，在联合作战体系中，数据作为支撑高效指挥决策的战略资源，发挥着重要的底层支撑作用，数据妥善管理和高效利用成为推动作战能力整体跃迁和作战样式深度变革的重要动力
。
实现不同作战系统间的数据安全互联对进一步发挥数据资源在指挥决策中的支撑作用，实现高速计算
、
存储
、
检索的智能数据融合体系，构建大数据驱动的智能化模型，对加快推进智能化复杂网络信息系统建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于联邦蒸馏的异构网络无数据融合方法，其特征在于，包括以下步骤，
S1
：建立中心化联邦架构，在联合作战系统内相应的服务器节点上部署联邦学习方案，并通过中央服务器节点协调各边缘服务器节点；
S2
：中央服务器初始化全局神经网络模型和
CGAN
模型；
S3
：使用联邦学习的方法训练
CGAN
网络模型；
S4
：边缘服务器利用
CGAN
优化数据分布使其具有满足独立同分布特性，构建局部神经网络模型并独立训练得到局部参数化模型，发送局部参数化模型至中央服务器；
S5
：中央服务器利用样本标签和
CGAN
网络生成转移集，以多个边缘服务器训练的局部参数化模型作为教师模型，通过生成转移集训练全局神经网络模型
。2.
根据权利要求1所述的基于联邦蒸馏的异构网络无数据融合方法，其特征在于，步骤
S1
的具体操作包括以下步骤，
S101
：由中央服务器确定训练任务并进行广播；
S102
：边缘服务器基于本地数据对训练任务进行评估，确定是否参与本次训练任务并向中央服务器发送响应；
S103
：中央服务器从响应集选取参与训练任务的边缘服务器并部署联邦学习方案
。3.
根据权利要求2所述的基于联邦蒸馏的异构网络无数据融合方法，其特征在于，步骤
S3
的具体操作包括以下步骤，
S301
：中央服务器发送
CGAN
参数化模型至参与模型训练的边缘服务器；
S302
：边缘服务器基于本地私有数据训练
CGAN
网络；
S303
：边缘服务器计算模型梯度，并将梯度加密传输至中央服务器；
S304
：中央服务器接收梯度参数，并通过加权平均的方法对模型更新进行计算全局损失进而更新
CGAN
网络；
S305
：中央服务器将更新后的全局
CGAN
模型发送至所有边缘服务器进行下一轮迭代，直至模型收敛；
S306
：中央服务器将训练好的
CGAN
参数化模型和全局模...

【专利技术属性】
技术研发人员：段昕汝，陈桂茸，陈爱网，陈晨，姬伟峰，闫家栋，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：