【技术实现步骤摘要】
本专利技术涉及数据处理领域，更具体的，涉及一种基于逻辑回归的数据源云-边协同方法及系统。
技术介绍
1、数据爆炸式增长，资源受限的本地用户将其大批量的数据文件和开销巨大的计算任务外包给存储和计算资源丰富的云服务器完成，外包给云服务器的机器学习模型越来越流行。然而，单一的云服务器架构集中化存储和处理大量的原始数据会带来严重的带宽和能耗问题,且容易成为敌手俘获攻击的目标，从而成为外包系统的安全与性能瓶。为了弥补云计算的不足,引入了边缘计算，边缘节点具有一定的计算和存储能力,可减少云服务器的带宽与计算负担。云服务器从各边缘节点接收数据,进行全局分析,以改善各类网络应用服务,如智能交通、智能配电等。
2、逻辑回归是机器学习中用于解决二分类问题的一种重要技，在医学中，逻辑回归用于根据观察到的患者特征来预测患某种疾病的风险。在金融领域，逻辑回归用于预测房主拖欠抵押贷款或信用卡交易欺诈的可能性。在实际应用中，外包中的逻辑回归越来越广泛的应用。与所有机器学习模型一样，数据越多模型准确率会越高，当收集足够的训练数据会对提高模型的准确率有帮助。引入分布式机器学习可以为逻辑回归提供大量的数据，但如果这些数据都在云服务器计算，会产生大量网络带宽和计算负担。为了应对这些挑战，边缘计算被提出通过将计算能力从云数据中心下沉到边缘侧(即数据生成源)来实现低延迟数据处理，这可能使分布式机器学习处理具有高性能。同时，一旦数据和模型交于云服务器处理，会损害了用户的个人隐私和模型的版权，这在一定程度上阻碍了分布式机器学习的更广泛应用。因此在保证数据隐私和模
3、针对上述问题，众多学者通常采用同态加密方法。同态加密使人们能够直接对加密数据进行计算，无需解密。将加密数据发送到云服务器，然后云服务器将对该加密输入数据进行逻辑回归训练。在加密数据上训练比传统机器学习模型训练更具有挑战性，仍存在以下两方面问题：
4、(1)首先，为了增强模型的性能，需要使用由来自多个数据源的数据组成的庞大训练数据集，全都交由云服务器计算，开销较大带宽较高。中国专利“cn202111486280.8–一种联邦学习方法及联邦学习系统”以及“cn202210758009.3–联邦学习方法、联邦学习装置及联邦学习系统”提出了联邦学习隐私保护系统，然而，云服务器承担了大量的计算开销，带宽较高。同时，用户与云服务器共同参与上述过程，用户不得离线，承担部分计算开销。但在实际应用中，由于本地资源受限，且网络原因，用户不能一直参与训练过程。
5、(2)其次，现有方案中的数据源使用相同的公钥加密数据，安全性假设是基于服务器不能与任何数据源串通。一旦它们串通，云服务器就可以解密并获取所有数据源的数据。中国专利“cn202210518068.3-一种基于全同态加密的医疗数据共享的隐私保护方法”使用相同的公钥加密他们自己计算的数据并将它们发送到服务器。然而，该方案的安全性是基于服务器不能与任何学习参与者串通的假设。分析系统的潜在风险如下：(1)由于数据源拥有相同的公钥和私钥，a只要得到b的加密数据，就可解密学习b的数据。(2)更糟糕的是，服务器很可能在实践中与其中一名参与者串通。一旦服务器和学习参与者串通，他们就可以解密所有学习参与者的梯度，因为服务器拥有所有加密的梯度，而学习参与者拥有私钥。为了避免将数据泄露给其他方，数据源必须通过不同的tls/ssl安全通道连接到云服务器。
6、针对上述问题，亟需一种基于逻辑回归的数据源云-边协同方法及系统。
技术实现思路
1、为解决现有技术中存在的不足，本专利技术提供一种基于逻辑回归的数据源云-边协同方法及系统，通过梯度和损失函数的计算来合理调用边缘节点上的数据内容，同时通过边缘节点来采集和暂存数据源上的数据内容。
2、本专利技术采用如下的技术方案。
3、本专利技术第一方面，涉及一种基于逻辑回归的数据源云-边协同方法，方法包括以下步骤：步骤1，采用边缘节点en采集并暂存来自数据源dsi的加密数据[mi]，边缘节点en利用密钥交换算法对加密数据[mi]进行加密换算已获得[mi]cs，并将[mi]cs发送至云服务器cs；步骤2，利用边缘节点en计算加密数据[mi]cs的加密梯度[gk]和损失函数，并将加密梯度和损失函数发送给云服务器；步骤3，云服务器cs利用加密梯度和损失函数来选择将数据源dsi分配给多个边缘节点en，并生成分类结果；步骤4，经过用户的加密请求[cj]，云服务器cs将加密的分类结果[oj]发送给用户uj。
4、优选的，方法采用mkfhe多密钥全同态加密算法实现数据加密。
5、优选的，步骤3中还包括：采用安全模型训练的方式来实现边缘节点en上多个数据源的分配过程；并且，模型训练包括安全参数计算和安全分布式优化。
6、优选的，安全参数计算包括采用逻辑回归算法迭代计算边缘节点上数据内容的梯度和损失函数。
7、优选的，边缘节点上数据内容的梯度为：
8、
9、其中，x为输入数据，y为x的概率，w为模型训练中待学习的权重向量。
10、优选的，边缘节点上数据内容的损失函数为：
11、
12、其中，x为输入数据，y为x的概率，w为模型训练中待学习的权重向量。
13、优选的，对于梯度和损失函数进行加密后，传输至云服务器cs；其中，加密采用步骤1中的方法实现。
14、优选的，安全分布式优化还包括：云服务器cs设置初始模型参数，并基于接收到的梯度、和上一次全局模型参数对当前边缘节点的下一次局部模型参数进行计算；待云服务器cs接收到所有边缘节点的下一次局部模型参数后，进行加权求和计算，以生成下一次全局模型参数待下一次全局模型参数的取值满足迭代结束要求时，结束迭代，并将分类结果作为优化结果。
15、优选的，训练结束后，全局模型存储在云服务器cs中，为用户uj提供查询分类请求。
16、本专利技术第二方面，涉及一种基于逻辑回归的数据源云-边协同系统，系统用于实现本专利技术第一方面中基于逻辑回归的数据源云-边协同方法的步骤；并且，系统包括加密模块、参数计算模块、分类优化模块和结果查询模块；其中，加密模块，用于采用边缘节点en采集并暂存来自数据源dsi的加密数据[mi]，边缘节点en利用密钥交换算法对加密数据[mi]进行加密换算已获得[mi]cs，并将[mi]cs发送至云服务器cs；参数计算模块，用于利用边缘节点en计算加密数据[mi]cs的加密梯度[gk]和损失函数，并将加密梯度和损失函数发送给云服务器；分类优化模块，用于利用加密梯度和损失函数来选择将数据源dsi分配给多个边缘节点en，并生成分类结果；结果查询模块，用于经过用户的加密请求[cj]，利用云服务器cs将加密的分类结果[oj]发送给用户uj。
17、本专利技术的有益效果在于，与现有技术相比，本专利技术中的一种基于逻辑回归的数据源云-边协同方法及系统，通过梯度和损失函数的计算合理部署边缘节本文档来自技高网...
【技术保护点】
1.一种基于逻辑回归的数据源云-边协同方法，其特征在于：
2.根据权利要求1所述的一种基于逻辑回归的数据源云-边协同方法，其特征在于：
3.根据权利要求1所述的一种基于逻辑回归的数据源云-边协同方法，其特征在于：
4.根据权利要求3所述的一种基于逻辑回归的数据源云-边协同方法，其特征在于：
5.根据权利要求4所述的一种基于逻辑回归的数据源云-边协同方法，其特征在于：
6.根据权利要求4所述的一种基于逻辑回归的数据源云-边协同方法，其特征在于：
7.根据权利要求4所述的一种基于逻辑回归的数据源云-边协同方法，其特征在于：
8.根据权利要求3所述的一种基于逻辑回归的数据源云-边协同方法，其特征在于：
9.根据权利要求8所述的一种基于逻辑回归的数据源云-边协同方法，其特征在于：
10.一种基于逻辑回归的数据源云-边协同系统，其特征在于：
【技术特征摘要】
1.一种基于逻辑回归的数据源云-边协同方法，其特征在于：
2.根据权利要求1所述的一种基于逻辑回归的数据源云-边协同方法，其特征在于：
3.根据权利要求1所述的一种基于逻辑回归的数据源云-边协同方法，其特征在于：
4.根据权利要求3所述的一种基于逻辑回归的数据源云-边协同方法，其特征在于：
5.根据权利要求4所述的一种基于逻辑回归的数据源云-边协同方法，其特征在于：
...【专利技术属性】
技术研发人员：栗维勋，汪明，马斌，孙广辉，杨立波，王亚军，袁龙，宁志言，刘昕禹，高明慧，冯思博，付广宇，包鹏，
申请(专利权)人：国网河北省电力有限公司，
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。