【技术实现步骤摘要】
本专利技术涉及一种基于区块链的联邦学习优化方法，属于联邦学习。
技术介绍
1、随着物联网数据量不断增加和下一代无线网络对数据隐私的日益关注，中央服务器上的集中式人工智能训练不再适用，联邦学习被提出作为一种新的解决方法。在联邦学习中，边缘服务器是一个研究热点，边缘服务器能够利用数据源附近的网络边缘资源，实现低延迟的数据训练，应对人工智能服务不可预测的计算和存储需求。然而，在实际过程中，由于用户设备在向边缘服务器传输模型参数时容易受到安全瓶颈的影响，所以用户设备很难完全信任边缘服务器用于模型聚合，在模型聚合时，边缘服务器受到攻击会引入单点故障瓶颈，从而破坏整个联邦学习系统，而且单个边缘服务器无法聚合从数百万用户设备上传来的所有模型更新。
2、因此，引入区块链技术解决上述解决信任问题和大量模型的更新问题。通过使用区块链技术，联邦学习不再需要中央服务器，每个边缘服务器作为区块链网络中的一个节点，任何更新事件和用户行为都可以由所有网络实体透明地跟踪，从而避免联邦学习中的潜在威胁。然而，在现有的区块链-联邦学习框架中，边缘服务器只是起到...
【技术保护点】
1.一种基于区块链的联邦学习优化方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于区块链的联邦学习优化方法，其特征在于，所述基于深度强化学习的数据卸载控制策略，控制用户设备选择将数据传输到边缘节点进行模型训练或者在本地进行模型更新，包括：
3.根据权利要求2所述的基于区块链的联邦学习优化方法，其特征在于，所述数据卸载控制策略的状态表示如下：
4.根据权利要求3所述的基于区块链的联邦学习优化方法，其特征在于，所述归一化的网络带宽B的表达式如下：
5.根据权利要求2所述的基于区块链的联邦学习优化方法，其特征在于，...
【技术特征摘要】
1.一种基于区块链的联邦学习优化方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于区块链的联邦学习优化方法，其特征在于，所述基于深度强化学习的数据卸载控制策略，控制用户设备选择将数据传输到边缘节点进行模型训练或者在本地进行模型更新，包括：
3.根据权利要求2所述的基于区块链的联邦学习优化方法，其特征在于，所述数据卸载控制策略的状态表示如下：
4.根据权利要求3所述的基于区块链的联邦学习优化方法，其特征在于，所述归一化的网络带宽b的表达式如下：
5.根据权利要求2所述的基于区块链的联邦学习优化方法，其特征在于，所述数据卸载控制策略的动作包括：
6...
【专利技术属性】
技术研发人员：郭永安，王国成，王宇翱，李嘉靖，
申请(专利权)人：南京邮电大学，
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。