【技术实现步骤摘要】
本专利技术涉及机器学习应用，特别涉及一种基于链上联邦学习的分心驾驶行为联合识别方法及系统。
技术介绍
1、随着交通网络的飞速增长，驾驶安全成为人们日益关注的焦点，而分心驾驶行为频发是引发交通事故的一大原因。在交通行业信息化、智慧城市精准化的时代背景下，各个交通部门仅凭私有数据难以基于机器学习应对情况复杂的实时驾驶行为。目前已有基于联邦学习的数据共享方案提出；然而，现阶段传统联邦学习数据共享方案在分心驾驶行为识别背景下，仍然面临以下挑战：(1)传统数据共享方案需要第三方可信服务器，面临单点故障攻击威胁。(2)出于保护用户隐私数据或商业竞争的考虑，缺乏高效的隐私保护机制。(3)传统数据共享方案缺乏合适的激励机制，难以维持各部门间长期合作。
技术实现思路
1、为此，本专利技术提供一种基于链上联邦学习的分心驾驶行为联合识别方法及系统，通过共享分心驾驶行为数据来联合识别行为，能够达到减小分心驾驶行为识别时间、提高模型预测准确度、具有更高泛化性的目的，可适用于大部分驾驶场景。
2、按照本专利技术所提供的设计方案，一方面，提供一种基于链上联邦学习的分心驾驶行为联合识别方法，包含：
3、将分布式协助的交通管理部门作为参与联邦学习训练任务的参与方，在联邦学习训练的每轮迭代中，各参与方本地端利用本地数据集训练本地模型并将训练得到的本地模型更新梯度上传至区块链，基于区块链聚合并更新全局模型，以供各参与方本地端下载更新本地模型，其中，本地数据集为交通管理部门收集其辖域内的驾驶员行为
4、将各交通管理部门作为联邦学习参与方，训练后的全局模型通过区块链共识机制后，作为对应交通管理部门的本地目标检测模型，分发至辖域内各车载端，以利用本地目标检测模型对其辖域内驾驶员分心驾驶行为实时视频流数据进行检测识别。
5、作为本专利技术基于链上联邦学习的分心驾驶行为联合识别方法，进一步地，各参与方本地端利用本地数据集训练本地模型并将训练得到的本地模型更新梯度上传至区块链，包含：
6、首先，各参与方本地端利用本地数据集对模型进行本地训练，得到本地模型，对本地模型权重进行优化裁剪并基于差分隐私的自适应梯度下降机制对本地模型权重添加高斯噪声，以获取本地模型梯度隐私保护的本地模型更新梯度；
7、然后，将获取的本地模型更新梯度上传至区块链。
8、作为本专利技术基于链上联邦学习的分心驾驶行为联合识别方法，进一步地，对本地模型权重进行优化裁剪并基于差分隐私的自适应梯度下降机制对本地模型权重添加高斯噪声，包含：
9、首先，基于高斯机制获取模型参数更新的噪声梯度，利用预设限幅阈值并基于梯度裁剪来限制模型参数更新梯度的敏感性，以获取模型参数更新梯度预测，并将梯度预测规范化为单位范数，其中，高斯机制中，依据预设限幅阈值和隐私预算份额设置高斯噪声的方差；
10、然后，基于模型参数更新梯度预测并利用自适应步长对模型参数更新进行裁剪，并通过带噪最大计数算法获取产生最小预测值的步长并选取最优梯度下降方向质量，以基于最优梯度下降方向获取本地模型更新梯度。
11、作为本专利技术基于链上联邦学习的分心驾驶行为联合识别方法，进一步地，通过带噪最大计数算法获取产生最小预测值的步长并选取最优梯度下降方向质量，还包含：
12、通过带噪最大计数算法确定梯度下降方向质量不是最优时，依据预定义更新规则更新隐私预算份额，基于隐私预算份额和梯度平均更新噪声梯度，并再次通过带噪最大计数算法进行梯度下降检查，直至满足梯度下降方向。
13、作为本专利技术基于链上联邦学习的分心驾驶行为联合识别方法，进一步地，基于区块链聚合并更新全局模型，包含：
14、首先，结合信誉值激励机制并基于预设权益证明共识机制选举领导者；
15、然后，领导者对各本地模型更新梯度进行两两计算，获取每两个梯度之间的差异距离，以基于差异距离验证并选取最相似的本地模型更新梯度并通过合并更新来获取当前联合训练迭代轮次的全局模型。
16、作为本专利技术基于链上联邦学习的分心驾驶行为联合识别方法，进一步地，所述信誉值激励机制，包含：为每个参与者分配初始信誉值并存储在区块链上，在联合训练迭代轮次中，若领导者验证并选取本地模型更新梯度，则对应参与者信誉值加1，否则，其信誉值减1。
17、作为本专利技术基于链上联邦学习的分心驾驶行为联合识别方法，进一步地，所述预设权益证明机制，包含：依据当前联邦训练迭代轮次中各参与者节点的信誉值，通过对各信誉值求和来计算各参与者本轮被选举为领导者的概率，基于各参与者的概率并通过随机数算法选举领导者，以通过领导者来执行本轮全局模型更新。
18、作为本专利技术基于链上联邦学习的分心驾驶行为联合识别方法，进一步地，分心驾驶行为联合学习训练中的模型采用yolov5网络模型，以通过对yolov5网络模型的联合训练来对驾驶行为中的行为分心和视觉分心进行检测。
19、进一步地，本专利技术还提供一种基于链上联邦学习的分心驾驶行为联合识别系统，包含：联合训练模块和行为识别模块，其中，
20、联合训练模块，用于将分布式协助的交通管理部门作为参与联邦学习训练任务的参与方，在联邦学习训练的每轮迭代中，各参与方本地端利用本地数据集训练本地模型并将训练得到的本地模型更新梯度上传至区块链，基于区块链聚合并更新全局模型，以供各参与方本地端下载更新本地模型，其中，本地数据集为交通管理部门收集其辖域内的驾驶员行为图像数据，且该图像数据中标注有对应行为标签；
21、行为识别模块，用于将各交通管理部门作为联邦学习参与方，训练后的全局模型通过区块链共识机制后，作为对应交通管理部门的本地目标检测模型，分发至辖域内各车载端，以利用本地目标检测模型对其辖域内驾驶员分心驾驶行为实时视频流数据进行检测识别。
22、本专利技术的有益效果：
23、本专利技术利用联邦学习的分布式框架并结合区块链在隐私保护的前提下，安全高效地共享分心驾驶行为数据，并联合多个交通部分持续可信地训练分心驾驶行为识别模型，以维持链上联邦学习的稳定性；同时，利用区块链去中心化的特性，从原理上解决联邦学习框架的易受单点故障攻击的问题；利用差分隐私自适应梯度下降机制来自动适应每次迭代的隐私预算，保护梯度隐私并朝着最佳方案靠拢，基于信誉值激励机制和权益证明机制，鼓励更多参与者参与区块链维护，提升联邦学习训练的可持续性，在实现隐私保护增强和数据利用平衡的同时，能够抵抗单点故障攻击，提高系统的鲁棒性，能够适用于大部分驾驶场景，具有较好的应用价值。
本文档来自技高网...【技术保护点】
1.一种基于链上联邦学习的分心驾驶行为联合识别方法，其特征在于，包含：
2.根据权利要求1所述的基于链上联邦学习的分心驾驶行为联合识别方法，其特征在于，各参与方本地端利用本地数据集训练本地模型并将训练得到的本地模型更新梯度上传至区块链，包含：
3.根据权利要求2所述的基于链上联邦学习的分心驾驶行为联合识别方法，其特征在于，对本地模型权重进行优化裁剪并基于差分隐私的自适应梯度下降机制对本地模型权重添加高斯噪声，包含：
4.根据权利要求3所述的基于链上联邦学习的分心驾驶行为联合识别方法，其特征在于，通过带噪最大计数算法获取产生最小预测值的步长并选取最优梯度下降方向质量，还包含：
5.根据权利要求1所述的基于链上联邦学习的分心驾驶行为联合识别方法，其特征在于，基于区块链聚合并更新全局模型，包含：
6.根据权利要求5所述的基于链上联邦学习的分心驾驶行为联合识别方法，其特征在于，所述信誉值激励机制，包含：为每个参与者分配初始信誉值并存储在区块链上，在联合训练迭代轮次中，若领导者验证并选取本地模型更新梯度，则对应参与者信誉值加1，否
7.根据权利要求5所述的基于链上联邦学习的分心驾驶行为联合识别方法，其特征在于，所述预设权益证明机制，包含：依据当前联邦训练迭代轮次中各参与者节点的信誉值，通过对各信誉值求和来计算各参与者本轮被选举为领导者的概率，基于各参与者的概率并通过随机数算法选举领导者，以通过领导者来执行本轮全局模型更新。
8.根据权利要求1所述的基于链上联邦学习的分心驾驶行为联合识别方法，其特征在于，分心驾驶行为联合学习训练中的模型采用YOLOv5网络模型，以通过对YOLOv5网络模型的联合训练来对驾驶行为中的行为分心和视觉分心进行检测。
9.一种基于链上联邦学习的分心驾驶行为联合识别系统，其特征在于，包含：联合训练模块和行为识别模块，其中，
10.一种电子设备，其特征在于，包括：
...【技术特征摘要】
1.一种基于链上联邦学习的分心驾驶行为联合识别方法，其特征在于，包含：
2.根据权利要求1所述的基于链上联邦学习的分心驾驶行为联合识别方法，其特征在于，各参与方本地端利用本地数据集训练本地模型并将训练得到的本地模型更新梯度上传至区块链，包含：
3.根据权利要求2所述的基于链上联邦学习的分心驾驶行为联合识别方法，其特征在于，对本地模型权重进行优化裁剪并基于差分隐私的自适应梯度下降机制对本地模型权重添加高斯噪声，包含：
4.根据权利要求3所述的基于链上联邦学习的分心驾驶行为联合识别方法，其特征在于，通过带噪最大计数算法获取产生最小预测值的步长并选取最优梯度下降方向质量，还包含：
5.根据权利要求1所述的基于链上联邦学习的分心驾驶行为联合识别方法，其特征在于，基于区块链聚合并更新全局模型，包含：
6.根据权利要求5所述的基于链上联邦学习的分心驾驶行为联合识别方法，其特征在于，所述信誉值激励机制，包含...
【专利技术属性】
技术研发人员：方晨，郭渊博，张鹏宇，杨芳，胡永进，张琦，闫师，孙钰晴，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
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。