【技术实现步骤摘要】
：本专利技术属于边缘计算系统，尤其涉及一种基于多粒度群组联邦学习中边缘计算系统。
技术介绍
0、
技术介绍
：
1、随着无人机(uav)和移动机器人等边缘设备的兴起，它们在场景理解、紧急搜索和城市目标跟踪等领域有着广泛的应用。为了实现这些应用中的自主操作，设备需要通过智能分析收集到的数据来做出实时决策。然而，传统的集中式机器学习方法由于原始数据传输对带宽和延迟有很高的要求，无法满足边缘设备上的实时应用需求。相比之下，联邦学习(fl)作为一种分布式机器学习方法，更适合边缘设备，因为它传输的是参数而不是原始数据。这种方法可以有效解决边缘设备资源有限、隐私保护和数据安全等问题，为边缘计算提供了一种可行的解决方案。由于在边缘计算系统中，不同的设备离散性强，导致设备与设备之间拥有有限的资源和不同的数据，这就导致了单元与数据存在异构。
2、1、能源消耗较高。在边缘计算中，某些边缘设备之间的通信频率增加会导致较高的能源消耗，进而对环境产生不利影响。特别是当大量边缘设备参与联邦学习(fl)时，通信频率会进一步增加，从而导致能源消耗的进一步上升。这种能源消耗的增加可能会加剧对环境的恶化，增加碳排放和能源浪费。
3、2、单元异构性较大。不同任务的边缘设备使用的数据集可能存在着不同的粒度，而不同边缘设备上的单元也可能存在着差异。这种数据集和单元的异构性增加了单元聚合的难度。由于数据集的差异，边缘设备之间的数据特征和分布可能存在差异，导致在进行单元聚合时需要解决数据的不匹配问题。而不同边缘设备上的单元差异可能涉及不同的架
4、3、恶意行为损害单元。边缘设备的开放性使得存在恶意行为的可能性。恶意行为包括边缘设备上传错误的参数等，这可能会对单元聚合的准确性造成破坏。恶意上传的错误参数可能会影响单元的权重和更新过程，导致聚合后的单元产生错误的结果。这种恶意行为不仅会影响单元的性能，还可能对整个联邦学习系统的安全性造成威胁。
5、aiartificial intelligence(人工智能)
6、mg2 flmulti-granularity grouping-basedfederated learning(多粒度群组联邦学习)
7、uav unmanned aerial vehicles(无人机)
8、flfederated learning(联邦学习)
9、dnn deep neural networks(深度神经网络)
10、pbftpractical byzantine fault tolerance(拜占庭容错算法)
技术实现思路
0、
技术实现思路
：
1、针对以上问题，本专利技术实现如下3个方面的突破：
2、一种基于多粒度群组联邦学习的边缘计算系统，所述边缘计算系统包括边缘设备分组模块，边缘设备指导模块和边缘设备评估模块；其中：
3、所述边缘设备分组模块按照图形化方式对拥有多粒度数据的边缘设备进行处理获得依据通信开销和指导能力的边缘设备指导模块；
4、所述边缘设备指导模块对拥有细粒度数据的单元进行训练,并利用其对拥有粗粒度数据的单元进行指导单元获得边缘设备评估模块；
5、所述边缘设备评估模块采用信用分的领导者选择方法，通过计算边缘设备的信用分数来对本地边缘组群进行联邦学习的参数聚合。
6、进一步，所述边缘设备分组模块获得依据通信开销和指导能力的边缘设备群组过程，其中:边缘设备分组模块包括多粒度数据训练单元、图构建单元和图分割单元
7、所述多粒度数据训练单元采用边缘设备细粒度数据指导边缘设备粗粒度建立优化边缘设备网络；
8、所述图构建单元将优化边缘设备网络构建带权重的边缘设备无向图g；其中：所述带权重的边缘设备无向图g；节点由{ec,ef}组成，边由{e12,e13,...,e(n-1)n}表示；包括：
9、所述图构建单元按照如下公式对带权重的边缘设备无向图g节点进行权重计算；
10、
11、其中：γ来调节训练时间的影响；ti表示边缘设备ei的训练时间；di、fi和i分别代表边缘设备ei的数据大小、计算能力和当前迭代次数；
12、所述图构建单元按照如下公式对带权重的边缘设备无向图g边进行权重计算；
13、
14、其中，ν、和τ是调整三个不同属性相对重要性的超参；πij表示边缘设备之间的指导能力；表示边缘设备之间延迟和表示边缘设备之间的能耗；
15、所述图分割单元采用平衡图分割算法对带权重的边缘设备无向图g处理获得兼顾边缘设备通信开销以及指导能力的平衡群组划分。
16、进一步，所述边缘设备指导模块对拥有细粒度数据的单元进行训练,并利用其对拥有粗粒度数据的单元进行指导的过程；所述边缘设备指导模块包括本地训练单元、本地指导单元
17、本地训练单元指的是边缘设备利用本地数据进行训练；
18、本地指导单元在完成本地单元训练后，每个边缘设备ei将从其本地存储中选择具有最高分数πij的边缘设备进行本地单元指导，边缘设备ei的参数更新如下：
19、
20、s.t. j＝argmaxπij,j∈n(i)
21、其中，η表示更新过程中的学习率；mi表示边缘设备i上存储的单元；所述边缘设备指导模块按照如下公式对更新边缘设备ei的参数计算获得化本地边缘组群多粒度数据：
22、
23、其中，p(wi,xj,k)表示边缘设备i内的单元mi在输入数据xj,k后的输出；yj,k表示边缘设备ej的测试数据集的第k个标签，而h是存储两种类型数据之间关系的知识矩阵；是边缘设备ei在测试数据xj上的转换准确度；函数是指示函数。
24、进一步，所述边缘设备评估模块采用信用分的领导者选择方法，通过计算边缘设备的信用分数来对本地边缘组群进行联邦学习的参数聚合过程，包括如下步骤：
25、按照如下公式构建本地边缘设备ei的信用分数：
26、
27、其中，di、fi和i分别代表边缘设备ei的数据大小、计算能力和当前迭代次数；
28、按照如下公式获得本地聚合参数：
29、
30、其中为sk群组的单元参数，wj为边缘设备j的单元参数；最后将所有本地边缘群组的单元参数聚合来获得全局单元参数。
31、本专利技术还采用如下技术方案予以实施：
32、一种基于多粒度群组联邦学习的边缘计算方法，包括如下步骤：
33、步骤1、按照图形化方式对拥有多粒度数据的边缘设备进行依据通信开销和指导能力处理；
34、步骤2、对拥有细粒度数据的单元进行训练,并利用边缘设备指导模块对拥有粗粒度数据的单元进行指导获得边缘设备评估模块；
<本文档来自技高网...【技术保护点】
1.一种基于多粒度群组联邦学习的边缘计算系统，其特征在于，所述边缘计算系统包括边缘设备分组模块，边缘设备指导模块和边缘设备评估模块；其中：
2.根据权利要求1所述的一种基于多粒度群组联邦学习的边缘计算系统，其特征在于：所述边缘设备分组模块为依据通信开销和指导能力对边缘设备进行分组的过程，其中:边缘设备分组模块包括多粒度数据训练单元、图构建单元和图分割单元：
3.根据权利要求1所述的一种基于多粒度群组联邦学习的边缘计算系统，其特征在于：所述边缘设备指导模块对拥有细粒度数据的单元进行训练,并利用其对拥有粗粒度数据的单元进行指导获得边缘设备评估模块的过程；所述边缘设备指导模块包括本地单元、本地指导单元：
4.根据权利要求1所述的一种基于多粒度群组联邦学习的边缘计算系统，其特征在于，所述边缘设备评估模块采用信用分的领导者选择方法，通过计算边缘设备的信用分数对本地边缘组群进行联邦学习的参数聚合过程，包括如下步骤：
5.一种基于多粒度群组联邦学习的边缘计算方法，其特征在于，包括如下步骤：
6.根据权利要求5所述的一种基于多粒度群组联
7.根据权利要求5所述的一种基于多粒度群组联邦学习的边缘计算方法，其特征在于，所述步骤2中对拥有细粒度数据的单元进行训练,并利用边缘设备指导模块对拥有粗粒度数据的单元进行指导的过程；
8.根据权利要求1所述的一种基于多粒度群组联邦学习的边缘计算方法，其特征在于，所述步骤3采用信用分的领导者选择方法，通过计算边缘设备的信用分数来对本地边缘组群进行联邦学习的参数聚合过程，包括如下步骤：
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时使所述处理器执行权利要求4-8中的任一项所述的方法步骤。
...【技术特征摘要】
1.一种基于多粒度群组联邦学习的边缘计算系统，其特征在于，所述边缘计算系统包括边缘设备分组模块，边缘设备指导模块和边缘设备评估模块；其中：
2.根据权利要求1所述的一种基于多粒度群组联邦学习的边缘计算系统，其特征在于：所述边缘设备分组模块为依据通信开销和指导能力对边缘设备进行分组的过程，其中:边缘设备分组模块包括多粒度数据训练单元、图构建单元和图分割单元：
3.根据权利要求1所述的一种基于多粒度群组联邦学习的边缘计算系统，其特征在于：所述边缘设备指导模块对拥有细粒度数据的单元进行训练,并利用其对拥有粗粒度数据的单元进行指导获得边缘设备评估模块的过程；所述边缘设备指导模块包括本地单元、本地指导单元：
4.根据权利要求1所述的一种基于多粒度群组联邦学习的边缘计算系统，其特征在于，所述边缘设备评估模块采用信用分的领导者选择方法，通过计算边缘设备的信用分数对本地边缘组群进行联邦学习的参数聚合过程，包括如下步骤：
...【专利技术属性】
技术研发人员：戴子明，高莉莎，仇超，彭国政，任晓旭，王晓飞，朱红，项楠，韩硕，
申请(专利权)人：天津大学，
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。