边缘智能控制器中联邦学习的差分隐私保护加速卸载方法技术

技术编号：41349868 阅读：13 留言：0更新日期：2024-05-20 10:03

本发明专利技术提供一种边缘智能控制器中联邦学习的差分隐私保护加速卸载方法，包括如下步骤：S1、获取t‑1轮FL中每台设备的计算能力，向各所述设备确定扰动后的卸载策略；S2、经范围受限拉普拉斯分布，对所述设备被确定的扰动卸载策略模糊处理至预设范围内；S3、经安全处理后将所述设备的初始卸载策略映射至t轮中的每个所述设备中。本发明专利技术优化基于DRL的卸载技术，为设备生成最优的卸载策略，从而显著减少模型训练时间，通过充分利用ES硬件的加速效果，实现了高效的卸载加速。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术属于联邦学习优化，具体涉及一种边缘智能控制器中联邦学习的差分隐私保护加速卸载方法。

技术介绍

1、工业物联网(industrial internet of things,iiot)设备中，持续产生着大量工业感知数据。通常情况下，这些数据由生产线上的传感器节点采集，其中可能包含敏感信息。通过利用机器学习(machine learning,ml)技术，可以分析这些数据，从而为实现工业智能生产和运维提供可靠支持。传统的中心化模型训练方法存在将大量原始数据传输到网络中心节点的问题，这可能导致严重的数据隐私泄露。考虑到iiot的高隐私保护需求，将原始数据在节点本地进行存储与处理势必为保护节点数据隐私的最优选择。

2、在传统的联邦学习(federated learning,fl)中，通常将计算任务(例如深度神经网络的训练)分配给计算能力较弱的边缘设备执行，例如边缘智能控制器(edgeintelligent controller,eic)而计算能力较强的边缘服务器(edge server,es)的主要任务是收集和汇总来自各个设备...

【技术保护点】

1.边缘智能控制器中联邦学习的差分隐私保护加速卸载方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的边缘智能控制器中联邦学习的差分隐私保护加速卸载方法，其特征在于，经所述范围受限拉普拉斯分布扰动的卸载策略在[0,1]的范围内，且满足ε-DP。

3.根据权利要求2所述的边缘智能控制器中联邦学习的差分隐私保护加速卸载方法，其特征在于，所述范围受限拉普拉斯分布的概率密度函数如下：

4.根据权利要求1所述的边缘智能控制器中联邦学习的差分隐私保护加速卸载方法，其特征在于，执行由t-1轮至t轮训练时，还包括对中间激活数据的保护。