【技术实现步骤摘要】
本专利技术涉及联邦学习，尤其涉及一种分片区块链的联邦学习方法及系统。
技术介绍
1、边缘计算的兴起导致了无线网络中边缘设备数量的激增，为了向用户提供智能服务，这些设备上在执行深度学习任务时需要大量的训练数据。然而由于隐私和安全问题，无法直接将存储在边缘设备上的数据与其他设备进行共享，从而导致智能服务在深度学习中所需的训练数据不足，进而影响了服务质量。联邦学习是一种保护数据隐私的分布式学习范式，提供了隐私保护和数据安全挑战的解决方案。任务发布者发布一项联邦学习任务后，客户端在本地使用收集到的数据进行本地的模型训练，然后将模型参数上传给参数服务器进行聚合。边缘设备之间通过联邦学习可以共享模型参数，共同训练高质量模型提供高质量服务。
2、目前的联邦学习框架依赖中央参数服务器与边缘设备进行协调训练，存在单点故障的问题，即中心服务器宕机会导致联邦学习过程中断。
技术实现思路
1、鉴于此，本专利技术的实施例提供了一种分片区块链的联邦学习方法，以消除或改善现有技术中存在的一个或更多个缺陷。<...
【技术保护点】
1.一种分片区块链的联邦学习方法，其特征在于，本方法基于分片区块链结构，所述分片区块链结构包括多个分片子链，每个所述分片子链包括多个子节点，所述方法的步骤包括：
2.根据权利要求1所述的分片区块链的联邦学习方法，其特征在于，所述分片子链的每个子节点基于该子节点的CPU频率、芯片对应的能耗系数和训练一个样本数据所需的CPU周期数确定最优请求数据数量的步骤包括：
3.根据权利要求2所述的分片区块链的联邦学习方法，其特征在于，在基于单数据价格参数和CPU处理参数计算最优请求数据数量的步骤中，基于单数据价格参数和CPU处理参数计算最优单位数据价格参数，...
【技术特征摘要】
1.一种分片区块链的联邦学习方法，其特征在于，本方法基于分片区块链结构，所述分片区块链结构包括多个分片子链，每个所述分片子链包括多个子节点，所述方法的步骤包括：
2.根据权利要求1所述的分片区块链的联邦学习方法，其特征在于，所述分片子链的每个子节点基于该子节点的cpu频率、芯片对应的能耗系数和训练一个样本数据所需的cpu周期数确定最优请求数据数量的步骤包括：
3.根据权利要求2所述的分片区块链的联邦学习方法，其特征在于，在基于单数据价格参数和cpu处理参数计算最优请求数据数量的步骤中，基于单数据价格参数和cpu处理参数计算最优单位数据价格参数，基于最优单位数据价格参数计算最优请求数据数量。
4.根据权利要求2所述的分片区块链的联邦学习方法，其特征在于，在基于该子节点的cpu频率、芯片对应的能耗系数和训练一个样本数据所需的cpu周期数计算单数据价格参数的步骤中，基于如下公式计算单数据价格参数：
5.根据权利要求2所述的分片区块链的联邦学习方法，其特征在于，在基于该子节点的cpu频率和训练一个样本数据所需的cpu周期数计算cpu处理参数的步骤中，基于如下公式计算cpu处理参数：
6.根据权利要求3所述的分片区块链的联邦学习方法，其特征在于，在基于单数据价格参数和cpu处理参数计算最优单位数据价格参数的步骤...
【专利技术属性】
技术研发人员：高志鹏，林起庚，熊艳伟，郑哲，崔文朋，张华栋，孔令稷，李海奇，
申请(专利权)人：北京邮电大学，
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。