【技术实现步骤摘要】
本专利技术属于车联网,具体涉及一种基于有损通信的车桩网跨平台学习的公平性与能耗优化方法和系统。
技术介绍
1、随着最近发展起来的“车-桩-网”跨平台技术,数据传输正在快速增长,并不断挑战网络传输的极限。将所有预测数据上传到云计算服务器的工作变得越来越紧张。边缘的人工智能(ai)和在边缘设备上运行的人工智能算法已成为实现泛在智能宏伟愿景的一个有前途的关键推动者。
2、由谷歌提出的边缘人工智能训练模式,即联邦学习(fl)已经成为边缘人工智能培训的典范。fl的核心特征是fl中的用户设备在不透露原始数据的情况下训练机器学习模型。然而,这种训练模型的方法不涉及数据交换,在每一轮训练中都需要大量的计算和通信资源。在这种情况下,期望仅选择要代表所有模型进行训练的模型的子集。将零信任安全模型集成到fl学习过程中,可以进行连续的系统验证和身份验证,有助于制定有效的网络访问策略。零信任fl(ztfl)促进了“车-桩-网”跨平台技术在现实世界领域的应用。
3、与传统的联合学习相比,ztfl框架中的设备通常是车辆。与普通移动设备相比,它
...【技术保护点】
1.一种基于有损通信的车桩网跨平台学习的公平性与能耗优化方法,其特征在于,在零信任联邦学习框架ZTFL中,通过在每个学习轮次中,均对框架中的参与设备求解预先构建好的联合优化系统能耗和公平性的优化模型,得到当前学习轮次下被选择的设备、有损通信条件下的通信资源分配以及计算资源分配,从而进行零信任联邦学习;
2.根据权利要求1所述的基于有损通信的车桩网跨平台学习的公平性与能耗优化方法,其特征在于,所述优化模型的表达式如下:
3.根据权利要求2所述的基于有损通信的车桩网跨平台学习的公平性与能耗优化方法,其特征在于,在求解所述优化模型时,将所述长期公平约
...【技术特征摘要】
1.一种基于有损通信的车桩网跨平台学习的公平性与能耗优化方法,其特征在于,在零信任联邦学习框架ztfl中,通过在每个学习轮次中,均对框架中的参与设备求解预先构建好的联合优化系统能耗和公平性的优化模型,得到当前学习轮次下被选择的设备、有损通信条件下的通信资源分配以及计算资源分配,从而进行零信任联邦学习;
2.根据权利要求1所述的基于有损通信的车桩网跨平台学习的公平性与能耗优化方法,其特征在于,所述优化模型的表达式如下:
3.根据权利要求2所述的基于有损通信的车桩网跨平台学习的公平性与能耗优化方法,其特征在于,在求解所述优化模型时,将所述长期公平约束通过李雅普诺夫优化理论转化为目标函数进行求解,转化过程包括:
4.根据权利要求3所述的基于有损通信的车桩网跨平台学习的公平性与能耗优化方法,其特征在于,所述漂移加成本函数的表达式如下:
5.根据权利要求4所述的基于有损通信的车桩网跨平台学习的公平...
【专利技术属性】
技术研发人员:唐建林,钱斌,雷一勇,顾衍璋,肖勇,张帆,王吉,周晓东,
申请(专利权)人:南方电网科学研究院有限责任公司,
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。