基于全局-个性化协作联邦学习的边缘异常检测方法技术

本发明专利技术涉及一种基于全局‑个性化协作联邦学习的边缘异常检测方法，包括：边缘服务器生成全局模型后，下放全局模型；客户端根据全局模型初始化本地模型；在客户端使用条件计算组件将流量特征转换为全局和个性化特征向量；客户端在全局类别嵌入模块中引入对比和量级损失并根据样本类别的嵌入来指导全局特征向量的学习，并使用交叉熵损失指导个性化特征向量的学习；客户端通过计算交叉熵损失和总体损失更新梯度的余弦相似度来判断是否执行损失替换，进而加速模型的训练；客户端完成本地训练后上传模型的更新给边缘服务器；边缘服务器进行全局聚合，并更新全局模型；重复上述步骤，直到异常检测模型收敛。该方法有利于提高边缘异常检测精度和效率。

【技术实现步骤摘要】

本专利技术涉及本专利技术涉及边缘异常检测，具体涉及一种基于全局-个性化协作联邦学习的边缘异常检测方法。

技术介绍

1、5g技术的飞速发展为物联网(internet-of-things，iot)相关应用领域提供了强大的支撑(如，自动驾驶、智慧城市和环境监测)，也导致了iot设备数量的急剧增加。iot设备包含大量隐私数据，其安全性和可靠性对于个人和集体都至关重要。近年来，iot设备遭到攻击的案例呈日益上升的趋势，因此异常检测在保障iot安全上扮演了重要的角色。在经典的云计算中，海量流量数据会从iot设备传输至远程云进行检测，这种不仅消耗了大量的网络带宽，也导致了显著的延迟，严重影响了用户体验。为了缓解这一问题，移动边缘计算(mobile edge computing，mec)通过将计算和存储资源下沉至网络边缘，减少了iot设备对远程云的的依赖，从而改善了带宽利用和传输延迟。在mec中，iot设备需将其数据上传边缘服务器进行处理，仍存在隐私泄露问题。同时，流量数据分布在不同的iot设备上，若在本地训练异常检测模型，面临着数据孤岛问题。新兴的联邦学习(federa本文档来自技高网...

【技术保护点】

1.一种基于全局-个性化协作联邦学习的边缘异常检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于全局-个性化协作联邦学习的边缘异常检测方法，其特征在于，对于有N个具有统计和系统异构的IoT设备，即客户端的系统，对于每一轮次FL学习，边缘服务器随机选择一个客户端子集Sr，其客户端从边缘服务器下载全局模型；接着，客户端使用其本地数据训练模型；客户端i的训练数据集记为其中yj∈{1,2,...,Y}为样本xj的标签，Y表示异常类型的数量；因此，本地模型的优化目标为：

3.根据权利要求2所述的基于全局-个性化协作联邦学习的边缘异常检测方法，其特征在于，将客...

【技术特征摘要】

1.一种基于全局-个性化协作联邦学习的边缘异常检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于全局-个性化协作联邦学习的边缘异常检测方法，其特征在于，对于有n个具有统计和系统异构的iot设备，即客户端的系统，对于每一轮次fl学习，边缘服务器随机选择一个客户端子集sr，其客户端从边缘服务器下载全局模型；接着，客户端使用其本地数据训练模型；客户端i的训练数据集记为其中yj∈{1,2,...,y}为样本xj的标签，y表示异常类型的数量；因此，本地模型的优化目标为：

3.根据权利要求2所述的基于全局-个性化协作联邦学习的边缘异常检测方法，其特征在于，将客户端的本地模型的最后一层全连接(fc)层作为头部χ(·；wih)，其余部分作为特征提取器ψ(·；wf)；首先，ψ(·；wf)提取客户端i的训练样本xi特征并将其映射为新的特征向量xi'；对于本地第t＝1步训练，不计算余弦相似度cosim(·)，而直接使用特征转换模块fet将xi'转...

【专利技术属性】
技术研发人员：陈哲毅，薛龙祥，钟璐英，卢恬英，
申请(专利权)人：福州大学，
类型：发明
国别省市：