[发明专利]车载算力网络用户需求预测方法、系统、设备、介质

说明书

本发明属于智能车载算力网络技术领域，公开了一种车载算力网络用户需求预测方法、系统、设备、介质，所述车载算力网络用户需求预测方法包括：构建端‑边‑云的混合联邦架构，均衡联邦学习通信和计算间的性能；设计学习参与者动态选择机制，应对随机性的移动特征和差异化的数据质量；通过车辆历史服务应用信息的分析，在混合联邦架构上部署神经网络算法，在保障车辆隐私的前提下预测其未来时刻的服务需求。本发明考虑用户需求预测带来的数据安全隐私和车辆移动行为对车载计算的影响，实现车载计算节点提前部署服务应用，保障不同用户个性化的服务需求；通过构建端‑边‑云的混合联邦架构，本地数据训练，边缘参数聚合和云端数据聚合有效解决矛盾。

技术领域

本发明属于智能车载算力网络技术领域，尤其涉及一种车载算力网络用户需求预测方法、系统、设备、介质。

背景技术

目前，车联网技术、分布式学习方法的快速发展使得车联网应用需求量及服务需求质量迅猛增长。作为数字化应用场景的重要组成部分，车联网势必迎来快速的发展期，而由此造成的几何级数据增长，无疑将对信息处理的能力提出极大的挑战。以计算密集型的自动驾驶场景为例，单台汽车每秒将会产生1G左右的数据。车辆由于自身资源的限制，显然难以有效处理；云虽然拥有丰富资源，却因为远距离部署，会产生长距离的回程链路负载和数据获取时延，无法满足车联网中日益增长的用户体验需求。

近些年边缘计算和分布式学习迅猛发展，边缘计算借助其在网络边缘处理数据的优势，在网络边缘处理大量临时数据，不再全部上传云端，这极大地减轻了网络带宽和数据中心功耗的压力，减少延迟并提高性能；而分布式学习中兴起的联邦学习解决了车辆用户的隐私问题，联邦学习在本地根据用户数据得到数据信息，只上传这些模型训练过程中产生的训练信息。

作为改变通信信息服务模式的关键创新技术，边缘计算无论在学术研究抑或是落地实践方面均取得了长足的突破，但是依然存在一些难点需要解决。邬贺铨院士提出的“十问”边缘计算中尤为追问了边缘计算部署过程当中的算力配置和调度问题。作为应对的重要举措，我国率先提出了“算力网络”的概念。算力网络基于实时的网络状况和计算资源等因素，可根据业务需求灵活地调度计算任务，实现连接和算力在网络的全局优化，从而提供极致的用户体验。

现有技术未考虑车联网中用户需求预测的准确性十分依赖于用户数据，而这对用户数据安全隐私带来极大挑战，且无法提高用户体验需求。因此，如何在保护数据隐私的情况下对不同用户多样化的服务需求精确预测以支持服务应用的灵活部署来保障任务的有效计算是亟需解决的一大问题。

迄今为止，算力网络的远景已在业界得到了广泛的认可，在标准制定、生态建设和试验验证等领域均取得了一定的进展。在计算和网络服务面向泛在化发展的当下，探索云-边-端多级计算资源和服务能力的智能管控和高效分配以满足用户多样化的服务需求是算力网络亟待攻克的技术难题。

通过上述分析，现有技术存在的问题及缺陷为：

(1)车辆由于自身资源的限制，显然难以有效处理大量数据；云虽然拥有丰富资源，却因为远距离部署，会产生长距离的回程链路负载和数据获取时延，无法满足车联网中日益增长的用户体验需求。

(2)现有技术未考虑车联网中用户需求预测的准确性十分依赖于用户数据，而这对用户数据安全隐私带来极大挑战，且无法提高用户体验需求。

(3)如何在保护数据隐私的情况下对不同用户多样化的服务需求精确预测以支持服务应用的灵活部署来保障任务的有效计算是亟需解决的一大问题。

解决以上问题及缺陷的难度为：该方法需要构建一个端-边-云的混合联邦架构，用来均衡联邦学习通信和计算之间的性能；在每次迭代过程中需要对车载网络中端侧训练参与者动态更新。