[发明专利]基于联邦边缘学习的数据共享时延优化方法及装置

说明书

本发明提供一种基于联邦边缘学习的数据共享时延优化方法及装置，所述方法包括：利用基于联邦边缘学习的分布式系统架构进行数据共享；所述系统架构包括通信连接的客户端、边缘服务器和中心服务器；对所述客户端的传输功率、计算功率和数据卸载量进行优化，获取最小的数据共享时延。本发明通过利用基于联邦边缘学习的分布式系统架构进行数据共享，提高了数据共享的效率，再对客户端的传输功率、计算功率和数据卸载量进行优化，实现在工业互联网中的数据共享资源受限的场景下获取最小的数据共享时延。

技术领域

本发明涉及信息安全技术领域，尤其涉及一种基于联邦边缘学习的数据共享时延优化方法及装置。

背景技术

联邦边缘学习已广泛应用于工业物联网(Industrial Internet of Things,IIoT)中的数据共享场景，用以解决数据共享中的隐私问题和计算开销问题。然而，分布在网络边缘的数据正呈指数级爆炸式增长，这将为来自大量分布式设备的数据汇总以进行训练的集中式机器学习方案带来巨大的系统时延。

现有技术方案中对于系统时延的问题，通常是以优化模型内部结构的方法来解决，但是目前优化模型内部结构的研究，通常是在假设资源足够的情况下进行，而在实际场景中终端设备和边缘服务器可能分配到的带宽不足以支撑需要传输的数据量。因此，在工业互联网中的数据共享资源受限的场景下，优化模型内部结构的方法对解决系统时延不适用。

因此，在工业互联网中的数据共享资源受限的场景下，对系统时延进行优化是亟需解决的技术问题。

发明内容

本发明提供一种基于联邦边缘学习的数据共享时延优化方法及装置，用以解决现有技术中在工业互联网中的数据共享资源受限的场景下不能对系统时延进行优化的缺陷。

本发明提供一种基于联邦边缘学习的数据共享时延优化方法，包括：

利用基于联邦边缘学习的分布式系统架构进行数据共享；所述系统架构包括通信连接的客户端、边缘服务器和中心服务器；

对所述客户端的传输功率、计算功率和数据卸载量进行优化，获取最小的数据共享时延。

可选地，对所述客户端的传输功率、计算功率和数据卸载量进行优化，获取最小的数据共享时延，包括：

在所述客户端的传输功率大于等于零，且所有客户端的传输功率之和小于等于系统功率的条件下，对所述客户端的传输功率进行优化，获取数据共享中最小的数据卸载时延；

在所述客户端的计算功率大于等于零，且所有客户端的计算功率之和小于等于系统功率的条件下，对所述客户端的计算功率进行优化，获取数据共享中最小的模型更新时延；

在所述客户端的数据卸载量大于等于零，且小于等于本地数据集的数据量的条件下，基于优化的所述客户端的传输功率和计算功率，对所述客户端的数据卸载量进行优化，获取最小的数据共享时延。

对所述客户端的传输功率、计算功率和数据卸载量进行优化，获取最小的数据共享时延之前，包括：

对所述基于联邦边缘学习的分布式系统架构进行时延分析，获取数据共享时延的组成部分。

可选地，利用基于联邦边缘学习的分布式系统架构进行数据共享，包括：

所述边缘服务器接收所述客户端卸载的数据；

所述边缘服务器对接收的所述数据进行训练，获取模型更新参数。

可选地，利用基于联邦边缘学习的分布式系统架构进行数据共享，包括：

设置第一阈值，所述第一阈值为参与全局聚合的客户端数量的最小值；

设置第二阈值，所述第二阈值为客户端输出模型参数的时间的最大值。