[发明专利]一种基于动态契约理论的车联网联邦学习激励方法

说明书

本发明公开了一种基于动态契约理论的车联网联邦学习激励方法，涉及联邦学习领域；采用了联邦学习架构，使数据在本地进行训练，保障了数据的隐私和安全。在采用联邦学习架构的基础上，为联邦学习服务器和车联网客户端建立了两期动态契约激励机制，在非对称信息的情况下，最大化联邦学习服务器的效用，使车联网客户端选择和自身私有信息相对应的契约，当车联网客户端选择和自身类型相对应的契约时，车联网客户端获得的效用最高。在长期合作下，考虑了车联网联邦学习的私有信息的动态变化，采用了动态契约激励机制，更适用于联邦学习服务器和车联网边缘设备之间的长期合作，在动态契约激励机制下，联邦学习服务器和车联网边缘设备会获得更高的收益。

技术领域

本发明涉及联邦学习领域，尤其涉及一种基于动态契约理论的车联网联邦学习激励方法。

背景技术

联邦学习作为一种安全的分布式机器学习体系结构，保障了本地数据的隐私安全问题，让车联网客户端能够在数据不出本地的情形下对联邦学习模型进行训练。车联网客户端在进行模型训练的过程中需要消耗一定的资源，理性的车联网客户端不愿意无偿的奉献其资源。因此联邦学习应该提供一种激励机制方法来促进车联网客户端的参与，然而联邦学习服务器和车联网客户端合作过程中存在信息不对称问题，车联网客户端是基于本地数据训练联邦学习任务模型，联邦学习服务器无法访问其工作的真实性。基于契约理论的激励机制是促进诚实行为的有效方法，尤其是在信息不对称的情况下。

当前的基于契约理论的联邦学习激励机制大多是为静态契约。然而，车联网联邦学习应用中，联邦学习服务器希望车联网边缘设备能够持续参与。但是随着合作的长期进行，合作的环境会发生变化，当前的合约可能已经不在适用于现在的合作关系，而且在资源受限的物联网场景中签署重复静态合同会造成大量的通信成本。动态契约模型支持两次或更多联邦学习培训回合的合同签署，因此一种动态的契约理论激励机制更加适用于车联网联邦学习长期合作的场景当中。

基于契约理论的激励机制主要是为了解决信息不对称的情况下，客户端作为理性的个体不愿意参与联邦学习模型训练的问题。该激励机制通过给与不同奖励来诱使客户端最大化的提供自身的资源。基于契约理论的激励机制在联邦学习中，主要目的是促进联邦学习服务器和客户端之间的合作，这种合作往往是长期进行的，然而契约往往是静态契约。静态契约只能为联邦学习服务器和客户端提供一次合约，这样并不能满足联邦学习服务器和客户端之间的长久合作的关系。

发明内容

为解决现有技术存在的不足，本发明提供一种基于动态契约理论的车联网联邦学习激励方法，基于车联网为背景，为联邦学习服务器和车联网客户端建立的动态契约激励机制，解决联邦学习服务器和车联网客户端在信息不对称的情况下的长期合作激励问题。

本发明所采取的技术方案是：

一种基于动态契约理论的车联网联邦学习激励方法，包括以下步骤：

步骤1：建立车联网客户端和联邦学习服务器的效用模型，通过满足IR(Individual Rationality)，IC(Incentive Compatibility)，IIR(IntertemporalIndividually Rational)和IIC(Intertemporal Incentive Compatibility)约束条件，构建两期动态契约模型，得到最优动态契约；

步骤2：使用步骤1得到的最优动态契约与车联网客户端进行签约；

步骤3：在动态契约的第一阶段，签约的车联网客户端从联邦学习服务器下载全局模型，对全局模型进行本地训练得到本地模型，将训练完成的本地模型上传到联邦学习服务器；

步骤4：联邦学习服务器判断车联网客户端上传的本地模型的精度是否满足设定精度阈值，若满足设定精度阈值，联邦学习服务器接收车联网客户端上传的本地模型并按照第一阶段最优动态契约发放相应的奖励，反之则不接收车联网客户端上传的本地模型并不发放奖励；