[发明专利]一种基于数字孪生辅助的联邦学习新鲜度优化方法与系统

说明书

本发明公开了一种基于数字孪生辅助的联邦学习新鲜度优化方法与系统，涉及工业物联网的技术领域，包括构建工业物联网联邦学习模型，计算所有智能设备的数字孪生体进行一轮联邦学习的能耗、本地数据新鲜度和模型参数新鲜度；以能耗和新鲜度之和最小化为目标，建立联合带宽分配、数据收集频率和数据计算频率的优化问题，并转化为马尔科夫决策过程，定义状态空间、动作空间和回报函数；建立深度强化学习网络并进行训练，利用训练好的深度强化学习网络进行资源调度，获得最优调度策略，应用到对应的智能设备。本发明有效减少联邦学习的时延，提高联邦学习的学习效率，杜绝了出现反向优化的情况，提高了联邦学习模型的性能。

技术领域

本发明涉及工业物联网的技术领域，更具体地，涉及一种基于数字孪生辅助的联邦学习新鲜度优化方法与系统。

背景技术

工业是物联网应用的重要领域，随着科学技术的不断发展，工业物联网已然成为智能制造和工业4.0的代名词。各类先进智能技术不断地融入到工业生产的各个环节，如人工智能(AI)、机器学习、增强/虚拟现实(AR/VR)、数字孪生/线程、云/边缘计算等智能技术。工业物联网智能设备需要与其他智能设备进行联邦学习来提高自身模型性能，但考虑到数据的隐私性，用户不愿意提供个人数据。但智能设备未经用户同意擅自收集数据并上传至服务器，用户是不易感知到的。因此目前，数据在互联网中形成“数据孤岛”现象，各方数据不能直接共享或者交换。联邦学习的目标是在保证数据隐私安全及合法合规的基础上，实现共同建模。在中央服务器或服务提供商的协调下，每个参与方通过特定的中间运算结果的传输和聚合，来达到机器学习模型训练的目的，参与方之间不进行原始数据的交换或传输，保证了本地隐私数据的安全。联邦学习可以结合多个参与方的经验来优化一个共同模型，从数据的样本量上分析，该模型必然比任意一个参与方自行训练的模型性能更好。但与此同时，数据参考价值也极大地影响了模型的性能；联邦学习除了考虑本地样本的新鲜度外，还需要考虑用户通讯环境对模型上传时延的影响。差劲的通讯环境会导致用户掉队，用户掉队后无法上传其模型，随着时间的推移，该模型也失去其价值，过时的数据参与到模型训练只会导致模型性能变得更差，无法发挥数据量的优势。正确考虑模型的新鲜度能极大地提供最终模型的性能和利用价值，消除了联邦学习潜在的反向优化风险，充分发挥了联邦学习的优势。通信技术的快速发展使得工业物联网智能设备间的交互延迟变得极低，一系列时延敏感的技术在物联网中的应用成为了可能。数字孪生技术可在数字世界中构建出与物理实体高度相似的数字孪生体；该数字孪生体能模拟物理实体在现实世界中的动作和运动变化规律。数字孪生体与物理实体实时交互，实时更新状态和环境，具有高度的保真性，同时数字孪生体上的仿真和动作模拟推测也可以作用于物理实体。

现有技术提供了一种基于边缘数字孪生关联的联邦学习方法及系统，包括参与联邦学习的用户分别生成数字孪生体；使用多对一匹配算法将数字孪生体与边缘服务器配对；服务器构建任务并发布至边缘服务器，数字孪生体利用与其配对的边缘服务器的资源进行联邦学习，并将其局部迭代训练得到的模型传输至边缘服务器；边缘服务器将与其配对的数字孪生体训练得到的模型进行聚合得到局部模型，并将局部模型上传至服务器；服务器将其接收的局部模型进行聚合得到全局模型，检验全局模型精度是否达到预设的阈值，若否，则将当前的全局模型下发至边缘服务器进行训练；若是，则完成当前联邦学习。该方法虽然一定程度上解决了联邦学习模型训练时延迟高的缺陷，但是没有考虑训练数据参考价值，存在很高的反向优化风险，导致模型性能变得更差。

发明内容

本发明为克服上述现有技术对联邦学习模型训练时延迟高、易反向优化的缺陷，提供一种基于数字孪生辅助的联邦学习新鲜度优化方法与系统，能够减少联邦学习的时延，提高联邦学习的学习效率，杜绝了出现反向优化的情况，提高了联邦学习模型的性能。

为解决上述技术问题，本发明的技术方案如下：

本发明提供了一种基于数字孪生辅助的联邦学习新鲜度优化方法，包括：

S1：构建工业物联网联邦学习模型，所述模型包括一个中心服务器和若干个智能设备，并生成每个智能设备对应的数字孪生体，保存在中心服务器；