【技术实现步骤摘要】
本专利技术属于数据处理，具体涉及一种基于边缘计算的车辆联邦学习方法。
技术介绍
1、随着车辆网络的快速发展，各种新兴的应用正在为汽车设计。但是指数级增加的数据导致车辆网络中计算和通信资源需求不断增长。近年来，车辆边缘计算被提出，其将强大的计算单元部署的更加靠近车辆。车辆边缘计算能够通过处理计算任务和协调人工智能来促进车辆网络的发展。车辆网络中的联邦学习近些年被提出并得到了广泛的关注，其可以满足低延迟和安全性的要求，并充分利用车辆的感知和计算能力。在车辆边缘计算中，联邦学习允许车辆基于全局模型对本地训练数据集进行训练，仅将训练后的模型参数传输到移动边缘计算服务器或路边单元来执行全局聚合。
2、为了充分利用联邦学习的有点，目前有一些问题需要解决。首先，恶意节点可以利用梯度信息恢复部分原始数据。其次，恶意威胁可能篡改或窃取本地和全局更新的信息。第三，在信息不对称的情况下，路边单元可能不了解车辆的隐私敏感性和计算能力等隐私信息，同时车辆也可能不知道路边单元的动机。为了提高联邦学习的效能，路边单元节点需要激励更多的车辆参与到联邦学习，并激励他们收集更多的数据来训练本地模型。然而，在现有的大多数工作中，没有考虑信息不对称场景，需要路边单元和车辆可以观测到各方的全部信息。此外，以往的许多研究没有考虑到本地训练数据集大小对车辆能耗和局部模型泛化能力的影响。最后，在车辆边缘计算系统中，对基于契约理论激励机制设计的研究较少。
技术实现思路
1、本专利技术为了解决以上问题，提出了一种基于边缘
2、本专利技术的技术方案是：一种基于边缘计算的车辆联邦学习方法包括以下步骤：
3、构建车辆的联邦学习模型；
4、获取车辆对应的边缘计算节点，并根据车辆的联邦学习模型，确定车辆的效益函数和边缘计算节点的效益函数；
5、根据车辆的效益函数和边缘计算节点的效益函数，确定边缘计算节点的最佳合同制定策略函数；
6、根据边缘计算节点的最佳合同制定策略函数，完成车辆联邦学习。
7、进一步地，联邦学习模型f的表达式为：
8、
9、式中，d表示所有车辆样本之和，di表示车辆i的本地样本，n表示车辆样本个数，ωi表示本地模型参数，j(·)表示联邦学习模型的全局损失函数，ji(·)表示车辆i在本地数据集上的损失函数。
10、进一步地，获取车辆对应的边缘计算节点，并根据车辆的联邦学习模型，确定车辆的效益函数和边缘计算节点的效益函数，包括以下子步骤：
11、获取车辆对应的边缘计算节点，并基于车辆的联邦学习模型，计算联邦学习模型的能耗；
12、根据联邦学习模型的能耗，确定车辆的效益函数；
13、确定边缘计算节点的效益函数。
14、进一步地，联邦学习模型的能耗的计算公式为：
15、
16、式中，表示车辆和边缘计算节点之间的传输时延，pi表示车辆的传输功率，g(·)表示数据大小运算函数，ωi表示本地模型参数，bi表示带宽，log2(·)表示对数函数，hi表示车辆的信道增益，n0表示噪声；
17、车辆的效益函数的表达式为：
18、
19、式中，ri表示类型为φi的车辆完成任务可获得的回报，φi表示车辆i的类型，表示类型为φi的车辆完成任务的成本，表示车辆在本地训练时的能耗函数，di表示车辆i的本地样本，ci表示车辆作为合作验证者的成本。
20、进一步地，边缘计算节点的效益函数的表达式为：
21、
22、式中，i表示边缘计算节点获得的来自任务发布者的回报，nj表示边缘计算节点验证区块链所需的验证者数量，h表示区块链验证交易的总成本，j表示边缘计算节点的数量，x表示边缘计算节点的索引下标，nx表示边缘计算节点验证区块链所需的验证者数量，ξi表示正系数，l(·)表示泛化水平函数，βi表示时间权重系数，ti(·)表示富裕时间函数，di表示车辆i的本地样本，，ri表示类型为φi的车辆完成任务可获得的回报，φi表示车辆i的类型。
23、进一步地，根据车辆的效益函数和边缘计算节点的效益函数，确定边缘计算节点的最佳合同制定策略函数，包括以下子步骤：
24、构建个人理性条件和激励兼容条件；
25、根据个人理性条件、激励兼容条件、车辆的效益函数和边缘计算节点的效益函数，生成边缘计算节点的最佳合同制定策略函数。
26、进一步地，个人理性条件的表达式为：式中，ri表示类型为φi的车辆完成任务可获得的回报，φi表示车辆i的类型，表示类型为φi的车辆完成任务的成本，di表示车辆i的本地样本，表示车辆类型集合；
27、激励兼容条件的表达式为：式中，rj表示类型为φj的车辆完成任务可获得的回报，j表示车辆的索引下标。
28、进一步地，边缘计算节点的最佳合同制定策略函数g的表达式为：
29、
30、
31、
32、rk>rk-1>…>r1≥0
33、
34、式中，ri表示类型为φi的车辆完成任务可获得的回报，φi表示车辆i的类型，di表示车辆i的本地样本，i表示边缘计算节点获得的来自任务发布者的回报，nj表示边缘计算节点验证区块链所需的验证者数量，h表示区块链验证交易的总成本，j表示边缘计算节点的数量，x表示边缘计算节点的索引下标，nx表示边缘计算节点验证区块链所需的验证者数量，ξi表示正系数，l(·)表示泛化水平函数，βi表示时间权重系数，ti(·)表示富裕时间函数，d1表示第1个车辆样本，r1表示类型为φ1的车辆完成任务可获得的回报，φ1表示车辆的最小类型，ri-1表示类型为φi-1的车辆完成任务可获得的回报，表示类型为φi-1的车辆完成任务的成本，表示类型为φi的车辆完成任务的成本，表示类型为φ1的车辆完成任务的成本，di-1表示车辆i-1的本地样本，表示车辆类型集合，rk表示类型为φk的车辆完成任务可获得的回报，rk-1表示类型为φk-1的车辆完成任务可获得的回报，n表示车的数量。
35、进一步地，根据边缘计算节点的最佳合同制定策略函数，完成车辆联邦学习，包括以下子步骤：
36、对边缘计算节点的最佳合同制定策略函数进行优化；
37、根据优化后的边缘计算节点的最佳合同制定策略函数，确定最佳车辆样本。
38、进一步地，优化后的边缘计算节点的最佳合同制定策略函数g＇的表达式为：
39、
40、
41、式中，ri表示类型为φi的车辆完成任务可获得的回报，di表示车辆i的本地样本，i表示边缘计算节点获得的来自任务发布者的回报，nj表示边缘计算节点验证区块链所需的验证者数量，h表示区块链验证交易的总成本，j表示边缘计算节点的数量，x表示边缘计算节点的索引下标，nx表示边缘计算节点验证区块链所需的验证者本文档来自技高网...
【技术保护点】
1.一种基于边缘计算的车辆联邦学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于边缘计算的车辆联邦学习方法，其特征在于，所述联邦学习模型F的表达式为：
3.根据权利要求1所述的基于边缘计算的车辆联邦学习方法，其特征在于，所述获取车辆对应的边缘计算节点，并根据车辆的联邦学习模型，确定车辆的效益函数和边缘计算节点的效益函数，包括以下子步骤：
4.根据权利要求3所述的基于边缘计算的车辆联邦学习方法，其特征在于，所述联邦学习模型的能耗的计算公式为：
5.根据权利要求3所述的基于边缘计算的车辆联邦学习方法，其特征在于，所述边缘计算节点的效益函数的表达式为：
6.根据权利要求1所述的基于边缘计算的车辆联邦学习方法，其特征在于，所述根据车辆的效益函数和边缘计算节点的效益函数，确定边缘计算节点的最佳合同制定策略函数，包括以下子步骤：
7.根据权利要求6所述的基于边缘计算的车辆联邦学习方法，其特征在于，所述个人理性条件的表达式为：式中，Ri表示类型为φi的车辆完成任务可获得的回报，φi表示车辆i的类型，表示类型
8.根据权利要求6所述的基于边缘计算的车辆联邦学习方法，其特征在于，所述边缘计算节点的最佳合同制定策略函数G的表达式为：
9.根据权利要求1所述的基于边缘计算的车辆联邦学习方法，其特征在于，所述根据边缘计算节点的最佳合同制定策略函数，完成车辆联邦学习，包括以下子步骤：
10.根据权利要求9所述的基于边缘计算的车辆联邦学习方法，其特征在于，所述优化后的边缘计算节点的最佳合同制定策略函数G＇的表达式为：
...【技术特征摘要】
1.一种基于边缘计算的车辆联邦学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于边缘计算的车辆联邦学习方法，其特征在于，所述联邦学习模型f的表达式为：
3.根据权利要求1所述的基于边缘计算的车辆联邦学习方法，其特征在于，所述获取车辆对应的边缘计算节点，并根据车辆的联邦学习模型，确定车辆的效益函数和边缘计算节点的效益函数，包括以下子步骤：
4.根据权利要求3所述的基于边缘计算的车辆联邦学习方法，其特征在于，所述联邦学习模型的能耗的计算公式为：
5.根据权利要求3所述的基于边缘计算的车辆联邦学习方法，其特征在于，所述边缘计算节点的效益函数的表达式为：
6.根据权利要求1所述的基于边缘计算的车辆联邦学习方法，其特征在于，所述根据车辆的效益函数和边缘计算节点的效益函数，确定边缘...
【专利技术属性】
技术研发人员：刘洋洋，徐润辰，常征，夏琦，高建彬，刘鹏飞，张永昭，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。