【技术实现步骤摘要】
本专利技术属于车联网分布式计算领域，涉及一种异构车联网中高效的联合计算方法。
技术介绍
1、近年来，随着信息时代科技的高速发展，物联网设备数量急剧增加，大量的设备将产生海量数据，如何利用这些数据来为人们提供更智能便捷的应用服务是当今的研究重点。作为物联网中的重要场景之一，车联网(internet of vehicles，iov)受到了许多研究者的重视，车辆节点产生或收集的行驶数据、故障信息、交通路况等数据可以推动自动驾驶、车辆故障诊断、智慧交通等智能服务的发展。机器学习是一种分析处理复杂数据的先进方法，但传统机器学习方法是集中式的，需要将各车辆数据收集至云中心进行集中式的训练，然而，车辆用户往往不愿意他人访问或收集自己的个人数据。这种集中式学习的方法将面临严重的隐私泄露问题。并且，智能网联汽车通过传感器等能够以约30.23gb/h的速率生成数据，收集所有车辆数据至中心服务器进行模型训练将不切实际，这会给有限的通信网络带来了巨大的负担。google公司提出一种联合计算方法，联邦学习(federatedlearning，fl)能有效的解决上述问题，可以在保护用户个人数据隐私及符合相关法律法规的前提下，利用各个设备收集或产生的数据实现共同建模。此外，整个训练过程传输模型参数而不是庞大的原始数据，所以也在一定程度上减少了通信网络的负担。将联邦学习应用于车联网中，对多车辆复杂隐私数据进行联合训练建模，有助于智慧交通等应用服务的发展。尽管联合计算有诸多优点，但在当前资源不均衡且具有移动特点的车联网环境下，仍然面临许多挑战。
2、
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种异构车联网中高效的联合计算方法，通过在满足用户原始数据不出本地的情况下对训练任务进行分解，利用周围具有空闲计算资源的车辆，实现多设备协同计算训练模型，减少客户端本地计算量，有效提升整个系统的计算资源利用率。
2、为达到上述目的，本专利技术提供如下技术方案：
3、一种异构车联网中高效的联合计算方法，其包括以下步骤：
4、s1、中心服务器初始化基本信息；
5、s2、评估资源受限客户端车辆；
6、s3、选取本轮参与训练的客户端车辆；
7、s4、匹配协同计算服务车辆；
8、s5、云服务器将最新的全局模型下发至边缘服务器，边缘服务器进一步下发全局模型至区域内参与本轮训练的客户车辆，客户车辆将模型分区并传输服务侧模型至服务车辆。
9、s6、客户端协同计算局部模型；
10、s7、客户车辆与服务车辆将训练更新后的局部模型上传至边缘服务器；
11、s8、边缘服务器收集来自客户车辆更新的局部模型，进行边缘级的聚合更新，聚合完成后上传模型至云服务器聚合更新全局模型；
12、s9、反复迭代训练，直至模型收敛；迭代期间若某服务车辆断开，则通过s4步骤为客户车辆重新匹配服务车辆。
13、进一步的，步骤s1包括：
14、s11、云中心服务器基于用户需求制定训练目标，并根据训练目标编写机器学习模型；
15、s12、云服务器通过边缘服务器或路侧单元广播请求周围客户端车辆参与联合计算训练，并统计实际参与联合计算训练的车辆；
16、s13、云服务器初始化本地迭代次数、局部迭代器、学习率以及批数据量等训练信息，并生成初始的全局模型。
17、进一步的，步骤s2包括：
18、s21、云服务器通知各个边缘服务器对客户端车辆的设备性能进行评估；
19、s22：边缘服务器评估客户端车辆的计算时延：
20、
21、式中，fi表示cpu频率，c表示单个样本计算所需cpu周期，|di|表示本地数据样本数，e表示局部迭代次数；
22、边缘服务器评估客户端车辆的通信时延：
23、
24、式中，表示车辆近期平均网络带宽，pwi表示传输功率，gi表示信道增益，n0表示信道噪声功率谱密度，m表示模型参数大小；
25、根据计算时延和通信时延得客户车辆的总时延
26、进一步的，步骤s3中，根据客户端的设备信息以及客户端选取概率，选取参与本轮训练的客户端车辆，其中选取概率表示为：
27、
28、式中，常数表示第t轮的预期最高选取概率，其取值为(0,1]；表示客户端i第t轮的丢失率；表示概率衰减因子，与客户端的丢失率有关。
29、进一步的，步骤s4包括：
30、s41、根据步骤s2得到各个区域的资源受限客户端车辆，边缘服务器广播请求资源受限客户车辆附近的车辆提供协同服务，得到候选服务车辆集群；
31、s42、通过客户车辆i以及服务车辆j的网络带宽以及设备等信息评估协同计算时延，所述协同计算时延包括计算时延和传输时延，所述计算时延为客户车辆和服务车辆的训练时间总和，苏松户传输时延为客户车辆与服务车辆之间传输参数的时间以及上传参数至边缘服务器的时间；
32、s43、根据客户车辆i以及服务车辆j的目标行驶路径，分析客户端车辆与服务车辆的共同路径；具体地，将客户车辆i的路径看成由经纬度坐标构成的曲线li，该客户车辆附近候选服务车辆的路径为曲线lj，将曲线li抽样成离散的点集求出点集中存在于曲线lj中的所有点，点集中的连续两点lm+1、lm都存在于lj时，两点之间的距离|lm+1-lm|即为共同路径dij中的一部分，将所有连续两点距离求和得到共同路径dij；
33、s44、根据步骤s42、s43计算所得的协同计算时延以及共同路径，建立联合优化目标函数最大化两车协同计算完成的局部模型更新次数，从候选服务车辆集群中选取性能较优且与客户车辆路径相似的服务车辆，为客户车辆提供协同计算服务。
34、其中，目标函数表示为：
35、
36、
37、
38、式中，tij表示车辆i与服务车辆协同计算的持续时间；ti表示车辆i独立训练的持续时间；表示车辆i、协同计算完成一次平均所需时间；ti表示车辆i协同计算完成一次平均所需时间；di表示车辆i行驶总路程；vi表示本文档来自技高网...
【技术保护点】
1.一种异构车联网中高效的联合计算方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的联合计算方法，其特征在于：步骤S1包括：
3.根据权利要求1所述的联合计算方法，其特征在于：步骤S2包括：
4.根据权利要求1所述的联合计算方法，其特征在于：步骤S3中，根据客户端的设备信息以及客户端选取概率，选取参与本轮训练的客户端车辆，其中选取概率表示为：
5.根据权利要求1所述的联合计算方法，其特征在于：步骤S4包括：
6.根据权利要求5所述的联合计算方法，其特征在于：步骤S44中，目标函数表示为：
7.根据权利要求1所述的联合计算方法，其特征在于：步骤S6包括：
【技术特征摘要】
1.一种异构车联网中高效的联合计算方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的联合计算方法，其特征在于：步骤s1包括：
3.根据权利要求1所述的联合计算方法，其特征在于：步骤s2包括：
4.根据权利要求1所述的联合计算方法，其特征在于：步骤s3中，根据客户端的设备信...
【专利技术属性】
技术研发人员：王汝言，胡迪，张普宁，杨志刚，吴大鹏，张鸿，
申请(专利权)人：重庆邮电大学，
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。