【技术实现步骤摘要】
本专利技术涉及一种多智能终端协同决策方法及其装置，属于多终端协同边缘计算领域。
技术介绍
1、随着物联网智能终端设备的数量剧增，边缘智能应运而生，其通过将人工智能模型训练和推理部署在智能边缘终端，在工业物联网、智慧农业、智慧医疗、无人驾驶等领域得到了广泛应用。传统的边缘智能通常将本地产生的数据直接上传至云端，以中心化方式进行模型训练，尽管取得了好的效果但破坏了本地数据隐私。因此，在隐私保护和数据安全背景下，不仅需要去中心化保护数据隐私，还需要提供一种能够快速且安全可信的多终端协同决策方法，以提升本地模型准确性和可信性，无疑给多终端协同带来了巨大挑战。
2、在相关技术中，为实现去中心化训练，当前主要采用联邦学习架构进行模型训练，代表性算法为fedavg，包括多种变种算法，如fedprox、fednova、scaffold等，主要思想是模型在本地训练而不用上传数据，把训练的本地参数模型上传至中央服务器进行全局模型聚合，以协作的方式完成模型训练任务。但要实现小而便捷式的终端设备协同训练，还存在如下几个方面不足：
3、（1）模型的异构性。由于不同的用户行为和设备功能需要部署针对不同参数、异构硬件规范的设备，使得部署在各终端的模型异构，传统联邦学习从云端下载相同模型的部署方式将不适用；
4、（2）交互的快捷性。由于移动边缘网络中设备终端-云端交互数据量大小的限制，传统联邦学习上传全部模型参数的方式导致了交互效率低下；
5、（3）数据的安全性。由于本地终端数据隐私保护限制，传统联邦学习上传模型
6、（4）模型决策的可信性。由于不同终端设备的多源异构性和分布异质性，传统联邦学习使用全局平均聚合易受到环境变化和设备差异的影响，缺乏可信证据支持，使得聚合的模型不可信。
7、针对以上问题，本专利技术公开了一种安全可信的多智能终端协同决策方法及其装置，不仅保证了数据的传输效率和隐私安全，而且提高了多终端协同决策的可信性，能够适用于复杂场景下的多智能终端协同决策任务。
技术实现思路
1、本专利技术要解决的技术问题是提供一种多智能终端协同决策方法及其装置，解决了相关技术中多终端协同决策方法不能适应模型异构、隐私泄露和交互效率低下等问题，保证了数据传输效率和隐私安全，提高了多终端协同决策的可信性。
2、本专利技术的技术方案是：一种多智能终端协同决策方法，具体步骤为：
3、s1：对参与决策的各智能终端搭载的深度网络和变分自编码器（vae）网络进行模型参数初始化，并使用自身本地隐私数据池进行模型训练；
4、s2：基于所述训练的各智能终端本地模型，使用差分隐私进行数据加密，并使用hash索引标记上传至云端数据共享池；
5、s3：基于所述上传的云端数据，使用类语义缓存抽样技术抽取任务特别数据，并分发至各智能终端任务特别数据池中；
6、s4：基于所述各智能终端自身本地隐私数据池和云端下载的任务特别数据池的数据，使用可信集成算法进行本地模型训练，如此不断交互以实现多智能终端协同决策。
7、可选地，所述s1对参与决策的各智能终端搭载的深度网络模型和自编码器vae网络进行模型参数初始化，并使用自身本地隐私数据池进行模型训练，步骤包括：
8、s1.1：初始化所述搭载在各智能终端上预训练的深度网络，其中表示网络编码部分，表示任务预测部分；
9、s1.2：初始化所述搭载在各智能终端上的自编码器vae网络；
10、s1.3：基于所述自身本地隐私数据池进行模型训练，给定个参与决策的智能终端，每一个智能终端有各自的私有隐私数据，其中表示第个智能终端隐私数据量，表示数据样本，表示样本标签，第个智能终端设备特征表征及特定预测任务，其中 c表示训练任务的类别数， c表示具体的某个类。
11、可选地，所述s2基于所述训练的各智能终端本地模型，使用差分隐私进行数据加密，并使用hash索引标记上传至云端数据共享池，步骤包括：
12、s2.1：使用差分隐私进行数据加密，所述差分隐私数据加密为基于互信息优化的vae表征解耦dp精简数据模型；
13、s2.2：使用hash索引标记上传至云端数据共享池，所述hash索引标记为和两种不同方式的联合索引。
14、可选地，所述s3基于所述上传的云端共享数据，使用类语义缓存抽样技术抽取任务特别数据，并分发至各智能终端任务特别数据池中，步骤包括：
15、s3.1：使用类语义缓存抽样技术抽取任务特别数据，所述类语义缓存抽样技术为权重控制的数据抽样；
16、s3.2：将所述s3.1获得的抽样任务特别数据分发至各智能终端任务特别数据池。
17、可选地，所述s4基于所述各智能终端自身本地隐私数据池和云端下载的任务特别数据池的数据，使用可信集成算法进行本地模型训练，如此不断交互以实现多智能终端协同决策，步骤包括：
18、s4.1：建立训练数据，所述训练数据为自身本地隐私数据和云端下载的任务特别数据的并集；
19、s4.2：基于所述训练数据使用可信集成算法进行本地模型训练，所述可信集成算法为d-s证据支持的kl正则优化算法；
20、s4.3：基于所述各参与智能终端与云端多次数据交互，重复上述所述步骤，实现多终端协同决策。
21、此外，本申请还提出了一种多智能终端协同决策装置，所述多智能终端协同决策装置包括：
22、（1）各智能终端深度模型训练模块，用于各终端搭载的深度网络模型训练；
23、（2）各智能终端vae训练模块，用于训练自编码器vae网络；
24、（3）各智能终端数据上传模块，用于使用差分隐私加密和hash索引标记的数据上传至云端任务特别数据池；
25、（4）各智能终端可信集成训练模块，用于使用d-s证据融合kl损失进行模型优化；
26、（5）云端共享数据接收模块，用于接收存储各智能终端上传的共享数据；
27、（6）云端类语义缓存抽样模块，用于抽取任务特别数据分发至各智能终端任务特别数据池。
28、此外，本申请还提出了一种多智能终端协同决策设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的安全可信的多智能终端协同决策方法程序，所述处理器执行所述安全可信的多智能终端协同决策方法程序实现如上所述的多智能终端协同决策方法的步骤。
29、此外，本申请还提出了一种计算机可读存储介质，所述计算机可读存储介质上存储有安全可信的多智能终端协同决策方法程序，所述安全可信的多智能终端协同决策方法程序被所述处理器执行时实现如上所述的安全可信的多智能终端协同决策方法的步骤。
30、本专利技术的有益效果是：
31、（1）各终端设备支本文档来自技高网...
【技术保护点】
1.一种多智能终端协同决策方法，其特征在于，所述多智能终端协同决策方法包括：
2.如权利要求1所述的一种多智能终端协同决策方法，其特征在于，所述S1对参与决策的各智能终端搭载的深度网络模型和自编码器VAE网络进行模型参数初始化，并使用自身本地隐私数据池进行模型训练，步骤包括：
3.如权利要求1所述的一种多智能终端协同决策方法，其特征在于，所述S2基于所述训练的各智能终端本地模型，使用差分隐私进行数据加密，并使用Hash索引标记上传至云端数据共享池，步骤包括：
4.如权利要求1所述的一种多智能终端协同决策方法，其特征在于，所述S3基于所述上传的云端共享数据，使用类语义缓存抽样技术抽取任务特别数据，并分发至各智能终端任务特别数据池中，步骤包括：
5.如权利要求1所述的一种多智能终端协同决策方法，其特征在于，所述S4基于所述各智能终端自身本地隐私数据池和云端下载的任务特别数据池的数据，使用可信集成算法进行本地模型训练，如此不断交互以实现多智能终端协同决策，步骤包括：
6.一种多智能终端协同决策装置，其特征在于，所述多智能终端协
7.一种多智能终端协同决策设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的安全可信的多智能终端协同决策方法程序，所述处理器执行所述安全可信的多智能终端协同决策方法程序实现如权利要求1至5任一项所述的多智能终端协同决策方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有安全可信的多智能终端协同决策方法程序，所述安全可信的多智能终端协同决策方法程序被所述处理器执行时实现如权利要求1至5任一项所述的多智能终端协同决策方法的步骤。
...【技术特征摘要】
1.一种多智能终端协同决策方法，其特征在于，所述多智能终端协同决策方法包括：
2.如权利要求1所述的一种多智能终端协同决策方法，其特征在于，所述s1对参与决策的各智能终端搭载的深度网络模型和自编码器vae网络进行模型参数初始化，并使用自身本地隐私数据池进行模型训练，步骤包括：
3.如权利要求1所述的一种多智能终端协同决策方法，其特征在于，所述s2基于所述训练的各智能终端本地模型，使用差分隐私进行数据加密，并使用hash索引标记上传至云端数据共享池，步骤包括：
4.如权利要求1所述的一种多智能终端协同决策方法，其特征在于，所述s3基于所述上传的云端共享数据，使用类语义缓存抽样技术抽取任务特别数据，并分发至各智能终端任务特别数据池中，步骤包括：
5.如权利要求1所述的一种多智能终端协同决策方法，其特征在于，...
【专利技术属性】
技术研发人员：夏跃龙，孙小棣，杨靖，刘文杰，仝一航，
申请(专利权)人：云南师范大学，
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。