【技术实现步骤摘要】
本公开涉及通信，特别涉及一种vfl的性能监测方法、系统、mtlf、电子设备和产品。
技术介绍
1、随着ai（artificial intelligence，人工智能）技术在通信领域的广泛应用，3gpp（3rd generation partnership project，第三代合作伙伴计划）标准从r16开始在核心网中引入了用于ai/ml（machine learning，机器学习）模型推理和训练的网元nwdaf（networkdata analytics function，网络数据分析功能）。nwdaf的引入标志着网络智能化的重要一步，它负责数据采集、模型训练、推理判断及智能预测，并输出分析结果供网络、网管及应用执行策略决策。
2、基于联邦学习的分布式智能架构，是智能化、联邦学习与通信网络结合的重要突破。联邦学习主要包括横向联邦学习（horizontal federated learning， hfl）和纵向联邦学习（vertical federated learning， vfl）。纵向联邦学习（vertical federatedlearning，vfl）则是参与者拥有不同特征空间但相同样本空间的数据集，他们联合训练各自的模型，同时保护数据不离开本地环境。3gpp从r18开始引入hfl的相关研究，而vfl则还在研究中，相关的流程还未标准化。
技术实现思路
1、根据本公开的一些实施例，提供了一种纵向联邦学习vfl的性能监测方法，应用于模型训练逻辑功能mtlf，包括：从
2、在一些实施例中，用于vfl模型的性能监测的数据包括vfl模型的准确性评估数据，从网络中一个或多个设备获取用于vfl模型的性能监测的数据包括：向数据分析逻辑网元anlf发送第一订阅请求，其中，第一订阅请求包括分析id、vfl模型的标识；接收anlf基于分析id和vfl模型的标识，发送的准确性评估数据。
3、在一些实施例中，用于vfl模型的性能监测的数据包括反馈信息，从网络中一个或多个设备获取用于vfl模型的性能监测的数据包括：通过数据分析逻辑网元anlf向消费端发送第二订阅请求，其中，第二订阅请求包括分析id和vfl模型的标识；通过anlf接收消费端基于分析id和vfl模型的标识，发送的反馈信息，其中，反馈信息包括消费端对vfl模型的准确性的反馈信息。
4、在一些实施例中，用于vfl模型的性能监测的数据包括vfl模型的推理结果对应的实际测量数据，从网络中一个或多个设备获取用于vfl模型的性能监测的数据包括：从用户设备、无线接入网网元和核心网网元至少一种设备中，获取vfl模型的推理结果对应的实际测量数据。
5、在一些实施例中，性能监测结果包括vfl模型的准确率和稳定性中至少一项，根据性能监测结果，确定是否对vfl模型进行重新训练包括：在vfl模型的准确率和稳定性中至少一项不满足预设条件的情况下，确定对vfl模型进行重新训练。
6、在一些实施例中，该方法还包括：向数据分析逻辑网元anlf发送性能报告，其中，性能报告包括性能监测结果、分析id和vfl模型的标识。
7、在一些实施例中，该方法还包括：在确定对vfl模型进行重新训练的情况下，向数据分析逻辑网元anlf发送通知消息，其中，通知信息包括指示对vfl模型进行重新训练的信息、分析id、vfl模型的标识。
8、在一些实施例中，该方法还包括：在mtlf为服务端且确定对vfl模型进行重新训练的情况下，根据vfl模型的标识，确定一个或多个参与重新训练的客户端；向一个或多个参与重新训练的客户端发送重新训练指示信息，其中，重新训练指示信息包括分析id、vfl模型的标识、过滤器信息和重新训练所使用的训练样本的指示信息。
9、在一些实施例中，该方法还包括：接收一个或多个参与重新训练的客户端发送的中间结果信息，其中，每个参与重新训练的客户端发送的中间结果信息包括分析id、vfl模型的标识和重新训练的中间结果；根据中间结果信息，确定每个参与重新训练的客户端的梯度参数；向每个参与重新训练的客户端发送梯度指示信息，其中，每个参与重新训练的客户端对应的梯度指示信息包括分析id、vfl模型的标识、每个参与重新训练的客户端的梯度参数。
10、在一些实施例中，该方法还包括：向数据分析逻辑网元anlf发送重新训练的训练信息，其中，重新训练的训练信息包括重新训练的训练进度和训练结果中至少一项。
11、在一些实施例中，该方法还包括：在mtlf为客户端且确定对vfl模型进行重新训练的情况下，向服务端发送重新训练请求，其中，重新训练请求包括分析id、vfl模型的标识和重新训练的请求指示信息；接收服务端发送的重新训练响应，其中，重新训练响应包括分析id、vfl模型的标识、过滤器信息和重新训练所使用的训练样本的指示信息；根据重新训练响应，对vfl模型进行重新训练。
12、在一些实施例中，根据重新训练响应，对vfl模型进行重新训练包括：将重新训练所使用的训练样本输入vfl模型，得到重新训练的中间结果；向服务端发送中间结果信息，其中，每个参与重新训练的客户端发送的中间结果信息包括分析id、vfl模型的标识和重新训练的中间结果；接收服务端发送的梯度指示信息，其中，梯度指示信息包括分析id、vfl模型的标识、梯度参数；根据梯度参数调整vfl模型的参数。
13、在一些实施例中，mtlf为服务端，性能监测方法还包括：接收数据分析逻辑网元anlf发送的分析订阅请求，其中，分析订阅请求包括分析id、过滤器信息、分析报告目标的信息和vfl模型的标识；根据vfl关联id和过滤器信息从参与训练的客户端中选择一个或多个参与推理的客户端；向一个或多个参与推理的客户端发送推理指示信息，其中，推理指示信息包括分析id和vfl模型的标识。
14、在一些实施例中，该方法还包括：接收一个或多个参与推理的客户端中每个参与推理的客户端发送的分析响应消息，其中，分析响应消息包括每个参与推理的客户端的中间推理结果、分析id和vfl模型的标识；根据每个参与推理的客户端的中间推理结果，生成vfl模型的推理结果。
15、在一些实施例中，该方法还包括：向anlf发送分析结果消息，其中，分析结果消息包括推理结果、分析id、vfl模型的标识。
16、在一些实施例中，mtlf为客户端，性能监测方法还包括：接收服务端发送的推理指示信息，其中，推理指示信息包括分析id、过滤器信息、分析报告目标的信息和vfl模型的标识；根据推理指示信息，利用vfl模型对应的本地模型进行推理，得到中间推理结果；向服务端发送分析响应消息，以便服务端根据分析响应消息生成vfl模型的推理结果，其中，分本文档来自技高网...
【技术保护点】
1.一种纵向联邦学习VFL的性能监测方法，应用于模型训练逻辑功能MTLF，包括：
2.根据权利要求1所述的性能监测方法，其中，所述用于VFL模型的性能监测的数据包括所述VFL模型的准确性评估数据，所述从网络中一个或多个设备获取用于VFL模型的性能监测的数据包括：
3.根据权利要求1所述的性能监测方法，其中，所述用于VFL模型的性能监测的数据包括反馈信息，所述从网络中一个或多个设备获取用于VFL模型的性能监测的数据包括：
4.根据权利要求1所述的性能监测方法，其中，所述用于VFL模型的性能监测的数据包括所述VFL模型的推理结果对应的实际测量数据，所述从网络中一个或多个设备获取用于VFL模型的性能监测的数据包括：
5.根据权利要求1所述的性能监测方法，其中，所述性能监测结果包括所述VFL模型的准确率和稳定性中至少一项，所述根据所述性能监测结果，确定是否对所述VFL模型进行重新训练包括：
6.根据权利要求1所述的性能监测方法，还包括：
7.根据权利要求1所述的性能监测方法，还包括：
8.根据权利要求1所
9.根据权利要求8所述的性能监测方法，还包括：
10.根据权利要求8所述的性能监测方法，还包括：
11.根据权利要求1所述的性能监测方法，还包括：
12.根据权利要求11所述的性能监测方法，其中，所述根据所述重新训练响应，对所述VFL模型进行重新训练包括：
13.根据权利要求1-12任一项所述的性能监测方法，其中，所述MTLF为服务端，所述性能监测方法还包括：
14.根据权利要求13所述的性能监测方法，还包括：
15.根据权利要求13所述的性能监测方法，还包括：
16.根据权利要求1-12任一项所述的性能监测方法，其中，所述MTLF为客户端，所述性能监测方法还包括：
17.根据权利要求1-12任一项所述的性能监测方法，还包括：
18.根据权利要求1-12任一项所述的性能监测方法，其中，所述MTLF为服务端，所述性能监测方法还包括：
19.根据权利要求18所述的性能监测方法，还包括：
20.根据权利要求1-12任一项所述的性能监测方法，其中，所述MTLF为客户端，所述性能监测方法还包括：
21.根据权利要求20所述的性能监测方法，还包括：
22.一种模型训练逻辑功能MTLF，包括：
23. 一种电子设备，包括：
24.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1至21中任一项所述的纵向联邦学习VFL的性能监测方法。
25.一种计算机程序产品，包括指令，所述指令当由处理器执行时使所述处理器执行如权利要求1至21中任一项所述的纵向联邦学习VFL的性能监测方法。
26.一种VFL的性能监测系统，包括：权利要求22所述的MTLF；以及网络中的一个或多个设备，其中，
...【技术特征摘要】
1.一种纵向联邦学习vfl的性能监测方法，应用于模型训练逻辑功能mtlf，包括：
2.根据权利要求1所述的性能监测方法，其中，所述用于vfl模型的性能监测的数据包括所述vfl模型的准确性评估数据，所述从网络中一个或多个设备获取用于vfl模型的性能监测的数据包括：
3.根据权利要求1所述的性能监测方法，其中，所述用于vfl模型的性能监测的数据包括反馈信息，所述从网络中一个或多个设备获取用于vfl模型的性能监测的数据包括：
4.根据权利要求1所述的性能监测方法，其中，所述用于vfl模型的性能监测的数据包括所述vfl模型的推理结果对应的实际测量数据，所述从网络中一个或多个设备获取用于vfl模型的性能监测的数据包括：
5.根据权利要求1所述的性能监测方法，其中，所述性能监测结果包括所述vfl模型的准确率和稳定性中至少一项，所述根据所述性能监测结果，确定是否对所述vfl模型进行重新训练包括：
6.根据权利要求1所述的性能监测方法，还包括：
7.根据权利要求1所述的性能监测方法，还包括：
8.根据权利要求1所述的性能监测方法，还包括：
9.根据权利要求8所述的性能监测方法，还包括：
10.根据权利要求8所述的性能监测方法，还包括：
11.根据权利要求1所述的性能监测方法，还包括：
12.根据权利要求11所述的性能监测方法，其中，所述根据所述重新训练响应，对所述vfl模型进行重新训练包括：
【专利技术属性】
技术研发人员：刘思扬，
申请(专利权)人：中国电信股份有限公司技术创新中心，
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。