(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111510623.X (22)申请日 2021.12.10 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区南 山街道崇文 路2号 (72)发明人 雷帅　武俊　黄宏程　陶洋　寇兰　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 代理人 卢胜斌 (51)Int.Cl. H04L 67/12(2022.01) H04L 67/10(2022.01) H04L 9/40(2022.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种基于声誉的物联网边云协同联邦学习 节点选择方法 (57)摘要 本发明属于大数据技术领域， 一种基于声誉 的物联网边 云协同联邦学习节 点选择方法； 该方 法包括： 构建基于声誉的物联网边云协同FL体系 架构； 根据构建的基于声誉的物联网边云协同FL 体系架构， 根据构建的基于声誉的物联网边云协 同FL体系架构采用基于多权重主观逻辑模型的 声誉评分方法对节点进行选取， 得到最优的节 点； 本发明利用多权重主观逻辑模 型来计算每个 参与节点的声誉值， 提高了联邦学习的准确率和 训练速度， 且具有良好的适用性和健壮性。 权利要求书3页 说明书12页 附图2页 CN 114301935 A 2022.04.08 CN 114301935 A 1.一种基于声誉的物联网边云协同联邦学习节点选择方法， 其特征在于， 包括： 构建基 于声誉的物联网边云协同FL体系架构； 根据构建的基于声誉的物联网边云协同FL体系架构 采用基于多权重主观逻辑模型 的声誉评分方法对节点进行选取， 得到最优的节点； 对节点 进行选取包括： S1： 服务器节点发布联邦学习任务； 边缘节点获取联邦学习任务后将包含身份信息和 数据资源信息的加入联邦学习请求发送给服 务器节点； S2： 服务器节点验证边缘节点的身份和数据资源信 息， 若边缘节点合法， 则将该边缘节 点作为执 行联邦学习任务的边 缘节点； 若不 合法， 则该边 缘节点请求失败； S3： 服务器节点采用基于多权重主观逻辑的声誉计算模型计算候选边缘节点的声誉 值， 根据计算出的声誉值选出 执行联邦学习任务的边 缘节点； S4： 服务器节点将全局模型的参数发送给选出执行联邦学习任务的边缘节点， 边缘节 点接收全局模型参数后采用SGD优化算法对当前全局模型进行训练更新， 并将训练更新后 的的本地模型参数发送给服 务器； S5： 服务器节点根据训练更新后的的本地模型参数对该边缘节点进行评估， 生成声誉 意见， 对声誉意见进行保存更新； 服务器节点对经过评估可靠的边缘节点的本地模型参数 进行聚合， 生成一个新的全局模 型， 重复进 行上述步骤， 直至生成的全局模型参数达到预定 义的收敛 条件为止 。 2.根据权利要求1所述的一种基于声誉的物联网边云协同联邦学习节点选择方法， 其 特征在于， 构建的基于声誉的物联网边云协同FL体系架构包括 终端设备、 微基站、 宏基站和 移动边缘计算服务器； 其中将移动边缘计算服务作为服务器节点， 终端设备、 微基站和宏基 站作为边缘节点。 3.根据权利要求1所述的一种基于声誉的物联网边云协同联邦学习节点选择方法， 其 特征在于， 采用基于多权重主观逻辑的声誉计算模型计算候选边缘节点的声誉值包括： 服 务器节点从其他服务器节点获取该候选边缘节点的声誉意见， 该声誉意见为推荐声誉意 见； 服务器节点获取候选边缘节点的历史交互记录， 采用多权重主观逻辑模型对历史交互 记录进行处理， 得到本地声誉意见； 根据本地声誉意见和推荐声誉意见计算候选边缘节点 的声誉。 4.根据权利要求3所述的一种基于声誉的物联网边云协同联邦学习节点选择方法， 其 特征在于， 候选边缘节点的历史交互记录包括： 交互效果、 交互时延、 交互频率以及交互新 鲜度。 5.根据权利要求3所述的一种基于声誉的物联网边云协同联邦学习节点选择方法， 其 特征在于， 采用多权 重主观逻辑模型对历史 交互记录进行处 理包括： S1： 构建基于主观逻辑的声誉计算模型， 在 连续时间间隔{t1,…ty,…,tY}内， 采用三元 向 量 组 表 示 服 务 器 节 点 i 对 边 缘 节 点 j 在 时 间 段 ty内 的 声 誉 评 价 ，即 ： 其中 和 分别表示中央服务器 “相信”、“不相信”和 “不确定”边缘节点模型更新质量可靠的程度， 并满足以下约束条件： 且 根据三元向量组构建声誉计算模型；权　利　要　求　书 1/3 页 2 CN 114301935 A 2S2： 交互效果， 包括积极交互行为和消极交互行为， 若候选边缘节点为积极交互行为节 点， 则候选边缘节 点声誉值高， 若候选边缘节点为消极交互行为节 点， 则候选边缘节点的声 誉值低； 将积极交互和消极交互的权值分别表 示为k和 η， k≤ η且 η+k＝ 1； 根据积极交互和消 极交互的权值构建交 互效果的主观逻辑模型； S3： 交互时延， 在时间段ty内获取交互次数， 并设置交互时延权重， 根据交互次数和交互 时延权重构建交 互时延的主观逻辑模型； S4： 交互频率， 获取服务器节点与边缘节点交互的次数， 根据获取的交互次数计算服务 器在一个时间窗口内与其他边缘节点交互的平均次数； 计算服务器节点与边缘节点交互的 次数与服务器在一个时间窗口内与其他边缘节点交互的平均次数的比率， 该比率为交互频 率； 根据交 互频率构建交 互频率的主观逻辑模型； S5： 交互新鲜度， 定义时间衰减函数， 根据时间衰减函数计算交互事件的新鲜程度， 即θ (ty)＝θy＝zY‑y， 其中z为关于事件新鲜度的衰减参数， 满足z∈(0,1)； y表示事件新鲜度的淡 出程度， 满足y∈[1,Y]， 根据交 互事件的新鲜程度计算 服务器节点 i对边缘节点j的声誉值。 6.根据权利要求3所述的一种基于声誉的物联网边云协同联邦学习节点选择方法， 其 特征在于， 根据本地声誉意见和推荐 声誉意见计算 候选边缘节点的声誉的公式为： 其中， 表示服务器节点对候选边缘节点的声誉值， 表示服务器对边缘节点 的信任度， γ表示 不确定性对声誉的影响程度， 表示服务器对边 缘节点的不确定度。 7.根据权利要求1所述的一种基于声誉的物联网边云协同联邦学习节点选择方法， 其 特征在于， 根据计算出 的声誉值选出执行联邦学习任务的边缘节点的过程包括： 设置筛选 条件， 将计算出的边缘节点声誉值与设置的筛选条件进 行对比， 若满足筛选条件， 则将该边 缘节点作为执 行联邦学习任务的边 缘节点， 否则取消该边 缘节点； 筛 选条件为： 其中， 表示服务器节点对候选边缘节点的声誉值， Rthreshold表示声誉 阈值， Ti表示 候选边缘节点的时延， Tthreshold表示时延阈值。 8.根据权利要求1所述的一种基于声誉的物联网边云协同联邦学习节点选择方法， 其 特征在于， 边 缘节点采用SGD优化 算法对全局模型进行训练更新的过程包括： 步骤1： 中央服 务器从预定义的范围中初始化全局模型参数； 步骤2： 将全局模型参数下发给选定的边缘节点， 边缘节点接收到全局模型参数后采用 随机梯度下降算法使用自己的本地数据对当前全局模型进行更新训练， 通过最小化FL任务 的损失函数对当前全局模型的参数进行优化； 步骤3： 边 缘节点将优化更新后的本地模型参数 上传到服 务器； 步骤4： 当上传的本地模型参数达到一定数量或者迭代次数N后， 服务器节点对得到的 本地模型参数 执行全局模型聚合， 得到新的全局模型； 步骤5： 服务器节点将新的全局模型发送给选定的边缘节点， 以便进行下一次模型迭权　利　要　求　书 2/3 页 3 CN 114301935 A 3