【技術實現步驟摘要】
本專利技術屬于車聯網，更具體地說，涉及一種面向智能網聯汽車場景的聯邦學習優化系統及方法。
技術介紹
1、智能網聯汽車(connected-automated?vehicles,cav)通過車載傳感器、車聯網、云計算等技術，實現車輛與外部環境(如基礎設施、其他車輛、云端服務器)的實時數據交互，從而支持智能感知、路徑規劃、駕駛決策等功能。隨著數據量的急劇增加，cav需要借助機器學習來進行復雜的數據處理與分析。然而，傳統的機器學習通常依賴于集中式的數據收集和分析，這可能面臨數據隱私、安全性、異構性等挑戰。
2、聯邦學習(federated?learning,fl)是一種分布式機器學習方法，它允許模型在多個邊緣設備或本地車輛終端上訓練，而無需將數據上傳到云中心服務器。這種方法不僅保護了數據隱私，還能減少數據傳輸的成本與風險。現有研究工作已將聯邦學習運用在車聯網中。
3、在智能網聯汽車場景中，不同車輛的計算能力差異顯著，部分高性能車輛配備了強大的處理器，能夠快速完成本地訓練，而一些低性能車輛則計算能力有限、訓練速度較慢，在分布式學習中直接進行全局模型訓練會導致訓練效率低下等問題。此外，低計算力的車輛可能無法提供與高計算力車輛同樣精度的模型參數，影響全局模型質量。為此，基于計算力進行車輛分簇，能將計算力相似的車輛歸為同一組，確保同步訓練，優化模型參數的聚合效率，優化資源分配，提升整體的系統性能。
4、傳統的同步聯邦學習需要同時聚合所有的局部模型，然而，不同網聯汽車之間因計算力的不同，完成本地訓練的時間存在
5、在面向智能網聯汽車場景的聯邦學習優化方法中，全面考慮這些因素是必要的，以確保模型的準確性和魯棒性。這需要綜合運用車輛異構分簇、異步聯邦學習、邊緣計算等先進技術，以有效地利用車輛邊緣網絡的資源，并提高系統訓練效率和性能。
技術實現思路
1、為了解決上述技術問題，本專利技術提供了一種面向智能網聯汽車場景的聯邦學習優化方法及系統，該方法及系統改進了異步聯邦學習框架，將多個車輛因計算力的異構性分成不同的簇類，采用云-邊-端的三層聯邦學習架構，將邊緣服務器部署在路邊單元(roadside?unit，rsu)，并在自適應動態時間窗口中偽異步聚合收到的模型參數，云端實時聚合收到的模型參數，提升系統模型訓練效率和質量，同時確保數據的安全性，保護用戶隱私。異構分簇設計體現在：根據計算力不同為每個車輛節點設計百分制信任分數，并依據信任分數閾值將各個rsu下的車輛節點分為十個級別的車輛簇，且信任分數低于閾值10的車輛簇周期性參與全局模型訓練，其余車輛簇則每輪都參與全局模型訓練；異步聯邦學習的設計體現在：rsu在自適應動態調整時間窗口中，聚合窗口內收到的車輛簇模型參數，即rsu的偽異步聚合，且將聚合參數發至云端，云端接收參數進行實時更新的完全異步聚合。異步聯邦學習和車輛分簇的設計保證了該智能網聯汽車場景下聯邦學習優化系統的效率以及全局模型的質量。
2、為了達到上述目的，本專利技術是通過以下技術方案實現的：
3、本專利技術是一種面向智能網聯汽車場景的聯邦學習優化方法及系統。
4、本專利技術提供一種面向智能網聯汽車場景的聯邦學習優化系統，包括：
5、數據采集與預處理模塊，被配置為：利用車載網關對智能網聯汽車運行過程中的各類數據進行采集和預處理，車載網關中包含計算單元、儲存單元和傳輸單元；
6、本地訓練模塊，被配置為：各個車輛節點接收到全局模型后，在車載網關中初始化本地模型，并利用收集到的本地數據集訓練以得到本地模型參數；
7、信任分數設計和車輛分簇模塊，被配置為：每個車輛節點將本地模型參數上傳至云端服務器，云端根據模型參數給每個車輛節點分配一個信任分數，并根據信任分數將各路邊單元rsu下的車輛節點分為不同的車輛簇。該模塊通過部署在云端的高性能計算服務器來實現；
8、車輛簇內聚合模塊，被配置為：各簇車輛在簇內聚合本地模型；每簇車輛內拓撲結構為完全二叉樹排列，根據本地模型與全局模型的余弦相似度由高到低依次排列，簇內的模型下發和聚合的方式分別為自項向下和自底向上。模型的聚合和模型參數的收發通過車載網關實現，聚合后的模型參數上傳至rsu；
9、模型參數傳輸模塊，被配置為：將車輛層中各車輛簇的簇內聚合模型參數發送到對應的rsu中，將路邊單元層各rsu中偽異步聚合所得的局部模型參數發送至云端。通過車輛節點到rsu的無線傳輸(通過車輛層車載網關的無線傳輸功能實現)，以及路邊單元到云的有線傳輸(如通過光纖，以太網等的傳輸)，實現該模塊的功能；
10、偽異步聚合模塊，被配置為：rsu接收車輛層上傳的簇內聚合模型，在自適應動態調整時間窗口內進行參數的偽異步聚合，通過部署在rsu上的邊緣服務器實現；
11、全局模型更新與分發模塊：rsu將聚合所得的局部模型參數發送給云端進行完全異步聚合，云端一旦收到局部模型便聚合生成全局模型，全局模型的聚合同樣通過云端高性能服務器實現。車輛節點通過車載網關監控自身的計算負載、網絡狀況、電量等因素，判斷自己是否處于空閑狀態。若是，則車輛節點先通過無線向rsu發送、rsu再通過有線向云端發送下載最新全局模型的請求，并下載全局模型以用于下一輪本地模型訓練；
12、系統監控與評估模塊，被配置為：對系統性能和各個模塊進行監控，并定期評估全局模型的準確性和系統的整體運行狀態，這部分功能通過云端的高性能服務器實現。
13、本專利技術還提供一種面向智能網聯汽車場景的聯邦學習優化方法，對于t輪次，方法包括以下步驟：
14、步驟1：云端下發初始全局模型mt，每個車輛節點在接受到全局模型時初始化本地模型并用本地數據進行訓練；后將本地模型參數上傳至云端；
15、步驟2：云端根據車輛節點上傳的本地模型參數，給每個節點都分配一個信任分數，根據信任分數將車輛節點分為不同的車輛簇；
16、步驟3：簇內聚合車輛節點的本地模型，并將模型參數發至rsu；rsu根據閾值判定參與聯邦學習的車輛簇，采取偽異步聚合方式，并根據每個車輛簇的平均信任分數來分配各個車輛簇本地聚合模型參數聚合權重的大小，得到聚合的局部模型參數；
17、步驟4：不同rsu將聚合后的局部模型參數發送至云端進行完全異步聚合，得到全局模型；云端判斷全局模型是否收斂，若全局模型未收斂，則空閑的車輛簇向云端發送下載全局模型的請求，云端計算更新該車輛簇的平均信任分數，否則，結束模型訓練得出全局模型；
18、由于各個簇內的車輛節點計算力相似，完成本地訓練的時間相近，且簇內需得出聚合模型參數才可以將本文檔來自技高網...
【技術保護點】
1.一種面向智能網聯汽車場景的聯邦學習優化系統，其特征在于：所述系統包括如下部分：
2.一種面向智能網聯汽車場景的聯邦學習優化方法，其特征在于：
3.根據權利要求2所述的一種面向智能網聯汽車場景的聯邦學習優化方法，其特征在于：所述步驟1中，包括如下步驟：
4.根據權利要求2所述的一種面向智能網聯汽車場景的聯邦學習優化方法，其特征在于：所述步驟2中，包括如下步驟：
5.根據權利要求2所述的一種面向智能網聯汽車場景的聯邦學習優化方法，其特征在于：所述步驟3中，包括如下步驟：
6.根據權利要求5所述的一種面向智能網聯汽車場景的聯邦學習優化方法，其特征在于：所述步驟3.3中，包括如下步驟：
7.根據權利要求2所述的一種面向智能網聯汽車場景的聯邦學習優化方法，其特征在于：所述步驟4中，每輪全局模型更新后，空閑的車輛節點必須是以簇為單位向云端發送下載請求，且相同簇內的節點信任分數的獎勵和懲罰也必然是相同的，因此用于下一輪全局模型訓練的信任分數，只更新各簇的平均信任分數，而不是更新每個車輛節點的信任分數。
8.
...【技術特征摘要】
1.一種面向智能網聯汽車場景的聯邦學習優化系統，其特征在于：所述系統包括如下部分：
2.一種面向智能網聯汽車場景的聯邦學習優化方法，其特征在于：
3.根據權利要求2所述的一種面向智能網聯汽車場景的聯邦學習優化方法，其特征在于：所述步驟1中，包括如下步驟：
4.根據權利要求2所述的一種面向智能網聯汽車場景的聯邦學習優化方法，其特征在于：所述步驟2中，包括如下步驟：
5.根據權利要求2所述的一種面向智能網聯汽車場景的聯邦學習優化方法，其特征在于：所述步驟3中，包括如下步驟：
6.根據權利要...
【專利技術屬性】
技術研發人員：郭永安，胡前靈，周沂，王宇翱，孫洪波，
申請(專利權)人：邊緣智能研究院南京有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。