申请/专利权人：南京大学

申请日：2022-05-17

公开（公告）日：2024-06-21

公开（公告）号：CN115174404B

主分类号：H04L41/0896

分类号：H04L41/0896;H04L41/0894;H04L41/14;H04L41/0895

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2022.10.28#实质审查的生效;2022.10.11#公开

摘要：本发明公开了一种基于SDN组网的多设备联邦学习系统，系统内采用SDN进行组网连接，该系统将边缘设备根据互相之间的延迟分为数个小组，组内采用去中心化的联邦学习策略进行联邦学习训练；在完成组内训练后，根据SDN中提供的信息在每组中选择网络性能最强的设备，让其将本组模型发送给中心节点，由中心节点对各组模型进行聚合。本发明通过对原有联邦学习过程的改良，更充分地使用了边缘设备的数据、算力与网络带宽，同时降低中心节点的压力，提高了模型训练效率，进而使各边缘设备上的数据能够更快地转化为深度学习模型，有效提升了深度学习服务的质量。

主权项：1.一种基于SDN组网的多设备联邦学习系统，其特征在于，包括中心节点及边缘设备，且系统内采用SDN进行组网连接，该系统采用以下步骤进行联邦学习训练：步骤1、边缘设备的初始化：以组内低延迟为原则将加入联邦学习的边缘设备分为数个小组，并通过各组中可用网络带宽最大的边缘设备将初始模型下发到同组边缘设备；所述步骤1具体包括：步骤1.1：边缘设备在加入联邦学习时，首先向中心节点发出加入SDN请求，并在收到中心节点下发的当前节点列表后，进一步测试本身到各已有节点的延迟，选择延迟小于设定阈值的节点作为一个分组方案，发送到中心节点；步骤1.2：中心节点在收到该边缘设备发来的分组方案时，根据已有分组情况为该边缘设备进行分组，并返回该边缘设备所在组的节点列表；步骤1.3：在收到中心节点发来的实际组内节点列表后，该边缘设备通知组内的其他边缘设备更新分组信息，并根据当前网络情况，请求可用带宽最大的节点向其发送训练中的模型作为该边缘设备的初始模型；步骤2、组内去中心化模型训练：各组边缘设备在组内采用去中心化的联邦学习策略进行联邦学习训练，并通过各组中可用网络带宽最大的边缘设备将训练好的本地模型发送给中心节点；所述步骤2具体包括：步骤2.1、本地训练过程：各边缘设备首先使用本地数据对获取的初始模型或上一轮聚合得到的本地模型进行训练，在训练达到设定的次数后向组内其他边缘设备发送已完成本轮训练的信号，当组内超过设定比例的边缘设备训练完成后，即可开始组内去中心化聚合过程；步骤2.2、组内去中心化聚合过程：各边缘设备首先将训练好的本地模型分片，之后将模型片段发送到组内的其他边缘设备中，并在收到其他节点发来的模型片段后，将其与本地模型加权聚合，形成新的本地模型，然后返回步骤2.1进行下一轮训练和聚合，直到完成约定的轮数，即可结束组内去中心化模型训练，并由组内可用网络带宽最大的节点将其模型发送给中心节点；步骤3、组间中心化模型聚合：中心节点在收到各组模型后进行加权聚合，生成本轮训练的最终模型，并以此模型为初始模型重复步骤1-3，直到完成约定的轮数，即可结束训练。

全文数据：

权利要求：

百度查询： 南京大学 一种基于SDN组网的多设备联邦学习系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD