申请/专利权人：华东交通大学

申请日：2024-04-01

公开（公告）日：2024-06-28

公开（公告）号：CN117979259B

主分类号：H04W4/44

分类号：H04W4/44;H04W28/14;G06N3/0475;G06N3/0455;G06N3/098

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2024.05.21#实质审查的生效;2024.05.03#公开

摘要：本发明提出一种移动边缘协作缓存的异步联邦深度学习方法及系统，该方法包括：搭建包括宏基站、若干辆车辆以及若干个路边单元的通信场景模型整体框架并确定预设请求规则；获取受欢迎内容数据，进行预处理后生成用户评分矩阵；构建条件变分自动编码和生成对抗网络模型，使用该模型对用户评分矩阵进行训练得到预测受欢迎内容；根据Z‑score方法聚合车辆的局部模型，以得到权重更新后的全局模型；在该全局模型，使用Zipf模型从预测受欢迎内容中选取受欢迎程度前Fc个内容；使用A3C算法对受欢迎程度前Fc个内容协同缓存至适当的车辆和路边单元中。本发明能够解决现有的异步联邦学习方法存在精准度和安全性不足的问题。

主权项：1.一种移动边缘协作缓存的异步联邦深度学习方法，其特征在于，应用于车联网管理平台，所述方法包括：搭建通信场景模型整体框架，所述通信场景模型包括宏基站、若干辆车辆以及若干个路边单元，并确定预设请求规则，所述预设请求规则具体为：目标车辆先在本车辆缓存内容中寻找请求内容，若本车辆不存在请求内容，则向预设范围内的相似车辆发送请求；若相似车辆不存在请求内容，则向本地路边单元发送请求；若本地路边单元不存在请求内容，则向相邻路边单元发送请求；若所有相邻路边单元中不存在请求内容，则目标车辆向宏基站发送请求；根据所述预设请求规则获取受欢迎内容数据，对所述受欢迎内容数据进行预处理后生成车辆用户评分矩阵；构建条件变分自动编码和生成对抗网络模型，使用所述条件变分自动编码和生成对抗网络模型对所述车辆用户评分矩阵进行预测，以得到预测受欢迎内容，具体包括：在所述车辆用户评分矩阵输入条件变分自动编码和生成对抗网络模型之前，先构建条件变分自动编码和生成对抗网络模型并进行训练；所述条件变分自动编码和生成对抗网络模型包括编码器、解码器和加入Transformer模块的辨别器；首先获取车辆用户历史评分矩阵X作为训练数据输入所述编码器以获得潜在向量；获取车辆用户的个人信息矩阵Z，并将所述车辆用户的个人信息矩阵Z与潜在向量进行拼接后输入所述解码器以获得车辆用户评分的重构矩阵，同时将一个随机采样数据输入所述解码器以获得随机生成的样本数据；将所述、所述和所述输入所述辨别器中，其中为真实历史数据，随机生成的样本数据和重构矩阵被看作是真实历史数据X的近似，即看做假数据；训练辨别器以区分真实数据和假数据；再将需要进行预测的所述车辆用户评分矩阵输入到训练后的条件变分自动编码和生成对抗网络模型当中，在潜在空间当中随机采样获得预测潜在向量，将预测潜在向量输入到解码器，解码器根据预测潜在向量生成预测受欢迎内容；使用异步联邦学习聚合所述车辆的局部模型至所述路边单元，再使用Z-score方法进行权重检测，以得到权重更新后的全局模型，具体包括：使用所述Z-score方法在所述路边单元处设置权重检测环节，根据Z-score方法用于所述路边单元是否聚合所述车辆此轮上传的局部模型的权重，具体过程包括：计算出所述车辆此轮上传的局部模型与所述车辆上一轮上传的局部模型之间的权重差异，具体计算公式为：；根据所述权重差异计算均值和标准差：，；根据所述均值和所述标准差，使用Z-score方法，设置异常检测条件为：，其中，为异常检测的阈值，规定若两轮上传的局部模型的均值大于差异的标准差乘以设置阈值的积，则认为此轮上传的局部模型出现异常，则此轮路边单元放弃聚合车辆此轮上传的局部模型的权重；将所述预测受欢迎内容输入所述权重更新后的全局模型，使用Zipf模型从所述预测受欢迎内容中选取受欢迎内容的前Fc个内容，具体包括：统计车辆及其相邻车辆用户对预测受欢迎内容的评分，并统计预测受欢迎内容的数量，将包括所述评分和所述数量的所述预测受欢迎内容通过Zipf模型，以输出整个内容存储库中受欢迎内容的排名，选取受欢迎内容的前Fc个内容；使用A3C算法对所述受欢迎内容的前Fc个内容协同缓存至所述车辆和所述路边单元中，具体包括：对于当前时隙t，观察当前的状态，并根据缓存策略做出当前的状态后获得动作，做出动作后获得奖励，并从当前的状态转变到下一状态，具体过程包括：将车辆、本地路边单元和相邻路边单元的当前时隙缓存内容作为的当前状态，并且按照相似车辆、本地路边单元和相邻路边单元的优先级顺序进行内容协同缓存；将在当前的状态是否需要更改缓存决策作为动作，若，则从未缓存内容当中挑选受欢迎度最高的n个内容去替换已缓存中受欢迎度最低的n个内容，并且，若，则不进行缓存替换，缓存内容不变；车辆在时隙t获取缓存内容的奖励公式为： ，其中，表示车辆在本地路边单元的覆盖范围内请求缓存内容的奖励，s表示缓存内容的大小，表示车辆的缓存内容，表示本地路边单元的缓存内容，表示相邻路边单元的缓存内容，为车辆与相似车辆之间的传输速率，为车辆与本地路边单元之间的传输速率，为车辆与宏基站之间的传输速率，表示为本地路边单元与相邻路边单元之间的传输速率且为有线链路的恒定速率，表示缓存内容在车辆情况下调整奖励函数的参数，表示缓存内容在本地路边单元情况下调整奖励函数的参数，表示缓存内容在相邻路边单元情况下调整奖励函数的参数，表示缓存内容在宏基站情况下调整奖励函数的参数，并且；根据所述缓存内容的奖励公式获得奖励函数，其中，表示车辆请求内容的总数量，表示本地路边单元覆盖范围内的车辆数量；根据所述奖励函数rt最小化预期的长期贴现函数，以找到最优协作缓存策略，根据最优协作缓存策略对所述受欢迎内容的前Fc个内容协同缓存至所述车辆和所述路边单元中；最优协作缓存策略的公式为：，其中，表示使预期的长期贴现函数取最小值，预期的长期贴现函数为：，其中，表示关于最优协作缓存策略的期望函数，表示迭代的轮次，表示t-1轮次的贴现因子。

全文数据：

权利要求：

百度查询： 华东交通大学 一种移动边缘协作缓存的异步联邦深度学习方法及系统

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