[發明專利]基于聯邦學習的移動邊緣環境下安全QoS預測方法

有效

• 申請號: 202010135672.9
• 申請日: 2020-03-02
• 公開（公告）號: CN111416735B
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 金惠穎;張鵬程;吉順慧;李清秋;張雅玲;魏芯淼
• 申請（專利權）人: 河海大學
• 主分類號: H04L12/24
• 分類號: H04L12/24;G06N3/04
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 孟紅梅

1.一種基于聯邦學習的移動邊緣環境下安全QoS預測方法，其特征在于，包括如下步驟：

步驟1：收集邊緣位置信息和QoS數據集；

步驟2：以用戶ID號為連接對QoS數據和邊緣位置點進行融合；

步驟3：融合后得到時-空邊緣用戶QoS數據集；

步驟4：考慮邊緣服務器和市轄區的地理位置分布，將原始的邊緣網絡區域劃分為多個邊緣區域，并進行公有數據集提取；

步驟5：利用各邊緣區域的公有數據集基于LSTM進行公有數據訓練得到公有模型；

步驟6：將用戶所屬區域中的公有LSTM權值參數作為私有LSTM的初始參數，并根據私有數據不斷訓練私有LSTM從而進行個性化預測；

所述步驟1中收集數據主要包括兩個方面：包含用戶ID、服務ID、時間段ID和屬性值的QoS數據集；包含經度緯度信息的基站數據集；

所述步驟2包括如下步驟：

步驟21：以用戶ID、時間段ID、服務ID和屬性值的順序整理QoS數據集；

步驟22：根據步驟21中用戶的總數量在基站數據集中隨機選取相應數量的邊緣位置點并進行ID編號；

步驟23：統計邊緣位置點的經緯度信息，通過地圖服務定位基站的位置點得到邊緣服務器的分布情況；

步驟24：QoS數據集中的用戶總數量和邊緣服務器的總數量是相等的，因此以用戶ID為連接將兩個數據集進行融合；

所述步驟4包括如下步驟：

步驟41：考慮邊緣服務器和市轄區的地理位置分布，將整個邊緣網絡區域劃分為k個邊緣區域，每個邊緣區域對應1-4個市轄區，其中k≥2，由邊緣服務器的地理分布決定；

步驟42：取出各邊緣區域T₁時間段內的所有用戶調用所有服務的屬性值，并以服務-用戶二維矩陣的形式表示；逐一取二維矩陣中每行數據的中位數，得到一個服務-T₁列向量，把該列向量作為T₁時間段調用的服務的屬性值的公有數據；

步驟43：依次取T₂、…、T_n時間段所有用戶調用所有服務的屬性值，重復步驟42，得到服務-T₂、…、服務-T_n列向量，其中n≥2；

步驟44：將n個列向量合成形成一個服務-時間段二維矩陣，用于該邊緣區域的公有模型訓練。

2.根據權利要求1所述的基于聯邦學習的移動邊緣環境下安全QoS預測方法，其特征在于，所述步驟3包括如下步驟：

步驟31：統計融合后數據集的總時間段數和形成的總邊緣服務器個數；

步驟32：總時間段簡稱為“時”，總邊緣服務器簡稱為“空”，融合后得到時-空邊緣用戶QoS數據集。

3.根據權利要求1所述的基于聯邦學習的移動邊緣環境下安全QoS預測方法，其特征在于，所述步驟5包括如下步驟：

步驟51：每個邊緣區域基于各自區域的公有數據集執行LSTM訓練；在學習率和訓練次數之間達成一種共識，即：學習率越大，誤差調整的速度越快，因此在達到同等訓練效果時所需執行的訓練次數越少；

步驟52：將學習率和訓練次數設為公有模型訓練的一組組合參數，由于學習率和訓練次數之間的負相關關系，因此當學習率取值增大時，訓練次數取值逐漸減小；

步驟53：通過LSTM中的遺忘門、輸入門、當前時刻單元狀態和輸出門計算最后的輸出，并計算均方根誤差值來估量損失函數；

步驟54：對損失函數求導不斷調整權值參數；隨著訓練迭代次數的增加，訓練誤差不斷減小，為個性化預測提供最佳初始權值參數。

4.根據權利要求1所述的基于聯邦學習的移動邊緣環境下安全QoS預測方法，其特征在于，所述步驟6在個性化預測過程中，基于用戶不斷產生的私有數據每隔一個時間間隔便執行一次LSTM訓練，從而不斷更新權值參數以滿足邊緣環境對數據實時性和準確度的要求，實現邊緣環境下安全QoS屬性值預測。

5.根據權利要求4所述的基于聯邦學習的移動邊緣環境下安全QoS預測方法，其特征在于，所述步驟6包括如下步驟：

步驟61：用戶根據公有LSTM中傳遞的初始權值參數進行QoS預測；

步驟62：完成一個時間段的預測后，根據預測數據與實際QoS數據的偏差調整模型權值參數；

步驟63：判斷下一時間段是否有新數據產生，若有便將最新權值參數傳遞給該時間段的模型預測中，并執行訓練，從而進一步調整權值參數；以此往復直至不再產生新數據，實現實時的個性化預測。