本技术公开了一种联邦学习的能耗优化方法。该方法首先使用聚类将多个客户端聚类得到多个聚类簇,然后将聚类簇中客户端的数量与阈值比较,得到最小能耗客户端集合;该集合进行联邦学习后,进行第二次聚类,得到多个子聚类簇;最终根据子聚类簇进行联邦学习,得到总模型。该方法训练能耗低,模型收敛快。
背景技术
现如今,数据成为了许多应用的核心。但在涉及到隐私和安全敏感的领域,数据的收集、存储和处理都面临着诸多挑战。联邦学习作为一种新型的机器学习技术,允许在不共享数据的条件下在本地进行训练,而无需将数据集中到中心服务器。这种技术在一定程度上避免了数据的传输和存储,从而保护了大众的隐私。联邦学习广泛应用在交通领域的流量预测中,使得智能交通系统更加智能,为自动驾驶汽车的发展带来了新的机遇。
传统的联邦学习中由于各个客户端的计算能力不同,数据分布不均匀;也未考虑到各个客户端之间数据的相似性。因此,整体而言,联邦学习的训练能耗高,模型收敛速度慢。
现有技术公开了一种高能效的聚类联邦边缘学习策略生成方法和装置,包括:云中心初始化边缘接入策略;边缘基站求解其接入设备的带宽资源分配策略,将其初始化模型发送给接入设备;设备计算接收到的全局模型的精度,根据全局模型和本地数据采用分层迁移策略训练本地模型,计算上传本地模型花费的能量,将测试精度与能耗的差值作为本地收益,将本地模型和本地收益上传到所接入的边缘基站;边缘基站分层聚合本地模型,通过平均所有接入设备的本地收益,计算边缘收益,将边缘收益上传到云中心;云中心根据收到的边缘基站的反馈信息,计算系统收益,采用深度强化学习算法调整边缘接入策略;重复上述过程直至收敛。该方法通过深度强化学习调整客户端分配策略,调整时间较长,不能适应流量预测中实时变化的交通情况。
实现思路