分层联邦学习系统的资源分配及聚合优化方法及装置

    公开(公告)号:CN117076132A

    公开(公告)日:2023-11-17

    申请号:CN202311320639.3

    申请日:2023-10-12

    IPC分类号: G06F9/50 G06N20/00

    摘要: 本申请提供一种分层联邦学习系统的资源分配及聚合优化方法及装置,涉及机器学习领域,方法包括:根据分层联邦学习系统中的各个边缘服务器各自的域内训练时间及传输延时信息,确定当前迭代轮次的提交时间区间;将全局模型参数和提交时间区间发送至各个边缘服务器,以使各个边缘服务器分别为自身分组中的各个终端分配针对当前迭代轮次的全局模型参数的目标计算任务并同步聚合各个子模型参数,对提交时间区间内接收到的边缘聚合结果数据进行云聚合。本申请能够有效降低分层联邦学习系统的计算复杂度,尤其适用于物联网等大量终端构成的分层联邦学习系统的场景,还能够提高终端和边缘服务器的计算资源利用率,进而能够有效提高分层联邦学习的效率。

    基于联邦学习的联盟链分布式拒绝服务攻击实时检测方法及系统

    公开(公告)号:CN118353677A

    公开(公告)日:2024-07-16

    申请号:CN202410493622.6

    申请日:2024-04-23

    IPC分类号: H04L9/40

    摘要: 本发明提供一种基于联邦学习的联盟链分布式拒绝服务攻击实时检测方法及系统,联盟链包括参与联邦学习的包含多个训练层节点和多个监控层节点的多个节点,每个节点被交替用作训练层节点和监控层节点,方法包括:在节点被用作训练层节点时,将DDoS攻击网络流量数据形成数据集,根据数据集对本地攻击检测局部模型进行训练,获得更新的局部模型参数和检测准确率并发送给云端聚合器,使云端聚合器根据多个更新的检测准确率确定对应的多个权重系数并对多个更新的局部模型参数聚合来获得更新全局模型参数并发送给联盟链;在节点被用作监控层节点时,从联盟链获取更新全局模型参数并更新本地模型来实时监控DDoS攻击,实时采集DDoS攻击网络流量数据以更新数据集。

    分层联邦学习系统的资源分配及聚合优化方法及装置

    公开(公告)号:CN117076132B

    公开(公告)日:2024-01-05

    申请号:CN202311320639.3

    申请日:2023-10-12

    IPC分类号: G06F9/50 G06N20/00

    摘要: 本申请提供一种分层联邦学习系统的资源分配及聚合优化方法及装置,涉及机器学习领域,方法包括:根据分层联邦学习系统中的各个边缘服务器各自的域内训练时间及传输延时信息,确定当前迭代轮次的提交时间区间;将全局模型参数和提交时间区间发送至各个边缘服务器,以使各个边缘服务器分别为自身分组中的各个终端分配针对当前迭代轮次的全局模型参数的目标计算任务并同步聚合各个子模型参数,对提交时间区间内接收到的边缘聚合结果数据进行云聚合。本申请能够有效降低分层联邦学习系统的计算复杂度,尤其适用于物联网等大量终端构成的分层联邦学习系统的场景,还能够提高终端和边缘服务器的计算资源利用率,进而能够有