-
公开(公告)号：CN117294460B
公开(公告)日：2024-09-27
申请号：CN202211503349.8
申请日：2022-11-28
摘要： 本发明涉及边缘计算下的隐私保护领域，特别是涉及边缘计算下的一种边缘计算下的轻量级联邦学习隐私保护方法。目的在于解决联邦学习过程中隐私泄露的风险的方案，需消耗大量的时间和空间，不适用于边缘计算下实时性的应用场景的问题。主要方案包括采用不同的终端设备负责进行神经网络模型训练，而边缘服务器和云服务器进行神经网络模型参数聚合；在终端设备训练得到神经网络模型参数后，对其进行差分扰动，再上传给边缘服务器，边缘服务器迭代训练得到神经网络模型参数后，对神经网络模型参数进行同态加密后传输到云服务器进行聚合；在终端设备上、边缘服务器，设置一个阈值，当训练次数达到阈值时，神经网络模型参数上传到云服务器进行聚合更新。
-
公开(公告)号：CN115712467B
公开(公告)日：2024-10-01
申请号：CN202211452770.0
申请日：2022-11-21
IPC分类号： G06F9/445 , G06F9/48 , G06F16/215 , G06F21/64 , G06N3/0442 , G06N3/08
摘要： 本发明涉及边缘计算领域，特别是涉及一种边缘计算PLD任务卸载方法、装置及存储介质。目的在于解决上述现有技术存在的缺点会影响任务卸载策略的效率，在数据量较大时往往存在较大的误差与资源消耗，为系统带来较大负担的问题。主要方案包括获取集群中系统整体的历史任务卸载情况数据，并对数据进行清洗；构建PLD模型所需的三大空间，采用LSTM模型与DQN模型构建PLD模型，并将清洗后的历史数据通过三大空间输入到PLD模型中完成预测模型训练；将即将到来的任务数据输入训练好的PLD模型，得到集群系统对每个任务的任务卸载策略。
-
公开(公告)号：CN117294460A
公开(公告)日：2023-12-26
申请号：CN202211503349.8
申请日：2022-11-28
摘要： 本发明涉及边缘计算下的隐私保护领域，特别是涉及边缘计算下的一种边缘计算下的轻量级联邦学习隐私保护方法。目的在于解决联邦学习过程中隐私泄露的风险的方案，需消耗大量的时间和空间，不适用于边缘计算下实时性的应用场景的问题。主要方案包括采用不同的终端设备负责进行神经网络模型训练，而边缘服务器和云服务器进行神经网络模型参数聚合；在终端设备训练得到神经网络模型参数后，对其进行差分扰动，再上传给边缘服务器，边缘服务器迭代训练得到神经网络模型参数后，对神经网络模型参数进行同态加密后传输到云服务器进行聚合；在终端设备上、边缘服务器，设置一个阈值，当训练次数达到阈值时，神经网络模型参数上传到云服务器进行聚合更新。
-
公开(公告)号：CN115712972A
公开(公告)日：2023-02-24
申请号：CN202211453973.1
申请日：2022-11-21
IPC分类号： G06F30/18 , G06F30/27 , G06F119/02
摘要： 本发明属于网络安全领域，提供了一种基于深度学习的边缘计算环境下的DDos检测方法。主旨在于解决因为边缘节点算力受限、存储空间小、网络波动大的环境问题，无法部署应用的问题。主要方案包括搭建了预处理层，对输入的网络流量数据依次进行过滤脏数据、归一化处理、攻击类型标签统计分析，利用Smote算法上采样稀疏类、对稠密类进行下采样以此平衡标签类别；模型构建；将预处理后的网络流量数据划分得到训练集和测试集，通过训练集和测试集输入到模型中进行训练，得到训练好的模型；将训练好的模型部署到边缘节点中，搜集节点中的网络流量数据，使用预处理层来处理流量数据后送入部署的模型进行实时DDos预测。
-
公开(公告)号：CN117332846A
公开(公告)日：2024-01-02
申请号：CN202211503708.X
申请日：2022-11-28
摘要： 本发明涉及边缘计算下的隐私保护领域，特别是涉及一种体联网环境下的边缘智能协同隐私保护方法。目的在于解决应用在边缘计算场景下的联邦学习需要耗费大量的通信成本，同时面临各种攻击手段会影响隐私保护的效率以及安全性的问题。主要方案包括定义轻量级边缘智能协同联邦学习框架EdgeFL，对神经网络模型的层次分为不同块，然后分别在用户移动设备和机构私有服务器训练，然后云数据中心进行模型参数聚合；云数据中心得到本轮私有服务器上传的模型参数后，计算差值添加差分扰动后更新云数据中心的模型参数，并将更新后的模型参数用作下一轮训练，下发给私有机构进行下一轮训练。
-
公开(公告)号：CN115712467A
公开(公告)日：2023-02-24
申请号：CN202211452770.0
申请日：2022-11-21
IPC分类号： G06F9/445 , G06F9/48 , G06F16/215 , G06F21/64 , G06N3/0442 , G06N3/08
摘要： 本发明涉及边缘计算领域，特别是涉及一种边缘计算PLD任务卸载方法、装置及存储介质。目的在于解决上述现有技术存在的缺点会影响任务卸载策略的效率，在数据量较大时往往存在较大的误差与资源消耗，为系统带来较大负担的问题。主要方案包括获取集群中系统整体的历史任务卸载情况数据，并对数据进行清洗；构建PLD模型所需的三大空间，采用LSTM模型与DQN模型构建PLD模型，并将清洗后的历史数据通过三大空间输入到PLD模型中完成预测模型训练；将即将到来的任务数据输入训练好的PLD模型，得到集群系统对每个任务的任务卸载策略。
-
-
-
-
-
搜索结果
6 条记录 (耗时 0.038 秒)
