(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111612764.2 (22)申请日 2021.12.27 (71)申请人 吉林大学 地址 130012 吉林省长 春市长春高新技术 产业开发区前进大街269 9号 (72)发明人 石文孝　刘思呈　张佳栋　李娇　 张睿冬　欧阳敏　刘安琪　 (74)专利代理 机构 长春吉大专利代理有限责任 公司 22201 代理人 刘驰宇 (51)Int.Cl. G06F 9/50(2006.01) G06N 20/00(2019.01) (54)发明名称 一种面向分层联邦边缘学习的模型训练节 点选择方法 (57)摘要 本发明提供了一种面向分层联邦边缘学习 的模型训练节 点选择方法， 云端服务器向信誉区 块链提出训练所需的信誉阈值等条件， 信誉区块 链选择符合条件的边缘服务器及终端设备并将 选择结果传输到云端服务器； 根据选择结果进行 模型训练， 云端服务器及边缘服务器 分别对边缘 模型及局部模型进行质量评估并剔除不可靠边 缘服务器和终端设备； 对历史信誉及通过模型训 练获得的信誉加权计算得到最新信誉， 并更新到 联盟区块链。 本方法通过引入信誉、 时延及能耗 三种指标以协同增强模型训练的可靠性， 通过设 计一种历史信誉与当前信誉加权更新的计算方 法以提高分层联邦边缘学习系统对终端设备及 边缘服务器信誉评估的准确性。 权利要求书4页 说明书9页 附图2页 CN 114327889 A 2022.04.12 CN 114327889 A 1.一种面向分层联邦边缘学习的模型训练节点选择方法， 其特征在于， 在分层联邦边 缘学习中引入信誉作为衡量 终端设备及边缘服务器的可信度指标； 在分层联邦边缘学习中 引入时延 阈值及能耗阈值作为限制终端设备及边缘服务器在模型训练过程中资源消 耗的 指标； 设计一种历史信誉值与当前信誉值加权的计算方法更新参与模型训练的终端设备及 边缘服务器的信誉值； 具体包括以下步骤： 步骤一： 任务条件的发布； 云端服务器发布分层 联邦边缘学习任务 任务Tn对终端设备最 低信誉 的要求和对边缘服务器最低信誉 的要求、 在每次迭代的每个模型训练过 程中任务Tn对所有参与模型训练的终端设备及边缘服务器的时延阈值Llow和能耗阈值Elow 的要求以及任务Tn对每个模型精度的要求； 其中， Tn为编号为n的分层联邦边缘学习任务， n 为正整数， 模型包括局部模型、 边 缘模型以及全局模型； 步骤二： 终端设备及边 缘服务器的选择； 根据云端服务器发布的分层联邦边缘学习任务Tn对参与训练的终端设备和边缘服务器 的最低信誉要求， 信誉区块链选择信 誉值不小于分层联邦边缘学习任务Tn的信誉要求的终 端设备 及边缘服务器 并将选择结果传 输给云端服务器， 其中， 为信誉区块链选择的终端设备的数量， 为信 誉区块链选择的边缘服务器的数量， Di为编号为i的终端设备， Nm为编号为m的边缘服务器， 且i和m均为 正整数； 步骤三： 分层联邦边 缘学习的进行； 云端服务器根据信誉区块链选择的符合学习条件的终端设备及边缘服务器， 进行分层 联邦边缘学习； 步骤四： 信誉值的计算与更新； 假设终端设备Di的历史信誉为 边缘服务器Nm的历史信誉为 云端服务器对每 个终端设备和 边缘服务器的历史信誉及其通过模型训练获得 的信誉加权计算得到最新信 誉值， 并更新存储到信誉 区块链中， 以便为下一个任务的模型训练过程中的终端设备及边 缘服务器的选择提供信誉依据； 其中， l为信誉管理方设定的、 终端设 备及边缘服务器所能获得的最高信誉值。 2.根据权利要求1所述的一种面向分层联邦边缘学习的模型训练节点选择方法， 其特 征在于， 步骤三中的分层联邦边 缘学习包括以下 过程： 过程(1)： 系统初始化； 云端服务器将全局模型初始参数发送给信誉区块链选择的符合 分层联邦边 缘学习任务Tn信誉要求的终端设备D及边 缘服务器N； 过程(2)： 局部模型训练； 终端设备D首先计算是否 同时满足局部模型训练的时延条件 及能耗条件， 如果不同时满足， 则该终端设备不参与本次迭代的模型训练， 如果同时满足， 则根据其拥有的数据及云端服务器的参数训练局部模型， 然后 将局部模型参数传输到边缘 服务器N；权　利　要　求　书 1/4 页 2 CN 114327889 A 2过程(3)： 不可靠终端设备的剔除及边缘模型训练； 边缘服务器对每个局部模型进行质 量评估， 并从符合学习条件的终端设备集D中， 剔除局部模型更新质量下降超过系统给定阈 值的终端设备， 剔除后的终端设备不再参与任务Tn的模型训练过程； 然后， 边缘服务器计算 是否同时满足边缘模型训练的时延条件及能耗条件， 如果不同时满足， 则该边缘服务器不 参与本次迭代的模型训练， 如果同时满足， 边缘服务器根据其拥有的边缘模型及对剔除后 的局部模型参数进行聚合更新得到最新的边缘模型， 并将边缘模型参数发送 给剔除后的终 端设备； 过程(4)： 不断重 复过程(2)及过程(3)， 直至边缘模型训练达到系统给定的精度或训练 过程中的损失函数收敛， 然后将更新后的边 缘模型参数传输 到云端服 务器； 过程(5)： 不可靠边缘服务器的剔除及全局模型训练； 云端服务器对每个边缘模型进行 质量评估， 并从符合学习条件的边缘服务器集N中， 剔除边缘模型更新质量下降超过系统给 定阈值的边缘服务器， 剔除后的边缘服务器不再参与任务Tn的模型训练过程， 然后云端服 务器根据其拥有的全局模型及对剔除后的边缘模型参数进行聚合更新得到最新的全局模 型， 然后将全局模型参数传输给剩余 边缘服务器及终端设备； 过程(6)： 不断重复过程(2)、 过程(3)、 过程(4)及过程(5)， 直至全局模型训练达到系统 给定的精度或训练过程中的损失函数收敛。 3.根据权利要求2所述的一种面向分层联邦边缘学习的模型训练节点选择方法， 其特 征在于， 步骤四中信誉值的更新计算过程 为： 假设终端设备及边缘服务器在整个模型训练 的过程中未被剔除， 即完成分层联邦边缘 学习任务Tn获得的信誉值为 其中， λ为终端设备及边缘服务器完成任 务Tn可获得的最大信誉值， 由云端服务器管理方自行设定； 假设任务Tn对于终端设备D的重 要度为αD， 其计算公式为 任务Tn对于边缘服务器N的重要度为αN， 其计算公式 为 如果终端设备Di在整个联邦边缘学习模型训练的过程中未被剔除 ， 假设 则终端设备Di的最新信誉值 表达为： 如果终端设备Di在整个联邦边缘学习模型训练的过程中被剔除， 即未完成分层联邦边 缘学习任务Tn， 假设 则终端设备Di的最新信誉值 表达为：权　利　要　求　书 2/4 页 3 CN 114327889 A 3