[发明专利]中心方选择方法、存储介质和系统

权利要求书

1.一种合作式深度学习任务中的中心方选择方法，其特征在于，方法包括任务初始阶段的中心方初始选择和任务进行阶段的中心方更新选择，其中，基于初始任期内各合作方性能评分值进行中心方初始选择用于深度学习模型聚合，在任务进行中基于当前任期网络中存活节点中性能评分值进行中心方更新选择并以更新的中心方继续模型聚合任务。

2.根据权利要求1所述的方法，其特征在于，任务初始阶段的中心方初始选择包括以下步骤：

S110合作式深度学习任务被发起，确定参与此次任务的合作方总数N，同时协商确定用于性能比较的度量指标及其对应权重；

S120各合作方对本地任期参数进行初始化：local_term＝0，同时利用步骤S110的度量指标和权重计算各自的性能评分值；

S130对网络全局参数进行初始化，包括全局任期：glob_term＝0，中心方标识：center＝0，节点序号：n＝0，系数：coef，时间窗口：time_interval；

S140各合作方先后加入网络，提供性能评分值，并记录本地的IP地址和端口号；

S150利用合作方总数、系数和时间窗口判断此时该合作方n是否为加入网络的最后一个节点,若合作方n是加入网络的最后一个节点，则转至步骤S160，若合作方n不是加入网络的最后一个节点，则转至步骤S140；

S160加入网络的最后一个节点对网络中各节点的性能总分值进行比较；

S170将根据步骤S160中的性能总分值最高者选取为最优节点Node_Center，并作为此次合作式深度学习任务的初始中心方，用于深度学习模型聚合；

S180加入网络的最后一个节点更新网络全局参数：center＝Node_Center，glob_term＝glob_term+1，网络中各节点更新本地参数local_term＝local_term+1；

S190任务初始阶段选择合适的中心方完成。

3.根据权利要求2所述的方法，其特征在于：所述合作方为执行模型训练任务的各终端设备，合作方的性能评估指标包括cpu、内存和电量，而合作方的性能评分值score为：Score＝ω₁X_cpu+ω₂X_memory+ω₃X_energy，其中Xcpu、Xmemory和Xenergy分别为cpu、内存和电量的度量指标，而ω₁、ω₂、ω₃为为cpu、内存和电量的权重。

4.根据权利要求2所述的方法，其特征在于，在步骤S150中，判断合作方n是否为加入网络的最后一个节点的方法为：若此时已加入的合作方数量占步骤S110中合作方总数N的预设比例以上且在时间窗口内没有新的合作方加入，则该合作方n为最后一个节点，否则继续加入直到满足条件。

5.根据权利要求4所述的方法，其特征在于：其中，所述预设比例为70％、80％或90％。

6.根据权利要求1-5任一项所述的方法，其特征在于，在任务进行阶段的中心方更新选择包括以下步骤：

S210网络中各节点动态感知到中心方异常；

S220网络中各节点确定网络中存活节点；

S230网络中各节点对网络中各节点的性能总分值进行比较；

S240网络中各节点选取最优节点Node_Center作为此次合作式深度学习任务的中心方；

S250网络中各节点先后判断此时网络全局参数全局任期glob_term是否等于节点本地任期local_term；若是，表示此时网络中仍然没有选出中心方，则先判断出来的节点更新网络全局参数：center＝Node_Center，glob_term＝glob_term+1，并更新本地参数local_term＝local_term+1；若否，表示此时网络中已经选出中心方，则该节点只更新本地参数local_term＝local_term+1。