[发明专利]一种基于联邦学习的移动设备射频分布识别方法

权利要求书

1.一种基于联邦学习的移动设备射频分布识别方法，其特征在于，包括以下步骤：

S1、通过瑞利衰落信道采集时域数据，并对所述时域数据进行预处理；

S2、根据所述预处理后的时域数据，利用移动设备构建基于联邦学习的分布式计算模型；

S3、根据所述时域数据的层次划分，利用动态样本选择算法对所述分布式计算模型进行训练，完成基于联邦学习的移动设备射频分布识别。

2.根据权利要求1所述的基于联邦学习的移动设备射频分布识别方法，其特征在于，所述步骤S1包括以下步骤：

S101、通过瑞利衰落信道采集时域数据；

S102、使用最小均方误差为目标的信道估计方法，将所述时域数据进行归一化处理；

S103、将所述时域数据划分为若干个子序列，并设输入的I/Q子序列长度为T，每个子序列的长度为t；

S104、利用滑动窗口对各子序列进行分割，完成对时域数据的预处理。

3.根据权利要求2所述的基于联邦学习的移动设备射频分布识别方法，其特征在于，所述步骤S104中所述滑动窗口的长度与各子序列的长度相同。

4.根据权利要求1所述的基于联邦学习的移动设备射频分布识别方法，其特征在于，所述步骤S2中的分布式计算模型包括若干个移动设备，以及汇总若干个移动设备更新数据的总服务器，且各移动设备训练各自的时域数据。

5.根据权利要求4所述的基于联邦学习的移动设备射频分布识别方法，其特征在于，所述步骤S2包括以下步骤：

S201、将预处理后的时域数据分发至不同的移动设备，并利用总服务器协调若干个移动设备；

S202、选择n_k个移动设备，并利用联邦学习模型对分布在每个移动设备上的时域数据进行训练；

S203、将训练结果汇总至总服务器，完成基于联邦学习的分布式计算模型的构建。

6.根据权利要求5所述的基于联邦学习的移动设备射频分布识别方法，其特征在于，每个所述移动设备的平均梯度的表达式如下：

式中，g_k表示移动设备的平均梯度，J_k表示目标损失函数，w_k表示分布式计算模型的参数权重；

每个所述移动设备的权重更新的表达式如下：

式中，表示第t+1次迭代时参数的更新权重，η表示学习速率，W_t^k表示第t次迭代时参数的权重。

7.根据权利要求6所述的基于联邦学习的移动设备射频分布识别方法，其特征在于，所述联邦学习模型包括加密样本对齐模块、加密模型训练模型以及激励效果模块；

所述加密样本对齐模块，通过加密样本对齐在各移动设备不暴露各自的用户样本ID的情况下，找出共同用户，并共享共同用户的数据；

所述加密模型训练模块，用于利用公钥加密体系，对所述共同用户数据的传递损失梯度进行加密，以实现分布式计算模型的更新；

所述激励效果模块，用于利用永久性数据记录机制记录所述分布式计算模型的效果，并根据所述效果优化分布式学习模型。