[发明专利]针对边云协同的联邦学习系统及方法

权利要求书

1.一种针对边云协同的联邦学习系统，包括边缘设备和云端服务器；

所述云端服务器被配置为：向参与协同的各个边缘设备下发初始的全局模型和密钥，以及对从各个边缘设备接收的模型参数进行聚合，并将聚合后的模型参数返回至各个边缘设备；

所述边缘设备被配置为：基于本地数据对全局模型进行训练；根据来自云端服务器的密钥对训练后得到的模型参数进行加密并将加密后的模型参数上传至云端服务器；以及采用来自云端服务器的模型参数更新其本地的全局模型。

2.根据权利要求1所述的系统，其中所述云端服务器对从各个边缘设备接收的模型参数进行聚合包括对从各个边缘设备接收的模型参数求平均值，以得到聚合后的模型参数。

3.根据权利要求1所述的系统，其中所述边缘设备还被配置为将参与对全局模型进行训练的数据数目与训练后得到的模型参数一起上传至云端服务器。

4.根据权利要求1所述的系统，其中所述云端服务器对从各个边缘设备接收的模型参数进行聚合包括将从各个边缘设备接收的数据数目作为其相应模型参数的权重，对从各个边缘设备接收的模型参数求加权平均值，以得到聚合后的模型参数。

5.根据权利要求1-5中任一项所述的系统，其中采用同态加密算法对边缘设备与云端服务器之间传输的模型参数进行加密。

6.根据权利要求1-5中任一项所述的系统，其中所述全局模型为极限学习机模型，其包括一个输入层、一个隐藏层和一个输出层。

7.根据权利要求6所述的系统，其中所述云端服务器向参与协同的各个边缘设备下发初始的全局模型包括指定用于该全局模型的输入权重、输入偏置和隐藏层节点数，以及其中所述边缘设备训练后得到的模型参数为该全局模型的输出权重。

8.一种针对边云协同的联邦学习方法，包括：

由云端服务器向参与协同的各边缘设备下发初始的全局模型和密钥；

由每个边缘设备基于本地数据对全局模型进行训练；

由每个边缘设备根据来自云端服务器的密钥对训练后得到的模型参数进行加密并将加密后的模型参数上传至云端服务器；

由云端服务器对从各个边缘设备收到的模型参数进行聚合，并将聚合后的模型参数返回至各个边缘设备；

由每个边缘设备采用来自云端服务器的模型参数更新其本地的全局模型。

9.根据权利要求8所述的方法，其中采用同态加密算法对边缘设备与云端服务器之间传输的模型参数进行加密。

10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，所述程序被执行时实现权利要求8-9中任一项所述的方法。