[发明专利]一种适用于边缘物联代理装置的容错型协作决策的方法

说明书

本发明公开了一种适用于边缘物联代理装置的容错型协作决策的方法，包括以下步骤，S1.初始化物联网络相关的全局参数，各边缘物联代理初始化本地缓存区中令牌及数据，准备开始迭代；S2.采样学习过程：每个边缘物联代理根据其上次采用的选项的值进行不同方式的采样，S3.采用更新过程：边缘物联代理装置根据采样得到的数据进行选择，如果达到预期收益则存储新的参数，并将上次采用的选项的参数值进行更新迭代。其优点在于，该方法可容纳少量恶意的边缘物联代理，即使这些恶意代理装置发送错误信息去干扰物联网络，只有恶意代理数目不超过一定的限制，我们的方法依旧能让正常的边缘物联代理收敛到最优选项。

技术领域

本发明属于分布式网络技术领域，特别涉及一种适用于边缘物联代理装置的容错型协作决策的方法。

背景技术

随着物联网的快速发展，全球物联网设备数量高速增长。随者物联网设备部署规模的爆炸性增长，网络边缘侧会产生海量的实时数据。因此传统的以云为中心的集中式计算模式已经不足以高效处理和分析分布式边缘端产生的庞大的数据。为了降低云计算中心的负载，边缘计算技术将数据计算任务部署在靠近数据源的网络边缘端，而不是远程的云计算中心，在网络边缘形成融合网络、计算、存储、学习等平台。随着5G和6G技术的到来，低时延、高带宽、高可靠、海量连接等特点的应用场景逐渐常见起来，边缘计算也越来越凸显着巨大的优势并逐渐流行。

随机人工智能的发展，机器学习技术在多个应用领域取得重大突破。将人工智能与边缘计算相结合，设计一种适用于边缘物联代理装置的学习方法已经变成现在急剧解决的问题。，去中心化的机器学习技术对边缘计算的应用有着重要的意义。在去中心化分布式学习的计算模式中，总的学习任务将被分配到若干个工作节点上平行处理来加速学习过程，提高边缘计算工作效率。由于没有中央服务器，去中心化的机器学习将对通信瓶颈和节点故障等问题有着更高的鲁棒性。

在边缘计算系统中，可以利用多个边缘物联代理装置进行协作学习，从而加快单个边缘物联代理的决策时间和决策精度。但是，在开放的分布式边缘计算环境下，通常会有恶意代理发送虚假信息从而扰乱决策。因此，设计一种适用于边缘物联代理装置的容错型协作决策的方法是目前亟待解决的问题。

发明内容

为解决上述技术问题，本发明提供了一种适用于边缘物联代理装置的容错型协作决策的方法，该方法可以在去中心化的网络模型下，每个边缘物联代理装置通过协作学习，实现在多个可供推荐的选择对象中决策出最优对象，同时可容纳少量恶意的边缘物联代理。其技术方案为，

一种适用于边缘物联代理装置的容错型协作决策的方法，包括以下步骤，

S1.初始化物联网络相关的全局参数，各边缘物联代理初始化本地缓存区中令牌及数据，准备开始迭代；

S2.采样学习过程：每个边缘物联代理根据其上次采用的选项的值进行不同方式的采样，具体过程为，

若从未采用过任何选项，则边缘物联代理以一定概率根据其本地选项数据进行随机采样，或以特定概率均匀地从同伴边缘物联代理建议的选项中选择一个；若已有采用过的偏好选项，则边缘物联代理直接均匀地从同伴建议的选项中选择一个；

S3.采用更新过程：边缘物联代理装置根据采样得到的数据进行选择，如果达到预期收益则存储新的参数，并将上次采用的选项的参数值进行更新迭代。

进一步的，在步骤S1中设置迭代次数r和每个边缘物联代理的本地参数，所述每个边缘物联代理的本地参数包括上次获得收益的选项ωi以及边缘物联代理在r轮收到的建议集合Vi(r)、本地缓冲区和边缘物联代理人在r轮选择的选项ai(r),初始均设为0；本地缓冲区用于存储建议集合Vi(r)和本地产生的传播令牌。

进一步的，在步骤S1中设置选项数K和超参学习率μ，选项数K用来表示全局参数中可供选择的选项的个数，超参学习率μ用来控制两种学习方式的决定比重，步骤S2具体过程如下：