[发明专利]基于联邦学习的模型聚合方法、系统、设备及介质

说明书

本发明公开了一种基于联邦学习的模型聚合方法、系统、设备及介质，该方法适用于分布式网络中部署的管理端，该网络中部署有管理端和多个客户端，包括：获取多个客户端各自训练得到的初始训练模型以及多个客户端的性能指标；根据从预设的多个聚合算法中选择的与该性能指标对应的目标聚合算法聚合各初始训练模型得到聚合模型。本发明通过获取多个客户端训练得到的初始训练模型以及多个客户端的性能指标；根据选择与该性能指标对应的目标聚合算法聚合各初始训练模型得到聚合模型。实现了基于客户端的性能指标对多个客户端训练得到的初始训练模型进行聚合，通过预先配置多个聚合算法并选择与客户端性能指标最匹配的算法进行聚合，可以加快聚合速度。

技术领域

本发明涉及数据处理技术领域，特别涉及一种基于联邦学习的模型聚合方法、系统、设备及介质。

背景技术

随着各项法规的逐步完善，各行业对数据安全的要求逐步提升。敏感数据不适合对外交互，但又希望利用这些数据进行模型训练。而中小企业的数据量不足以训练精度更高的模型，形成了数据孤岛。而联邦学习解决了敏感数据交互的问题，但客户端生成的模型精度不一，导致现有的聚合模型流程比较复杂、聚合速度慢，并且在特定环境下模型的聚合能力比较低。

发明内容

本发明要解决的技术问题是为了克服现有技术中现有的聚合模型的流程比较复杂、聚合速度慢的缺陷，提供一种基于联邦学习的模型聚合方法、系统、设备及介质。

本发明是通过下述技术方案来解决上述技术问题：

本发明第一方面提供了一种基于联邦学习的模型聚合方法，所述模型聚合方法适用于分布式网络中部署的管理端，其中所述分布式网络中部署有所述管理端和多个客户端，所述模型聚合方法包括：

获取所述多个客户端各自训练得到的初始训练模型；

获取所述多个客户端的性能指标；

从预设的多个聚合算法中选择与所述多个客户端的性能指标对应的目标聚合算法；

根据所述目标聚合算法对各所述初始训练模型进行聚合，以得到聚合模型。

较佳地，所述获取所述多个客户端的性能指标，包括：

获取所述多个客户端的硬件性能指标；

获取所述多个客户端的软件性能指标。

较佳地，所述获取所述多个客户端的硬件性能指标，包括：

根据所述多个客户端的内存、CPU、存储空间和/或电量，获取所述多个客户端的硬件性能指标。

较佳地，所述获取所述多个客户端的软件性能指标，包括：

根据所述多个客户端的操作系统、训练样本数和/或所连接网络类型，获取所述多个客户端的软件性能指标。

较佳地，所述从预设的多个聚合算法中选择与所述多个客户端的性能指标对应的目标聚合算法，包括：

获取所述多个客户端的性能指标所属的指标范围；

根据所述指标范围，从所述多个聚合算法中选择所述目标聚合算法。

本发明第二方面提供了一种基于联邦学习的模型聚合系统，所述模型聚合系统适用于分布式网络中部署的管理端，其中所述分布式网络中部署有所述管理端和多个客户端，所述模型聚合系统包括第一获取模块、第二获取模块、选择模块和聚合模块；

所述第一获取模块用于获取所述多个客户端各自训练得到的初始训练模型；

所述第二获取模块用于获取所述多个客户端的性能指标；

所述选择模块用于从预设的多个聚合算法中选择与所述多个客户端的性能指标对应的目标聚合算法；