[发明专利]基于云边协同的联邦学习的业务类型识别方法

权利要求书

1.一种基于云边协同的联邦学习的业务类型识别方法，其特征在于，包括如下步骤：

(1)构建云边协同平台：

构建包括云端服务器以及与其通过互联网连接的N个边缘服务器E＝{e₁,e₂,...,e_n,...,e_N}的云边协同平台，其中，N≥3，e_n表示计算资源为C_n的第n个边缘服务器，计算资源C_n包括图形处理器GPU_n、中央处理器CPU_n和随机存储器RAM_n；

(2)每个边缘服务器获取训练集和测试集：

(2a)每个边缘服务器e_n抓取终端请求流经自己的K条包括D种业务类型的数据流，并以G为数据流长度，以W为间隔对K条数据流进行采样，得到H个数据流块，其中，K≥100000，D≥3，G≥32，W≥32，

(2b)每个边缘服务器e_n将每个数据流块中的W条数据流合成为一幅灰度图片，并对灰度图片中的业务类型进行标注，然后将带有业务类型标签的H幅灰度图片中的半数以上作为训练集train_n，将其余的带有业务类型标签的灰度图片作为测试集test_n，

(3)云端服务器构建全局模型并发送初始化数据：

云端服务器构建包括全连接输入层input、多个卷积层、多个池化层、dropout层、全连接输出层output和softmax层的全局模型，并将该全局模型和性能请求指令PerformRequest作为初始化数据发送至每个边缘服务器e_n；

(4)每个边缘服务器对云端服务器的指令进行响应：

每个边缘服务器e_n根据云端服务器所发送的全局模型，初始化自己的本地模型权重参数p_n，同时统计自己计算资源C_n的剩余量，并根据云端服务器所发送的性能请求指令PerformRequest，通过WebSocket协议将计算资源C_n的剩余量发送给云端服务器；

(5)云边协同平台基于联邦学习对全局模型进行迭代训练：

(5a)云端服务器按照计算资源的剩余量从大到小的顺序对N个边缘服务器进行排序，得到排序后的包括N个边缘服务器的集合E^*，并构建大小L×N的边缘服务器数据表T，其中，L≥2，每行包括排序后的N个边缘服务器；

(5b)云端服务器按照先行后列的顺序依次从边缘服务器数据表T中选取边缘服务器，共选取R次，每次选取M个边缘服务器，R≥1000，2≤M≤N，得到包括R组边缘服务器的边缘服务器组集合S＝{s₁,s₂,...,s_r,...s_R}，其中，s_r表示第r次选取的包含M个边缘服务器的边缘服务器组，表示第r次选取的第m个边缘服务器；

(5c)云端服务器通过WebSocket协议向每个边缘服务器发送Train指令；

(5d)每个边缘服务器根据Train指令，并通过的训练集对云端服务器发送的全局模型进行R次迭代训练，实现对对应的本地模型权重参数的更新，再通过WebSocket协议将训练好的全局模型发送至云端服务器；

(5e)云端服务器采用联邦平均算法对边缘服务器组集合S发送的R×M个全局模型进行聚合，得到聚合后的全局模型，并通过WebSocket协议将该聚合后的全局模型发送至每个边缘服务器e_n；

(6)获取业务类型识别结果：

每个边缘服务器e_n将测试集输入到聚合后的全局模型，依次计算每幅灰度图片对应的D种业务类型的概率值，并将D种业务类型概率值最大的业务类型作为该幅灰度图片的业务类型识别结果，得到test_n中所有灰度图片包含的D种业务类型结果。

2.根据权利要求1所述的基于云边协同的联邦学习的业务类型识别方法，其特征在于，步骤(3a)中所述的全局模型，包括的卷积层和池化层的数量均为2个，该全局模型的具体结构为：全连接输入层input→第一卷积层→第一池化层→第二卷积层→第二池化层→dropout层→全连接输出层output→softmax层，其中，第一卷积层、第二卷积层的卷积核大小分别为3*3*64、3*3*32，该两个卷积层的全零填充步长均为1，第一池化层、第二池化层的过滤器大小均为2*2，全零填充步长均为1。