[发明专利]联邦学习完好性预测方法及系统

说明书

本发明提供了一种一种联邦学习完好性预测方法及系统，包括：获取服务器中用于完好性检测的初始模型；获取数据库中用于模型训练的数据；根据所述数据对所述初始模型进行更新生成参与方模型，并将所述参与方模型发送至所述服务器；获取所述服务器根据多个参与方模型生成的聚合模型；使用机器学习算法通过所述聚合模型对自身的参与方模型进行更新生成完好性预测模型；根据所述完好性预测模型进行完好性预测。上述方式中的算法通过数据之间联系可以发现高维特征，发现人类不易观察的规律；训练数据在参与方本地被使用，避免了敏感、隐私信息的泄露问题。

技术领域

本发明涉及计算机技术领域，特别涉及一种联邦学习完好性预测方法及系统。

背景技术

如今，以GPS为代表的全球卫星导航系统(Global Navigation SatelliteSystem，GNSS)已成为拓展人类活动、促进社会发展的重要空间基础设施。就导航系统目前的发展状况而言，定位的精度已基本满足绝大多数用户的需求，但决定导航信息可靠性以及确保用户安全的完好性问题却由于诸多原因，尚未能满足系统需求。当导航系统发生故障时，如若不能及时对用户进行完好性报警，将对用户的生命安全造成严重威胁。因此，从安全性的角度考虑，研究卫星导航系统的完好性具有重要的现实意义。

目前完好性的检测分为两种，一种是SAIM(Satellite Autonomous IntegrityMonitoring)技术使用卫星上配备接收机对卫星相关故障信息进行检测，有关SAIM的研究都是基于导航卫星的自主定轨和星间链路间的距离观测值，如何利用这些观测值来提升卫星自主完好性监测的性能将成为未来导航系统的重要发展方向。另一种是RAIM(ReceiverAutonomous Integrity Monitoring)技术是用户端自主式完好性监测称为接收机自主完好性监测。有关RAIM的研究目前有多种多样，B W.Parkinson A和MA.Surtza分别提出最小三乘残差法和奇偶矢量法；斯坦福大学的Per Enge博土提出了加权平均的RAIM方法；R.B.Langley.提出基于卡尔曼滤波的RAM方法；郭英提出基于SISA有效等距离误差的ⅩPL算法等。

但现有技术方案仍然存在以下问题，问题一：目前完好性的检测是人类寻找不同的方法和不同的角度出发对完好性进行检测，无法保证完好性结果的准确性。因为人的观察是有局限性的，规律背后的高维特征(即多种因素综合结果)人类是很难发现的。完好性也是如此，人类能使用不同方法来发现检测完好性的规律，但是无法完全掌握全部的规律。问题二：有监督机器学习算法可以通过大量的学习训练数据解决以上问题，但是个人或单独组织难以满足数据量，由于数据隐私、敏感等原因多个组织间难以联合数据。

因此，亟需一种联邦学习完好性预测方法及系统来解决上述问题。

发明内容

本发明解决的技术问题在于，提供了一种联邦学习完好性预测方法及系统，能使用机器学习算法通过学习大量数据发现挖掘人类难以发现的规律，解决了人类观察性局限的问题；通过联邦学习基于样本的分布式模型训练，解决了数据隐私导致多个组织间难以联合数据的问题。

本发明解决其技术问题是采用以下的技术方案来实现的：

一种联邦学习完好性预测方法，包括：获取服务器中用于完好性检测的初始模型；获取数据库中用于模型训练的数据；根据所述数据对所述初始模型进行更新生成参与方模型，并将所述参与方模型发送至所述服务器；获取所述服务器根据多个参与方模型生成的聚合模型；使用机器学习算法通过所述聚合模型对自身的参与方模型进行更新生成完好性预测模型；根据所述完好性预测模型进行完好性预测。

在本发明的较佳实施例中，上述初始模型为行业通用模型或空白模型。

在本发明的较佳实施例中，上述获取所述服务器根据多个参与方模型生成的聚合模型，的步骤之前包括：在检测到参与方中的所述数据有更新时，所述参与方将更新后的参与方模型发送至所述服务器。