公开(公告)号：CN115174404B

公开(公告)日：2024-06-21

申请号：CN202210533169.8

申请日：2022-05-17

Applicant: 南京大学

Inventor： 许封元 ,  吴昊 ,  赵鑫 ,  柯晓鹏 ,  宰晓晨

IPC: H04L41/0896 ,  H04L41/0894 ,  H04L41/14 ,  H04L41/0895

Abstract: 本发明公开了一种基于SDN组网的多设备联邦学习系统，系统内采用SDN进行组网连接，该系统将边缘设备根据互相之间的延迟分为数个小组，组内采用去中心化的联邦学习策略进行联邦学习训练；在完成组内训练后，根据SDN中提供的信息在每组中选择网络性能最强的设备，让其将本组模型发送给中心节点，由中心节点对各组模型进行聚合。本发明通过对原有联邦学习过程的改良，更充分地使用了边缘设备的数据、算力与网络带宽，同时降低中心节点的压力，提高了模型训练效率，进而使各边缘设备上的数据能够更快地转化为深度学习模型，有效提升了深度学习服务的质量。

公开(公告)号：CN115174404A

公开(公告)日：2022-10-11

申请号：CN202210533169.8

申请日：2022-05-17

Applicant: 南京大学

Inventor： 许封元 ,  吴昊 ,  赵鑫 ,  柯晓鹏 ,  宰晓晨

IPC: H04L41/0896 ,  H04L41/0894 ,  H04L41/14 ,  H04L41/0895

Abstract: 本发明公开了一种基于SDN组网的多设备联邦学习系统，系统内采用SDN进行组网连接，该系统将边缘设备根据互相之间的延迟分为数个小组，组内采用去中心化的联邦学习策略进行联邦学习训练；在完成组内训练后，根据SDN中提供的信息在每组中选择网络性能最强的设备，让其将本组模型发送给中心节点，由中心节点对各组模型进行聚合。本发明通过对原有联邦学习过程的改良，更充分地使用了边缘设备的数据、算力与网络带宽，同时降低中心节点的压力，提高了模型训练效率，进而使各边缘设备上的数据能够更快地转化为深度学习模型，有效提升了深度学习服务的质量。