-
公开(公告)号：CN115358412A
公开(公告)日：2022-11-18
申请号：CN202211005551.8
申请日：2022-08-19
Applicant: 江南大学
IPC: G06N20/00
Abstract: 本发明公开了一种基于边缘辅助车辆网络的异步联邦优化方法，首先，提出边缘辅助车辆网络场景下的异步联邦训练系统，包括位于网络边缘的RSU和以恒定速度行驶在RSU覆盖范围内的车辆；其次，车辆从RSU处下载初始化的全局模型，利用本地数据进行本地训练；然后，综合考虑数据量、计算能力和车辆的移动性，对本地模型的权重进行优化；最后，车辆训练完本地模型后将本地模型上传至RSU处，RSU每收到一个本地模型就进行一次全局聚合，获取精确的全局模型。本发明计算简便，提出的异步联邦训练系统合理，在车辆环境下能够得到较高的全局模型精度。
-
Patent Agency Ranking
公开(公告)号：CN113326076B
公开(公告)日：2022-10-18
申请号：CN202110594462.0
申请日：2021-05-28
Applicant: 江南大学
Abstract: 本发明涉及基于半马尔可夫决策过程车载雾辅助的车队任务卸载方法。本发明同时考虑任务卸载中的发送时延和计算时延等因素，建立基于半马尔可夫决策过程的任务卸载模型。然后分别定义了系统状态集、动作集并推导了系统状态转移概率公式以及系统奖励函数，其次基于贝尔曼方程利用值迭代算法求解SMDP模型获得最优的任务卸载策略。该方案计算复杂度适中，系统模型合理，充分考虑了任务如何分配以及任务卸载过程中涉及到的各种时延。仿真结果表明，该方案在保证任务卸载时延的前提下，能获得更大的系统长期收益。
-
公开(公告)号：CN116542342B
公开(公告)日：2025-05-16
申请号：CN202310553063.9
申请日：2023-05-16
Applicant: 江南大学
Abstract: 本发明涉及一种可防御拜占庭攻击的异步联邦优化方法，其包括：配置可信数据集DRSU至路边单元；选择异步联邦聚合所需的车辆；被选择的车辆从路边单元处下载全局模型，路边单元复制全局模型；被选择的车辆利用本地数据训练下载的全局模型，得到车辆本地模型以及车辆损失值Lwk；路边单元利用可信数据集DRSU训练复制的全局模型，得到路边本地模型以及路边损失值LRSU；被选择的车辆将车辆本地模型以及车辆损失值Lwk上传到路边单元；当满足Lwk≤βR·LRSU时，将车辆本地模型与全局模型联邦聚合，得到更新的全局模型；其中，βR为预设参数。本发明能够有效筛选出被恶意攻击的车辆，从而避免全局模型精度受影响。
-
公开(公告)号：CN116055489A
公开(公告)日：2023-05-02
申请号：CN202310038329.6
申请日：2023-01-10
Applicant: 江南大学
Abstract: 本发明提供一种基于DDPG算法选择车辆的异步联邦优化方法，包括根据车辆自身传输速率、可用计算资源大小以及车辆位置设定时隙t的系统状态、动作以及奖励；根据时隙t的系统动作对参与训练的车辆进行选择，得到被选择的车辆；所述被选择的车辆利用本地数据进行本地训练得到对应的本地模型；考虑训练时延对车辆训练出的本地模型造成的迟滞性影响，对本地模型进行权重优化，得到权重优化后的本地模型；训练完的车辆将权重优化后的本地模型异步上传到路边单元处进行异步联邦聚合，通过多轮重复训练，最终路边单元得到全局模型。本发明方法计算简便，系统模型合理，仿真实验验证了该方法在车辆环境下能够得到较高的全局模型精度。
-
公开(公告)号：CN116542342A
公开(公告)日：2023-08-04
申请号：CN202310553063.9
申请日：2023-05-16
Applicant: 江南大学
Abstract: 本发明涉及一种可防御拜占庭攻击的异步联邦优化方法，其包括：配置可信数据集DRSU至路边单元；选择异步联邦聚合所需的车辆；被选择的车辆从路边单元处下载全局模型，路边单元复制全局模型；被选择的车辆利用本地数据训练下载的全局模型，得到车辆本地模型以及车辆损失值Lwk；路边单元利用可信数据集DRSU训练复制的全局模型，得到路边本地模型以及路边损失值LRSU；被选择的车辆将车辆本地模型以及车辆损失值Lwk上传到路边单元；当满足Lwk≤βR·LRSU时，将车辆本地模型与全局模型联邦聚合，得到更新的全局模型；其中，βR为预设参数。本发明能够有效筛选出被恶意攻击的车辆，从而避免全局模型精度受影响。
-
公开(公告)号：CN113326076A
公开(公告)日：2021-08-31
申请号：CN202110594462.0
申请日：2021-05-28
Applicant: 江南大学
Abstract: 本发明涉及基于半马尔可夫决策过程车载雾辅助的车队任务卸载方法。本发明同时考虑任务卸载中的发送时延和计算时延等因素，建立基于半马尔可夫决策过程的任务卸载模型。然后分别定义了系统状态集、动作集并推导了系统状态转移概率公式以及系统奖励函数，其次基于贝尔曼方程利用值迭代算法求解SMDP模型获得最优的任务卸载策略。该方案计算复杂度适中，系统模型合理，充分考虑了任务如何分配以及任务卸载过程中涉及到的各种时延。仿真结果表明，该方案在保证任务卸载时延的前提下，能获得更大的系统长期收益。
-
-
-
-
-
Search Results
6
records
(took 0.019 seconds)
