CN114492739B 基于车联网的联邦学习方法、路边单元、车辆节点和基站 （北京邮电大学）

的车联网系统中接收自身当前所属的从链中的一交易数据分别获取预存储在对应的各个车辆自主从多链的车联网系统中将第二交易数据发接收到的各个第二交易数据聚合得到对应的联2在主从多链的车联网系统中接收自身当前所属的从链中的各个车辆节点发送的第一对各个所述模型训练数据进行全局聚合及共识处理以生成第二自所述主从多链的车联网系统中将所述第二交易数据发送至自身所属的主链中的基其中，所述哈希值是所述车辆节点将所述模型训练数据存储至本地相对应的，所述根据各个所述第一交易数据分别获取预存储在基于各个所述哈希值分别自对应的各个所述车辆节点的本地数据存储单元中提取模相对应的，在所述对各个所述模型训练数据进行全局聚合及共识基于各个所述损失函数的下降比例的倒叙排序结果确定各个所述车辆节点的奖励排根据所述奖励排名分别向各个所述车辆节点发送对各个所述模型训练数据进行全局聚合处理以得到对应的全局模基于目标共识机制针对所述交易数据发起共识以对所述全局模型数自所述主从多链的车联网系统中将所述第二交易数据发送至自身所属的主链中的基3目标共识机制为预先基于拜占庭容错共识机制及委托权益证明共识机数据获取模块，用于在主从多链的车联网系统中接收自身当近的多个路边单元构成主链，每个路边单元分别与其邻近的多个车辆节点之间构成从链，从链的结构根据移动中的各个车辆节点分别与各个路边单元之间的距离数据处理模块，用于对各个所述模型训练数据进行全局聚合及数据发送模块，用于自所述主从多链的车联网7.一种电子设备，包括存储器、处理器及理器执行时实现权利要求1至5任一项所述的基于车联网的联邦在主从多链的车联网系统中接收基站广播的联邦学习全局将所述模型训练数据存储至本地数据存储单元并生成对应的哈数据存储单元为基于IPFS存储协议生成的I将损失函数的下降比例以及所述哈希值打包为第一交易数据，并接收各个用于执行权利要求1至5任一项所述的基于车联网的联邦学习方法的路边单将收到的各个所述第二交易数据各自对应的全局模型数据存储至对各个所述全局模型数据进行全局聚合以生成联邦学习针对所述联邦学习全局模型进行锻造区块处理，并基于目标共识4在所述主从多链的车联网系统中对所述联邦学习全局模型进5[0007]在主从多链的车联网系统中接收自身当前所属的从链中的各个车辆节点发送的[0009]自所述主从多链的车联网系统中将所述第二交易数据发送至自身所属的主链中6[0014]自通过所述真实性验证的各个所述第一交易数据中分别提取各自对应的所述哈[0015]基于各个所述哈希值分别自对应的各个所述车辆节点的本地数据存储单元中提[0019]基于各个所述损失函数的下降比例的倒叙排序结果确定各个所述车辆节点的奖[0023]基于目标共识机制针对所述交易数据发起共识以对所述[0025]自所述主从多链的车联网系统中将所述第二交易数据发送至自身所属的主链中的基站，以使该基站将收到的各个所述第二交易数据各自对应的全局模型数据存储至本所述目标共识机制为预先基于拜占庭容错共识机制及委托权益证明共识机7[0032]本申请的另一个方面提供了一种计算机可读存储介质，该计算机程序被处理器执行时实现所述的基于车本地数据存储单元为基于IPFS存储协议生成的IPFS[0038]接收各个用于执行所述的基于车联网的联邦学习方法的路边单元分别发送的第述车辆节点及路边单元基于该联邦学习全局模8[0049]图4为本申请另一实施例中的车辆节点执行内容与路边单元执行内容的交互流程[0051]图6为本申请另一实施例中的车辆节点执行内容、路边单元执行内容以及基站执示出了与根据本申请的方案密切相关的结构和/或处理步骤，而省略了与本申请关系不大车与路边环境等多维交互方式实现智能化交通管理、动态信息服务以及车辆智能化控制。9[0067]车联网中车辆数据的增加和网络无线带宽的限制使得通信效率成为车辆网场景息提供去中心化的信息存储机制；每个参与联邦学习的节点上同时运行所述模型训练模[0070]现有的联邦学习方式之二是提供一种涉及区块链技术领域内的基于区块链的物[0072]现有的联邦学习方式之三是提供一种车联网场景下的高方法通过路边单元接收主从多链的车联网系统中自身所在的从链中的各个车辆节点发送二交易数据，并将所述第二交易数据发送至所述主从多链系统中自身所在的主链中的基块链与联邦学习相结合的方法引入车联网，形成一种基于主从链体系的异步联邦学习架据各个所述第一交易数据分别获取预存储在对应的各个所述车辆节点本地的模型训练数站，以使该基站根据接收到的各个所述第二交易数据聚合得到对应的联邦学习全局模型。[0076]所述路边单元进行基于车联网的联邦学习的部分可以在如上述内容的服务器中的RPC协议(RemoteProcedureCallProtocol，远程过程调用协议)、REST协议所述路边单元执行的所述基于车联网的联邦学习方法具体包含有[0082]步骤100：在主从多链的车联网系统中接收自身当前所属的从链中的各个车辆节[0084]可以理解的是，所述主从多链的车联网系统是指形成了时该车辆节点A可以查找距离阈值范围内是否包含有路边单元，而后根据下述情形进行处[0087](2)若距离阈值范围内有路边单元且不唯一，则在多个路边单元中选取距离车辆[0089]步骤200：对各个所述模型训练数据进行全局聚合及共识处理以生成第二交易数[0090]步骤300：自所述主从多链的车联网系统中将所述第二交易数据发送至自身所属[0093]步骤110：在主从多链的车联网系统中接收自身当前所属的从链中的各个车辆节[0095]步骤130：自通过所述真实性验证的各个所述第一交易数据中分别提取各自对应[0096]步骤140：基于各个所述哈希值分别自对应的各个所述车辆节点的本地数据存储基于车联网的联邦学习方法的步骤120之后以及步骤200之前还具体包[0101]步骤160：基于各个所述损失函数的下降比例的倒叙排序结果确定各个所述车辆[0106]步骤210：对各个所述模型训练数据进行全局聚合处理以得到对应的全局模型数[0107]步骤220：对各个所述模型训练数据进行全局聚合处理以得到对应的全局模型数于拜占庭容错共识机制及委托权益证明共识机[0110]步骤310：自所述主从多链的车联网系统中将所述第二交易数据发送至自身所属[0118]本申请提供的路边单元的实施例具体可以用于执行上述实施例中的基于车联网[0127]步骤410：接收各个用于执行基于车联网的联邦学习方法的路边单元分别发送的为预先基于拜占庭容错共识机制及委托权益证明共识机使各个所述车辆节点及路边单元基于该联邦学习据各自对应的全局模型数据存储至本地，并向对应的各个所述路边单元返回对应的奖励，[0134](1)提出了一种基于主从链体系的异步联邦学习架构，以增强车辆数据的安全共[0135](2)本应用实例采用异步模型聚合方法，以降低由于落后车辆以及通信故障问题[0136](3)提出了混合拜占庭容错的改进委托权益证明共识机制，可以有效激励车辆以[0138]参见图7，本申请应用实例提供的基于车联网的联邦学习方法具体包含有如下内般区块交易中值来说是巨大的，常用的数据集例如单通道MNIST图像数据每次更新的参数[0144]每个车辆将模型参数的哈希值H(j)以及损失函数下降比励遵循以下原则：收到的所有车辆上传来的结果按照损失函数值减少的比例进行倒序排[0155]其中，用来确认区块发起者的身份，n:是这笔交易在达到共识后的奖励，[0167]本应用实例的实例中，我们使用的数据集为MNIST数据集和Fashion-MNIST数据和联邦平均算法进行比较。数据集被分为100个子集以分配给100个数据提供者(即用户)，他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field-[0184]需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代