CN116055488B 面向物联网中基于区块链技术的联邦学习能效优化方法 （北京邮电大学）

AllocationforBlockchain文.面向物联网中基于区块链技术的联邦学习本发明公开了一种面向物联网中基于区块联网设备都有机会以去中心化的方式参与联邦对局部模型基于委员会机制的本地模型动态聚2S1联邦学习任务发布：联邦学习请求者首先S2用户选择：用户在平台上查看任务内容后决S3模型训练：采用迭代方法对本地模型进行训2.根据权利要求1所述的面向物联网中基于区块链技术的联邦学习能效优化方法，其S12：主节点向其他副节点广播包含签名块的pre-prepN-1个消息认证码，副节点首先验证生成块的签名和消息认证码，然后验证其中包含的交3.根据权利要求2所述的面向物联网中基于区块链技术的联邦学习能效优化方法，其344.根据权利要求1所述的面向物联网中基于区块链技术的联邦学习能效优化方法，其5.根据权利要求4所述的面向物联网中基于区块链技术的联邦学习能效优化方法，其5联邦学习节点Um用于验证全局模型的计算开销和计算延所有联邦学习节点训练模型的计算开销与时延分3表示训练一个样本数据所需的CPU周期；更新后的本地模型传输给主节点的传输时延和能耗所有的本地模型将传输给委员会节点验证评分的传输时延和能耗分别66.根据权利要求4所述的面向物联网中基于区块链技术的联邦学习能效优化方法，其prevprev7.根据权利要求1所述的面向物联网中基于区块链技术的联邦学习能效优化方法，其8.根据权利要求7所述的面向物联网中基于区块链技术的联邦学习能效优化方法，其其中C1和C4分别表示了对总的频谱资源的限制及对每个通信节点分配的频谱资源的9.根据权利要求8所述的面向物联网中基于区块链技术的联邦学习能效优化方法，其状态空间由基站和联邦学习节点的计算能力、系统的信S=fs(r),0<<L+l⃞7,0-,(,C,(O,其中,(0表用户Um是否UB8IncentiveFederatedLearningParadigminIoT,”inIEEEInternetofThingsI.A.RidhawiandH.Mouftah,”SecuringCriticalIoTIn-frastructuresWithBlockchain-SupportedFederatedLearning,”inIEEEIntal.,”ABlockchain-basedModelMigrationApproachforSecureandSustainableFederatedLearninginIoTSystems,”inIEEEInternetofThingsJournal,doi:9[0018]S14：主节点和副节点向其他节点发送commit消息，每个节点至少需要验证2η个和对全局模型的验证分数回传至主节点；由主节点对联邦学习模型的分数进行异常值处选为新一轮的委员会节点，当委员会节点的本地模型得分高于上一轮的本地模型得分时，接着联邦学习请求者和所有联邦学习节点可[0066]步骤S32主节点将全局模型广播给所有联邦学习节点，传输延迟和能耗分别表示[0091]进一步地，步骤S33在训练过程中设置波动率τ,上一轮的本地模型得分表示为[0103]C2:TF()E"[0106]其中C1和C4分别表示了对总的频谱资源的限制及对每个通信节点分配的频谱资[0110]S=fs(t),0<<L+1}站和联邦学习节点的计算能力，其中,(0表用户Um是否P设备集、联邦学习聚合节点和共识节点以获得高质量的联邦学习模型并提高性能的区块[0125]图1为本发明实施例提供的面向物联网中基于区块链技术的联邦学习系统架构[0126]图2为本发明实施例提供的面向物联网中基于区块链技术的联邦学习系统架构流[0130]图1显示了本发明提供的一个物联网中基于区块链技术的联邦学习系统架构，包[0131]假设联邦学习每一轮都从多个物联网设备中随机抽取M个物联网设备作为训练节prevprevprevprev接着联邦学习请求者和所有联邦学习节点可[0149]首先，主节点将作为委员会节点的联邦学习节点上传的上一轮中本地模型聚[0155]其中，|ω|表示模型参数的数据量，点表示为为了简化公式，我们使用以下函数来定义一个联邦学名和消息认证码(MessageAuthenticationCode,MAC)。我们将生成或验证签名以及生成[0225]其中C1和C4分别表示了对总的频谱资源的限制及对每个通信节点分配的频谱资P