-
公开(公告)号:CN113296953B
公开(公告)日:2022-02-15
申请号:CN202110622828.0
申请日:2021-06-04
Applicant: 北京大学
Abstract: 本发明涉及云边端异构边缘计算网络的分布式计算架构、方法与装置,所述方法包括:确定能耗模型;所述能耗模型包括:边缘设备模型、边缘服务器模型以及云计算中心模型;基于所述能耗模型构建目标函数;确定限制条件;将所述目标函数和所述限制条件规范化;将所述规范化后的目标函数进行分组,直至每个组内只包含一个目标函数和一个对应变量;对每个变量进行更新,直至收敛,得到最优计算卸载比例。本发明中的上述方法能够得到最优的网络计算卸载比例,最小化网络能耗。
-
公开(公告)号:CN113312847A
公开(公告)日:2021-08-27
申请号:CN202110631907.8
申请日:2021-06-07
Applicant: 北京大学
IPC: G06F30/27 , G06F9/50 , G06N20/20 , G06F21/62 , G06F111/06
Abstract: 本发明涉及一种基于联邦学习的云‑边‑端边缘计算系统的隐私保护方法及系统,包括:基于用户设备的隐私预算建立收敛性模型和隐私泄露模型;基于收敛性模型和隐私泄露模型,建立云服务器效用函数、边缘服务器效用函数和用户设备效用函数;基于最优控制理论的算法优化边缘服务器效用函数和用户设备的效用函数,得到边缘服务器激励策略和用户设备隐私策略;基于梯度上升的算法优化云服务器效用函数,得到云服务器激励策略;基于用户设备隐私策略、边缘服务器激励策略和云服务器激励策略进行图像分类模型的联邦学习,实现联邦学习过程中用户设备隐私数据的保护,同时也能够提高图像分类模型的分类精度。
-
公开(公告)号:CN113296953A
公开(公告)日:2021-08-24
申请号:CN202110622828.0
申请日:2021-06-04
Applicant: 北京大学
Abstract: 本发明涉及云边端异构边缘计算网络的分布式计算架构、方法与装置,所述方法包括:确定能耗模型;所述能耗模型包括:边缘设备模型、边缘服务器模型以及云计算中心模型;基于所述能耗模型构建目标函数;确定限制条件;将所述目标函数和所述限制条件规范化;将所述规范化后的目标函数进行分组,直至每个组内只包含一个目标函数和一个对应变量;对每个变量进行更新,直至收敛,得到最优计算卸载比例。本发明中的上述方法能够得到最优的网络计算卸载比例,最小化网络能耗。
-
公开(公告)号:CN113312847B
公开(公告)日:2022-02-15
申请号:CN202110631907.8
申请日:2021-06-07
Applicant: 北京大学
IPC: G06F30/27 , G06F9/50 , G06N20/20 , G06F21/62 , G06F111/06
Abstract: 本发明涉及一种基于联邦学习的云‑边‑端边缘计算系统的隐私保护方法及系统,包括:基于用户设备的隐私预算建立收敛性模型和隐私泄露模型;基于收敛性模型和隐私泄露模型,建立云服务器效用函数、边缘服务器效用函数和用户设备效用函数;基于最优控制理论的算法优化边缘服务器效用函数和用户设备的效用函数,得到边缘服务器激励策略和用户设备隐私策略;基于梯度上升的算法优化云服务器效用函数,得到云服务器激励策略;基于用户设备隐私策略、边缘服务器激励策略和云服务器激励策略进行图像分类模型的联邦学习,实现联邦学习过程中用户设备隐私数据的保护,同时也能够提高图像分类模型的分类精度。
-
公开(公告)号:CN113312180B
公开(公告)日:2022-02-15
申请号:CN202110631822.X
申请日:2021-06-07
Applicant: 北京大学
Abstract: 本发明涉及一种基于联邦学习的资源分配优化方法及系统,通过对用户设备与边缘服务器的连接关系进行调整,从而每个边缘服务器所覆盖的用户设备的所有数据集接近于独立同分布,使得每个部分模型达到目标精度的速度很快,从而可以最大程度降低延迟。本发明实现了更优的系统资源分配,同时实现了更低的系统延迟。
-
公开(公告)号:CN113312180A
公开(公告)日:2021-08-27
申请号:CN202110631822.X
申请日:2021-06-07
Applicant: 北京大学
Abstract: 本发明涉及一种基于联邦学习的资源分配优化方法及系统,通过对用户设备与边缘服务器的连接关系进行调整,从而每个边缘服务器所覆盖的用户设备的所有数据集接近于独立同分布,使得每个部分模型达到目标精度的速度很快,从而可以最大程度降低延迟。本发明实现了更优的系统资源分配,同时实现了更低的系统延迟。
-
-
-
-
-