-
公开(公告)号：CN114327889A
公开(公告)日：2022-04-12
申请号：CN202111612764.2
申请日：2021-12-27
Applicant: 吉林大学
Abstract: 本发明提供了一种面向分层联邦边缘学习的模型训练节点选择方法，云端服务器向信誉区块链提出训练所需的信誉阈值等条件，信誉区块链选择符合条件的边缘服务器及终端设备并将选择结果传输到云端服务器；根据选择结果进行模型训练，云端服务器及边缘服务器分别对边缘模型及局部模型进行质量评估并剔除不可靠边缘服务器和终端设备；对历史信誉及通过模型训练获得的信誉加权计算得到最新信誉，并更新到联盟区块链。本方法通过引入信誉、时延及能耗三种指标以协同增强模型训练的可靠性，通过设计一种历史信誉与当前信誉加权更新的计算方法以提高分层联邦边缘学习系统对终端设备及边缘服务器信誉评估的准确性。
-
公开(公告)号：CN114327889B
公开(公告)日：2024-10-22
申请号：CN202111612764.2
申请日：2021-12-27
Applicant: 吉林大学
Abstract: 本发明提供了一种面向分层联邦边缘学习的模型训练节点选择方法，云端服务器向信誉区块链提出训练所需的信誉阈值等条件，信誉区块链选择符合条件的边缘服务器及终端设备并将选择结果传输到云端服务器；根据选择结果进行模型训练，云端服务器及边缘服务器分别对边缘模型及局部模型进行质量评估并剔除不可靠边缘服务器和终端设备；对历史信誉及通过模型训练获得的信誉加权计算得到最新信誉，并更新到联盟区块链。本方法通过引入信誉、时延及能耗三种指标以协同增强模型训练的可靠性，通过设计一种历史信誉与当前信誉加权更新的计算方法以提高分层联邦边缘学习系统对终端设备及边缘服务器信誉评估的准确性。
-
公开(公告)号：CN116880923A
公开(公告)日：2023-10-13
申请号：CN202310887232.2
申请日：2023-07-19
Applicant: 吉林大学
Abstract: 本发明提供了一种基于多智能体强化学习的动态任务卸载方法，包括如下步骤：步骤一、建立动态动态移动边缘计算网络模型；步骤二、建立本地计算模型和部分卸载计算模型；步骤三、构建以最小化卸载成本为目标的优化问题；步骤四、建立多智能体深度延时确定性策略梯度模型；步骤五、模型的训练以及优化问题的求解；本方法考虑了移动设备的时延和能耗，将动态卸载和资源分配问题被转化为最小化平均加权成本问题，所设计的模型采用中心化训练、分布式执行的架构，在任务卸载的约束条件下，通过探索和训练不断优化卸载策略，实现移动设备长期平均加权成本的最小化。
-
-
Search Results
3
records
(took 0.015 seconds)
