公开(公告)号：CN118041810A

公开(公告)日：2024-05-14

申请号：CN202410016334.1

申请日：2024-01-05

Applicant: 复旦大学 ,  柏睿数据处理(上海)有限公司

Inventor： 吴杰 ,  刘睿民 ,  严明 ,  陈路路 ,  冯景琦

IPC: H04L43/08 ,  H04L43/065 ,  H04L43/00 ,  H04L67/10

Abstract: 本发明属于网络测量技术领域，具体为一种面向分布式架构的网络测量方法。本发明包括：由用户指定测量文件，测量文件包含需要测量的时延、吞吐等性能指标；测量请求指定流量模式；集中控制器根据测量文件从分布式集群中选取特定数量的节点，并根据测量请求选取出测量节点后确定发送节点和接收节点；发送节点根据测量信息中的数据调用测量器生成测量流量，发送测量报文给接收节点；发送节点的测量器发出测量数据包并且收到响应后，对收到的响应数据包进行解析，解析的结果由所有的发送节点将发送给集中控制器；集中控制器根据解析的结果，计算出确定模式下的时延、吞吐数据。本发明适用于对等或非对等的分布式系统架构中测量不同的网络流量的性能。

公开(公告)号：CN115374853A

公开(公告)日：2022-11-22

申请号：CN202211005250.5

申请日：2022-08-22

Applicant: 复旦大学

Inventor： 吴杰 ,  严明 ,  李智鑫 ,  陈路路

IPC: G06K9/62 ,  G06N20/00

Abstract: 本发明提供一种基于T‑Step聚合算法的异步联邦学习方法及系统，所有愿意参与联邦学习的客户端设备都能随时加入训练过程中，中央服务器在收到满足预设的异步步长数量的客户端训练结果时就更新全局模型，从而能够尽可能快地更新全局模型，而无需等待慢速客户端。进一步，本实施例的方法采用了T‑Step异步步长聚合算法，使“落后者”客户端也能参与全局模型聚合，同时通过动态减少权重来减轻“落后者”的陈旧模型参数对全局模型收敛的负面影响，使得训练得到的模型准确度更高。综上所述，本实施例的联邦学习方法鼓励具有异构资源的设备以异步方式协同训练全局模型，并能加快训练速度和模型收敛速度。