一种异构车联网中高效的联合计算方法

本发明属于车联网分布式计算领域，涉及一种异构车联网中高效的联合计算方法。

背景技术：

1、近年来，随着信息时代科技的高速发展，物联网设备数量急剧增加，大量的设备将产生海量数据，如何利用这些数据来为人们提供更智能便捷的应用服务是当今的研究重点。作为物联网中的重要场景之一，车联网(internet of vehicles，iov)受到了许多研究者的重视，车辆节点产生或收集的行驶数据、故障信息、交通路况等数据可以推动自动驾驶、车辆故障诊断、智慧交通等智能服务的发展。机器学习是一种分析处理复杂数据的先进方法，但传统机器学习方法是集中式的，需要将各车辆数据收集至云中心进行集中式的训练，然而，车辆用户往往不愿意他人访问或收集自己的个人数据。这种集中式学习的方法将面临严重的隐私泄露问题。并且，智能网联汽车通过传感器等能够以约30.23gb/h的速率生成数据，收集所有车辆数据至中心服务器进行模型训练将不切实际，这会给有限的通信网络带来了巨大的负担。google公司提出一种联合计算方法，联邦学习(federatedlearning，fl)能有效的解决上述问题，可以在保护用户个人数据隐私及符合相关法律法规的前提下，利用各个设备收集或产生的数据实现共同建模。此外，整个训练过程传输模型参数而不是庞大的原始数据，所以也在一定程度上减少了通信网络的负担。将联邦学习应用于车联网中，对多车辆复杂隐私数据进行联合训练建模，有助于智慧交通等应用服务的发展。尽管联合计算有诸多优点，但在当前资源不均衡且具有移动特点的车联网环境下，仍然面临许多挑战。

2、当前车联网环境存在资源异构问题，各个车辆节点的计算及通信能力存在差异，使得它们完成局部训练上传模型参数所需的时间不一致，训练缓慢的车辆将拖累其它参与车辆，延长联合计算的时间，导致全局模型聚合效率低下。现有研究通过异步聚合、客户端选择等方法来缓解资源异构带来的聚合等待时间过长等负面影响，但未能很好地解决受限车辆计算能力低下等问题，并且车联网环境下存在许多的车载计算资源处于相对闲置状态，缺乏对这些计算资源的利用，导致整个系统的计算资源利用率不高。ciwai，车联网环境中的车辆节点具有高移动性特点，地理位置不断变化，导致其网络带宽及通信区域实时改变，因此，随时可能断开或切换所连接的路侧单元、边缘服务器，传统面向静态、低移动性设备的联合计算方法将不再适用。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种异构车联网中高效的联合计算方法，通过在满足用户原始数据不出本地的情况下对训练任务进行分解，利用周围具有空闲计算资源的车辆，实现多设备协同计算训练模型，减少客户端本地计算量，有效提升整个系统的计算资源利用率。

2、为达到上述目的，本发明提供如下技术方案：

3、一种异构车联网中高效的联合计算方法，其包括以下步骤：

4、s1、中心服务器初始化基本信息；

5、s2、评估资源受限客户端车辆；

6、s3、选取本轮参与训练的客户端车辆；

7、s4、匹配协同计算服务车辆；

8、s5、云服务器将最新的全局模型下发至边缘服务器，边缘服务器进一步下发全局模型至区域内参与本轮训练的客户车辆，客户车辆将模型分区并传输服务侧模型至服务车辆。

9、s6、客户端协同计算局部模型；

10、s7、客户车辆与服务车辆将训练更新后的局部模型上传至边缘服务器；

11、s8、边缘服务器收集来自客户车辆更新的局部模型，进行边缘级的聚合更新，聚合完成后上传模型至云服务器聚合更新全局模型；

12、s9、反复迭代训练，直至模型收敛；迭代期间若某服务车辆断开，则通过s4步骤为客户车辆重新匹配服务车辆。

13、进一步的，步骤s1包括：

14、s11、云中心服务器基于用户需求制定训练目标，并根据训练目标编写机器学习模型；

15、s12、云服务器通过边缘服务器或路侧单元广播请求周围客户端车辆参与联合计算训练，并统计实际参与联合计算训练的车辆；

16、s13、云服务器初始化本地迭代次数、局部迭代器、学习率以及批数据量等训练信息，并生成初始的全局模型。

17、进一步的，步骤s2包括：

18、s21、云服务器通知各个边缘服务器对客户端车辆的设备性能进行评估；

19、s22：边缘服务器评估客户端车辆的计算时延：

20、

21、式中，fi表示cpu频率，c表示单个样本计算所需cpu周期，|di|表示本地数据样本数，e表示局部迭代次数；

22、边缘服务器评估客户端车辆的通信时延：

23、

24、式中，表示车辆近期平均网络带宽，pwi表示传输功率，gi表示信道增益，n0表示信道噪声功率谱密度，m表示模型参数大小；

25、根据计算时延和通信时延得客户车辆的总时延

26、进一步的，步骤s3中，根据客户端的设备信息以及客户端选取概率，选取参与本轮训练的客户端车辆，其中选取概率表示为：

27、

28、式中，常数表示第t轮的预期最高选取概率，其取值为(0,1]；表示客户端i第t轮的丢失率；表示概率衰减因子，与客户端的丢失率有关。

29、进一步的，步骤s4包括：

30、s41、根据步骤s2得到各个区域的资源受限客户端车辆，边缘服务器广播请求资源受限客户车辆附近的车辆提供协同服务，得到候选服务车辆集群；

31、s42、通过客户车辆i以及服务车辆j的网络带宽以及设备等信息评估协同计算时延，所述协同计算时延包括计算时延和传输时延，所述计算时延为客户车辆和服务车辆的训练时间总和，苏松户传输时延为客户车辆与服务车辆之间传输参数的时间以及上传参数至边缘服务器的时间；

32、s43、根据客户车辆i以及服务车辆j的目标行驶路径，分析客户端车辆与服务车辆的共同路径；具体地，将客户车辆i的路径看成由经纬度坐标构成的曲线li，该客户车辆附近候选服务车辆的路径为曲线lj，将曲线li抽样成离散的点集求出点集中存在于曲线lj中的所有点，点集中的连续两点lm+1、lm都存在于lj时，两点之间的距离|lm+1-lm|即为共同路径dij中的一部分，将所有连续两点距离求和得到共同路径dij；

33、s44、根据步骤s42、s43计算所得的协同计算时延以及共同路径，建立联合优化目标函数最大化两车协同计算完成的局部模型更新次数，从候选服务车辆集群中选取性能较优且与客户车辆路径相似的服务车辆，为客户车辆提供协同计算服务。

34、其中，目标函数表示为：

35、

36、

37、

38、式中，tij表示车辆i与服务车辆协同计算的持续时间；ti表示车辆i独立训练的持续时间；表示车辆i、协同计算完成一次平均所需时间；ti表示车辆i协同计算完成一次平均所需时间；di表示车辆i行驶总路程；vi表示车辆行驶速度。通过比较不同候选服务车辆的sumi，取sumi值最大且满足约束条件的作为协同计算时的服务车辆。

39、进一步的，步骤s6包括：

40、s61、客户车辆将特征数据x输入本地网络，开始进行前向计算，直到分裂层p输出，将其输出结果pout与标签y一起传输给服务端；

41、s62、服务车辆接收到客户端传输的pout作为服务侧模型的输入，继续进行剩余的前向运算，得到预测标签输出

42、s63、服务车辆将与y代入损失函数求导，然后利用反向传播算法将梯度反向传递给上一层，求取每一层的梯度值，直到分裂层，将该层的结果pin传输给客户端，客户端完成剩余的反向传播运算，从而完成一次迭代更新；

43、s64、重复步骤s61-s63e次，完成本轮的局部模型更新。

44、本发明的有益效果在于：本发明针对车联网中计算不均衡特性、车辆移动特征影响联合计算效率的问题，提出异构车联网中高效的联合计算方法，通过设计模型分区协同计算机制，对计算任务进行分解，实现多车辆安全高效的协同计算建模，解决资源受限车辆训练过慢等问题，同时提出协同车辆最优匹配方法，通过量化分析车辆共同路径以及训练时延，为客户车辆匹配与之路径相似且性能较优的服务车辆进行协同计算，最大化计算效率的同时缓解车辆移动性对协同计算的影响。

45、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。