一种基于联邦学习的校园共享冰箱方法及其配套设备、应用程序与流程

本发明属于电子技术、通信技术及大模型技术的领域，涉及控制、通信、安全、信号检测及大模型设备与软件的配置、安装、调试及优化，具体涉及一种基于联邦学习的校园共享冰箱方法及其配套设备、应用程序。

背景技术：

1、当今时代，冰箱已经是一种使用非常普及的家用电器。随着当代大学校园生活的多元化及个性化，在学校存储生蔬菜水果以及面包、鲜奶等保质期短的食品的成为很多大学生的需求，对应大学生对冰箱的需求越来越依赖，因此共享冰箱在当代校园应运而生。

2、现有校园共享冰箱是一种利用物联网技术和云计算平台，为学生提供便捷、安全、节能的食品存储和交换服务的创新模式。学生可以通过手机端应用程序，扫描冰箱上的二维码，实现对冰箱的开关、温度调节、存取食品等操作。同时，冰箱会自动记录每个用户的使用情况，并上传到云端，形成一个大数据分析系统，用于优化冰箱的运营管理和资源分配。在物联网技术和云计算平台的推动下，校园共享冰箱成为一种为学生提供便捷、安全、节能的食品存储和交换服务的创新模式。然而，随着技术的发展，校园共享冰箱也面临着一系列涉及冰箱数据价值扩展应用、用户隐私和数据安全的挑战。

3、通过应用程序，学生能够随时远程控制冰箱，这在提高使用便捷性的同时，也引发了用户隐私和数据安全的担忧。冰箱上的摄像头和传感器可能泄露敏感的个人信息，而远端存储和传输则存在被黑客攻击的风险。例如：冰箱上的摄像头和传感器可能会泄露用户的个人信息，如面部特征、身份证号、手机号等，给用户带来不必要的麻烦和风险。远端的数据存储和传输可能会遭到黑客的攻击或窃取，导致用户的使用记录、食品偏好、健康状况等敏感数据被泄露或滥用。冰箱的数据分析系统可能会侵犯用户的隐私权，如对用户进行个性化推荐、行为分析、消费引导等，影响用户的自主选择和判断。

4、虽然在中国发明专利“一种共享冰箱系统以其交互方法”(公开号cn110009823a)中记载了共享冰箱系统，包括移动终端、企业云平台、pc管理终端、运营商iot平台、nb-iot设备、电控板和冰箱；企业云平台分别与移动终端、pc管理终端和运营商iot平台，运营商iot平台通过nb-not设备与电控板连接。本发明通过pc管理终端将冰箱的信息上传至企业云平台，用户通过移动终端获取上传至企业云平台的冰箱的押金和租金信息，并缴纳押金和租金，缴纳成功后，运营商iot平台发送控制指令经bn-iot设备至电控板，以控制冰箱进行工作，且企业云平台统计租赁时间是否到期，一旦到期且未交费，则停止冰箱的运作，极大地方便了用户随时启动冰箱，满足临时用户对冰箱的使用需求，实现冰箱共享模式，操作简单，提升了用户的交互体验。

5、但现有的共享冰箱技术存在如下缺点：没有集中的模型分析应用池，冰箱使用数据资源扩展运用能力不足，多人共用冰箱，个人信息得不到很好保护。租用和使用冰箱的人，个人信息会存储在远程和本地服务器上，同时会在共享冰箱网络上传输，很容易导致个人隐私的暴露和泄露。主要解决冰箱进消存实时管理和服务，没有真正实现大模型下多元需求、个性需求、多种交易的共享冰箱系统的智慧管理及服务预测功能。

6、需要在保证冰箱功能正常运行的同时，保护用户的隐私和数据安全，扩展冰箱数据使用价值。这是一个非常具有挑战性的难点，传统的加密或匿名化方法，在物联网场景下，往往会增加计算复杂度和通信开销，降低系统效率和性能。而联邦学习(federatedlearning)是近年来兴起的一种加密的分布式机器学习新范式，可以让各参与方在数据不出本地的情况下进行ai协作，实现“知识共享而数据不共享”，提升各自的ai模型效果，是破解现阶段ai行业落地中的“数据孤岛”与“数据隐私保护”两大“卡脖子”难题最行之有效的解决方案，因此如何引入联邦学习模型池技术构建校园共享冰箱是领域中的研发方向之一。

技术实现思路

1、针对上述问题，本发明提供一种基于联邦学习的校园共享冰箱方法。

2、引入联邦学习模型池技术，可解决以上存在问题。

3、第一，首先，联邦学习技术通过在本地节点进行本地模型训练，该方法极大程度上保护了用户的隐私，因为个人信息和敏感数据无需传输到云端，降低了数据泄露的风险。其次，原始数据不在网络上传输，联邦学习显著减少了被黑客攻击或窃取的可能性，提高了数据的安全性。然后，通过只传输模型参数而非庞大的原始数据，该技术降低了通信开销和延迟，从而提升了系统的整体效率，使得校园共享冰箱等物联网应用更为实时和响应迅速。

4、第二，此外，本地节点可以根据自身的数据特征和环境变化动态调整模型参数，与云端同步更新，增强了系统的鲁棒性和可扩展性。最重要的是，联邦学习通过多个本地节点的协同训练，实现了全局知识的汇聚，促进了模型的协同学习，为系统的模型池的智能分析和优化提供了更全面的数据基础。

5、第三，借助目前大数据技术，同时在联邦学习侧引入多元需求、个性需求、不同交易行为等各方面多层次需求的学习模型，经过不断地迭代更新，搭建联邦学习模型池，实现共享冰箱系统的智慧管理及不同服务需求预测。

6、具体技术方案是：一种基于联邦学习的校园共享冰箱方法，包括：

7、1)模型初始化：

8、a.依据共享冰箱管理场景的需要设置各类合适的模型；

9、b.设置合适的模型训练、交互及更新的条件及要求；

10、c.初始化云端模型池的各类模型；

11、2)联邦学习训练步骤：

12、步骤一，数据分割与本地训练：将每个校园共享冰箱视为一个本地节点，本地节点设备从远端服务器获取最新综合全局模型参数，同时利用本地数据进行模型训练，包括用户的开关、温度调节、存取食品操作记录、使用习惯等；然后利用分布式数据分割技术确保每个本地节点都有足够的样本来训练模型，同时遵循隐私保护原则；

13、步骤二，模型参数上传到云端：在本地节点训练后，只上传模型参数而非原始数据到云端，使用安全传输协议和端到端加密技术确保模型参数的安全传输和数据安全；

14、步骤三，云端模型参数聚合：在云端使用联邦学习加权算法技术，将所有本地节点上传的模型参数聚合成一个全局模型；

15、步骤四，全局模型下发至各本地节点：将云端生成的全局模型参数下发到每个本地节点，使用安全协议确保模型参数的安全传输和数据安全；

16、步骤五，定期更新与协同学习：设定定期联邦学习的执行计划，确保系统能够从所有节点的数据中学到新的信息；

17、步骤六，监控和维护：建立监控系统，定期检查每个本地节点的运行状态和模型性能，对可能出现的异常情况进行及时处理，确保整个联邦学习系统的稳定运行。

18、3)远端模型池全局模型聚合、更新与使用：

19、a.每进行新的一轮模型参数聚合操作，需评估本地节点模型是否是恶意模型和不可靠模型，恶意模型和不可靠模型需要区别出来；

20、b.剔除恶意模型和不可靠模型，剩余的本地节点模型将被聚合形成一个全新的全局模型；

21、c.新的全局模型被加入到模型池，被授权的用户可以通过手机端应用程序查看和使用相应模型；

22、d.对于用户使用和转让模型，采用通过手机端应用程序网上进行人脸识别登记及签约操作，确保所有权的合规合法转让；

23、4)模型池的维护与优化：

24、a.依据实际应用情况，定期增补和优化模型池中对应模型，提高模型精准性，提升用户对冰箱的使用粘性及体验；

25、b.对共享冰箱系统持续的维护和升级，以满足技术发展及用户个性化、多层次的需求。

26、进一步，在联邦学习训练步骤的步骤三中引入差异隐私技术，增强用户的隐私保护，确保个体数据在聚合过程中不被泄露。

27、进一步，在联邦学习训练步骤的步骤四中，利用联邦学习的调度系统，精确管理定期的更新过程，以最大程度地提高系统性能。

28、进一步，在远端模型池全局模型聚合、更新与使用中，恶意模型与不可靠模型的评估及全局模型聚合操作包括；

29、第一，对于上一轮所有本地模型进行平均运算，得到平均模型，分别计算评估本轮每个上传至远端服务器的本地模型与上一轮平均模型的偏离差值；

30、第二，如果上传的本地模型与平均模型的偏离差值低于规定第一阈值，则将其认定为疑正常待估模型，否则，将其认定为恶意模型；本地模型与平均模型的偏离度通过以下方式评估：

31、

32、表示第k轮第n个本地模型与第k-1轮平均模型的偏离度，即闵氏偏移距离，表示第k-1轮的平均模型，表示第k轮模型联邦学习的第n个本地模型；

33、第三，根据偏离度大小，赋值第n个本地疑正常待估模型节点对全局模型聚合的归一化贡献权重λn，偏离度与贡献权重呈现反比关系；

34、第四，第k轮的归一化贡献权重集合为(λ1,λ2....λn)，如果贡献权重离散度高于规定第二阈值，则将本轮本地疑正常待估模型认定为不可靠模型，需再次进行第k+1轮模型训练学习，直至贡献权重离散度低于规定第二阈值，认定为最终正常模型。模型离散程度通过以下方式评估：

35、

36、δk代表第k轮本地疑正常待估模型节点对全局模型聚合的归一化贡献权重的标准方差，λi代表第k轮第i个模型的归一化贡献权重，代表第k轮归一化贡献权重平均值；

37、第五，对所有正常模型进行聚合，即将所有正常模型按贡献度权重进行加权运算，得到全局模型。

38、进一步，在远端模型池全局模型聚合、更新与使用中，全局模型组成一个庞大全面的共享冰箱模型池，包括资源调度、消费推荐、用户喜好等模型，为授权通过的用户提供模型试测功能，没有经过联邦学习训练的模型，视为初始的全局模型。

39、进一步，边缘冰箱设备本地模型训练层，用于冰箱与用户数据分割及边缘节点训练，联邦学习训练的本地节点设备从远端服务器上获取最新综合全局模型参数，利用本地数据独立执行学习训练任务，将训练好的本地节点模型参数提交至远端服务器，服务器对本地训练节点模型进行身份认证，确认为不是恶意或不可靠节点模型才能加入联邦学习训练的全局模型聚合计算；

40、传输服务层，用于联邦学习训练本地节点模型与云端服务器全局模型间模型参数的传输与交互；

41、云端服务层，用于远端服务器实现模型参数聚合及模型池中各模型维护及管理，综合监控系统实时监测本地节点的运行状态和模型性能，对可能出现的异常情况进行及时处理。远端服务器使用联邦学习加权算法技术，将所有本地节点上传的模型参数聚合成一个全局模型。远端服务器上开发手机端应用程序，实现共享冰箱模型资源远端管理及相关数据可视化展示及查询管理。

42、本发明的另一个目的在于提供一种本地微型计算机设备，计算设备包括存储器、处理器及信号传输设备，存储器存储计算本地模型算法程序，处理器执行算法程序，信号传输设备将处理器执行算法程序模型参数结果传送至云端服务器，微型计算机执行如权利要求2所述的联邦学习训练步骤。

43、本发明的另一个目的在于提供一种远端服务器设备，服务器设备包括存储器及处理器，存储器存储计算全局模型参数算法程序、手机端应用程序发来的数据及信息，处理器执行算法程序，手机端应用程序功能改造维护、测试及优化等，处理器执行如权利要求2所述的联邦学习训练步骤的参数聚合、更新、协同学习及如权利要求1所述的应用程序维护优化，提升共享冰箱使用的用户使用体验。

44、本发明的另一个目的在于提供一种手机端应用程序，应用程序是共享冰箱管理及数据展示查询界面，提供各模型联邦学习训练时间、最新全局模型更新与下发时间、模型池现有模型情况及授权登录查看模型池的用户情况的查询与管理，小程序软件如权利要求1所述的模型资源查询与管理。

45、本发明的有益效果：在保证校园共享冰箱功能正常运行的同时，联邦学习为解决隐私和数据安全难题提供了一种前瞻性的解决途径，同时通过手机端应用程序提供集中模型分析应用池平台，使得共享冰箱产生的数据资源应用得到扩展，具有行业的商业潜力和经济效益。这一创新方法将解决信息安全与创造经济效益结合在一起，不仅为校园共享冰箱技术的进一步发展指明了方向，也为物联网应用中的隐私挑战开辟了全新的解决思路；

46、联邦学习本地节点可以根据自身的数据特征和环境变化动态调整模型参数，与云端同步更新，增强了系统的鲁棒性和可扩展性；个人信息和敏感数据无需传输到云端，降低了数据泄露的风险；通过只传输模型参数而非庞大的原始数据，该技术降低了通信开销和延迟，从而提升了系统的整体效率；联邦学习通过多个本地节点的协同训练，实现了全局知识的汇聚，促进了模型的协同学习，为系统的智能分析和优化提供了更全面的数据基础；引入资源调度共享、消费行为预测、人物画像分析、人脸识别、排队等待分析等相关模型，组成大模型池，实现对物品、客户及资源等智慧管理及服务，满足多元需求、个性需求、特殊需求等多方位多层次需求。