一种联邦学习场景下的移动设备算力预测方法和装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112418342A(43)申请公布日2021.02.26(21)申请号202011418124.3(22)申请日2020.12.07(71)申请人中山大学地址510275广东省广州市新港西路135号(72)发明人黄华威林康颖郑子彬(74)专利代理机构北京集佳知识产权代理有限公司11227代理人苏云辉(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书8页附图5页(54)发明名称一种联邦学习场景下的移动设备算力预测方法和装置(57)摘要本申请实施例公开了一种联邦学习场景下的移动设备算力预测方法和装置，方法包括收集移动设备上的数据信息；将位置信息进行聚类，得到移动设备的热点位置；通过时间信息记录移动设备在热点位置上的停留时间；计算移动设备不同日期下在热点位置的平均网络状态和平均资源状态；将预处理后的数据作为训练数据，输入到循环神经网络模型进行预测，得到预置时间段后移动设备的网络信息和资源状态信息并输出。基于本申请所提供的方式，联邦学习参数服务器能够预测未来阶段内的设备资源状态，有效地提高联邦学习场景下的有效参与设备的比例和减少联邦学习任务的时间成本。CN112418342ACN112418342A权利要求书1/2页1.一种联邦学习场景下的移动设备算力预测方法，其特征在于，包括：收集移动设备上的数据信息，所述数据信息包括位置信息、时间信息、日期信息、网络信息和资源状态信息；将所述位置信息进行聚类，得到所述移动设备的热点位置；通过所述时间信息记录所述移动设备在所述热点位置上的停留时间；根据所述日期信息、所述停留时间、所述网络信息和所述资源状态信息，计算所述移动设备不同日期下在所述热点位置的平均网络状态和平均资源状态；将所述位置信息、所述时间信息、所述日期信息、所述平均网络状态和所述平均资源状态进行预处理，作为训练数据；将所述训练数据输入循环神经网络模型进行预测，得到预置时间段后所述移动设备的网络信息和资源状态信息并输出。2.根据权利要求1所述的联邦学习场景下的移动设备算力预测方法，其特征在于，所述位置信息具体为GPS数据。3.根据权利要求2所述的联邦学习场景下的移动设备算力预测方法，其特征在于，所述将所述位置信息进行聚类，得到所述移动设备的热点位置具体包括：对所述GPS数据进行噪声过滤与采样率调整；对过滤和调整后的GPS数据进行聚类，得到所述移动设备的热点位置。4.根据权利要求1所述的联邦学习场景下的移动设备算力预测方法，其特征在于，所述网络信息具体包括上传网络带宽和下载网络带宽。5.根据权利要求1所述的联邦学习场景下的移动设备算力预测方法，其特征在于，所述资源状态信息具体为CPU负载率。6.根据权利要求1所述的联邦学习场景下的移动设备算力预测方法，其特征在于，所述循环神经网络模型具体为长短期记忆模型。7.根据权利要求6所述的联邦学习场景下的移动设备算力预测方法，其特征在于，所述将所述训练数据输入循环神经网络模型进行预测，得到预置时间段后所述移动设备的网络信息和资源状态信息并输出具体包括：将所述训练数据输入长短期记忆模型；采用双输出层的模式同时进行预置时间段后的所述热点位置和所述停留时间的预测；结合所述热点位置和所述停留时间的预测结果，与所述移动设备的网络信息和所述资源状态信息进行映射，得到预置时间段后所述移动设备的网络信息和资源状态信息并输出。8.一种联邦学习场景下的移动设备算力预测装置，其特征在于，包括：收集模块和状态预测模块；所述收集模块具体包括：收集单元，用于收集移动设备上的数据信息，所述数据信息包括位置信息、时间信息、日期信息、网络信息和资源状态信息；聚类单元，用于将所述位置信息进行聚类，得到所述移动设备的热点位置；记录单元，用于通过所述时间信息记录所述移动设备在所述热点位置上的停留时间；计算单元，用于根据所述日期信息、所述停留时间、所述网络信息和所述资源状态信2CN112418342A权利要求书2/2页息，计算所述移动设备不同日期下在所述热点位置的平均网络状态和平均资源状态；所述状态预测模块具体包括：预处理单元，用于将所述位置信息、所述时间信息、所述日期信息、所述平均网络状态和所述平均资源状态进行预处理，作为训练数据；预测单元，用于将所述训练数据输入循环神经网络模型进行预测，得到预置时间段后所述移动设备的网络信息和资源状态信息并输出。9.根据权利要求8所述的联邦学习场景下的移动设备算力预测装置，其特征在于，所述循环神经网络模型具体为长短期记忆模型。10.根据权利要求9所述的联邦学习场景下的移动设备算力预测装置，其特征在于，所述预测单元具体包括：输入子单元