CN111416735B - 基于联邦学习的移动边缘环境下安全QoS预测方法 - Google Patents
基于联邦学习的移动边缘环境下安全QoS预测方法 Download PDFInfo
- Publication number
- CN111416735B CN111416735B CN202010135672.9A CN202010135672A CN111416735B CN 111416735 B CN111416735 B CN 111416735B CN 202010135672 A CN202010135672 A CN 202010135672A CN 111416735 B CN111416735 B CN 111416735B
- Authority
- CN
- China
- Prior art keywords
- edge
- public
- training
- qos
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/28—Restricting access to network management systems or functions, e.g. using authorisation function to access network configuration
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种基于联邦学习的移动边缘环境下安全QoS预测方法。该方法首先收集边缘位置信息和QoS数据集,融合后得到时‑空边缘用户QoS数据集;然后对边缘区域进行划分和提取公有数据集,并将公有模型训练和个性化预测相结合从而达到安全的目的。在公有模型训练过程中,考虑边缘服务器和市辖区的地理位置分布,将整个边缘网络区域划分为多个边缘区域,每个边缘区域对应若干个市辖区。每个边缘区域进行公有数据提取后基于LSTM进行公有模型训练并将公有权值参数传递给私有用户。在个性化预测过程中,用户使用其所属区域中的公有LSTM权重参数作为私有LSTM的初始参数,并根据用户的私有数据不断训练私有LSTM从而进行个性化预测。
Description
技术领域
本发明涉及一种QoS预测方法,尤其涉及移动边缘环境下安全QoS预测方法,属于信息技术领域。
背景技术
SOA(Service Oriented Architecture)是一种应用程序体系结构,在其结构中,所有功能都被定义为独立的服务,Web服务是实现SOA的技术之一,因此行业专家们通过组合这些服务来为用户提供不断变化的需求。近年来随着Web服务的发展,其非功能属性QoS(Quality of Service)受到了越来越多的关注,如今网络上出现大量功能相同或相似的Web服务,因此为用户选择满足需求的恰当Web服务显得尤为重要。另一方面,随着5G时代的到来,移动边缘计算得到了更广泛的应用,由于其位于网络边缘,距离用户或信息源非常邻近,因此可以大大减小响应请求的时延。在移动边缘环境下为用户提供服务响应成为当下的发展趋势,但同时也带来了移动边缘环境下安全性问题。
现有的QoS安全研究工作主要聚焦于两方面:QoS隐私保护方法和QoS安全服务。在QoS隐私保护方面,最早有学者提出差分隐私加密算法,随后liu等人将其与协同过滤法结合提出一种QoS隐私保护法。Qi等人在2017年提出一种基于局部敏感哈希的分布式推荐***。Shahriar等人提出一种属性值加密和位置隐藏的保护协议。可见,现有QoS隐私保护方法多适用静态环境,且数据加密后有损预测精度。另一方面,由于在边缘环境下用户通过访问彼此历史数据来预测,因此随着交互次数的增加,数据加密规则更容易被破解。
在QoS安全服务方面,研究人员提出了多种安全机制和准则。Shen等人同时考虑了安全性和服务质量,提出了一种分布式动态管理***机制,但该机制只适用于特定的环境中(如:网络流量为轻量级时)。Alessandro等提出了一种集成的工具支持方法,可在安全性和质量之间达到最大权衡,但该方法未考虑动态环境下的变化情况。Jalal等使用一种分布式实时环境下安全性QoS优化方法在机密性、完整性和认证安全性之间达成协议,但该方法多运用于IP路由协议。Charuenporn等提出了一种新的QoS安全度量开发范式,然而,该范式只适用于两个已定义的信息***标准(COBIT和ITIL)。
随着技术的发展,在越来越多的预测方法中用户的隐私信息被大量获取,安全成为预测过程中用户的一大需求。
发明内容
发明目的:考虑移动边缘环境下传统方法不适用且预测精度大大降低以及用户对安全性的需求,本发明提供一种基于联邦学习的移动边缘环境下安全QoS预测方法,通过融合数据集的方式得到时-空边缘用户QoS数据集,并采用公有模型训练和个性化预测的方式从根本上消除被破解的可能从而保证安全性。同时,运用LSTM模型动态更新权值参数提高预测精度,从而在保证安全的同时,达到有效和准确预测的目的。
技术方案:为实现上述发明目的,本发明所述的一种基于联邦学习的移动边缘环境下安全QoS预测方法,包括如下步骤:
步骤1:收集边缘位置信息和QoS数据集;
步骤2:以用户ID号为连接对QoS数据和边缘位置点进行融合;
步骤3:融合后得到时-空边缘用户QoS数据集;
步骤4:考虑边缘服务器和市辖区的地理位置分布,将原始的边缘网络区域划分为多个边缘区域,并进行公有数据集提取;
步骤5:利用各边缘区域的公有数据集基于LSTM进行公有数据训练得到公有模型;
步骤6:将用户所属区域中的公有LSTM权值参数作为私有LSTM的初始参数,并根据私有数据不断训练私有LSTM从而进行个性化预测。
作为优选,所述步骤1中收集数据主要包括两个方面:包含用户ID、服务ID、时间段ID和属性值的QoS数据集;包含经度纬度信息的基站数据集。
作为优选,所述步骤2包括如下步骤:
步骤21:以用户ID、时间段ID、服务ID和属性值的顺序整理QoS数据集;
步骤22:根据步骤21中用户的总数量在基站数据集中随机选取相应数量的边缘位置点并进行ID编号;
步骤23:统计边缘位置点的经纬度信息,通过地图服务定位基站的位置点;
步骤24:QoS数据集中的用户总数量和边缘服务器的总数量是相等的,因此以用户ID为连接将两个数据集进行融合。
作为优选,所述步骤3包括如下步骤:
步骤31:统计融合后数据集的总时间段数和形成的总边缘服务器个数;
步骤32:总时间段简称为“时”,总边缘服务器简称为“空”,融合后得到时-空边缘用户QoS数据集。
作为优选,所述步骤4包括如下步骤:
步骤41:考虑边缘服务器和市辖区的地理位置分布,将整个边缘网络区域划分为k个边缘区域,每个边缘区域对应1-4个市辖区,其中k≥2,由边缘服务器的地理分布决定;
步骤42:取出各边缘区域T1时间段内的所有用户调用所有服务的属性值,并以服务-用户二维矩阵的形式表示;逐一取二维矩阵中每行数据的中位数,得到一个服务-T1列向量,把该列向量作为T1时间段调用的服务的属性值的公有数据;
步骤43:依次取T2、…、Tn时间段所有用户调用所有服务的属性值,重复步骤42,得到服务-T2、…、服务-Tn列向量,其中n≥2;
步骤44:将n个列向量合成形成一个服务-时间段二维矩阵,用于该边缘区域的公有模型训练。
作为优选,所述步骤5包括如下步骤:
步骤51:每个边缘区域基于各自区域的公有数据集执行LSTM训练;在学习率和训练次数之间达成一种共识,即:学习率越大,误差调整的速度越快,因此在达到同等训练效果时所需执行的训练次数越少;
步骤52:将学习率和训练次数设为公有模型训练的一组组合参数,由于学习率和训练次数之间的负相关关系,因此当学习率取值增大时,训练次数取值逐渐减小;
步骤53:通过LSTM中的遗忘门、输入门、当前时刻单元状态和输出门计算最后的输出,并计算均方根误差值来估量损失函数;
步骤54:对损失函数求导不断调整权值参数;随着训练迭代次数的增加,训练误差不断减小,为个性化预测提供最佳初始权值参数。
作为优选,所述步骤6在个性化预测过程中,基于用户不断产生的私有数据每隔一个时间间隔便执行一次LSTM训练,从而不断更新权值参数以满足边缘环境对数据实时性和准确度的要求,实现边缘环境下安全QoS属性值预测。
作为优选,所述步骤6包括如下步骤:
步骤61:用户根据公有LSTM中传递的初始权值参数进行QoS预测;
步骤62:完成一个时间段的预测后,根据预测数据与实际QoS数据的偏差调整模型权值参数;
步骤63:判断下一时间段是否有新数据产生,若有便将最新权值参数传递给该时间段的模型预测中,并执行训练,从而进一步调整权值参数;以此往复直至不再产生新数据,实现实时的个性化预测。
有益效果:与现有技术相比,本发明提供的一种基于联邦学习的移动边缘环境下安全QoS预测方法,一方面通过将公有模型训练和个性化预测相结合的方式解决了传统加密方式在边缘环境下易被破解的弊端,另一方面在保证安全性的同时,通过不断更新权值参数的方式保证了边缘环境下的预测精度。
附图说明
图1为本发明实施例的整体步骤图;
图2为本发明实施例的方法流程图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,本发明实施例公开的一种基于联邦学习的移动边缘环境下安全QoS预测方法,主要包括6个步骤:
步骤1:收集带有经纬度信息的边缘位置和QoS数据集;
步骤2:通过用户ID号将边缘位置点和QoS数据集一一对应并将两者进行融合;
步骤3:融合后得到带有地理位置属性的QoS数据集,基于映射后的边缘位置点得到时-空边缘用户QoS数据集;
步骤4:考虑边缘服务器和市辖区的地理位置分布,将原始的边缘网络区域划分为多个边缘区域,并提取每个区域的公有数据集进行公有模型训练;
步骤5:利用各区域的公有数据集基于LSTM进行公有数据训练得到公有模型,并将公有权值参数传递给私有用户;
步骤6:将用户所属区域中的公有LSTM权值参数作为私有LSTM的初始参数,并基于私有数据执行私有LSTM训练从而不断更新权值参数进行个性化预测。
如图2所示,本发明实施例公开的一种基于联邦学习的移动边缘环境下安全QoS预测方法,具体步骤如下:
步骤101:收集边缘位置信息和QoS数据集,其中边缘位置信息主要包括基站的经纬度,QoS数据集主要包括响应时间、吞吐量等具有代表性的属性。
本步骤中从wsdream中收集包含用户ID、服务ID、时间段ID和属性值的QoS数据集,wsdream作为用户信息收集的渠道,可提供Web服务可靠性和质量评估。根据时间段ID数,统计带有时间属性的QoS数据集的总时间段数,其中数据集中的用户ID用作与边缘位置点的ID一一对应;从telecom中收集包含经度纬度信息的上海电信基站数据集,它包含由3233个基站收集的9481个移动电话的720多万次互联网接入记录。
步骤102:根据用户ID、时间段ID、服务ID和属性值的次序重新整理QoS数据集;本步骤中QoS数据集的数据规模为142*4500*64,即在64个时间段内共有142个用户调用4500个服务形成的包含响应时间和吞吐量的属性值数据集。以用户ID(0-141)、时间段ID(0-63)、服务ID(0-4499)和属性值的顺序重新整理QoS数据集。
步骤103:根据步骤102中用户的总数量(即142个)在上海电信基站数据集中随机选取相应数量(142组)的边缘位置点并进行ID编号(0-141)。
步骤104:统计边缘位置点的经纬度信息,通过地图服务(无忧地图)定位基站的位置点得到边缘服务器的分布情况;本例142组数据中涵盖了上海的闵行区、黄浦区、虹口区、浦东新区、徐汇区、松江区、青浦区和静安区8个市辖区。
步骤105:QoS数据集中的用户总数量和边缘服务器的总数量是相等的(均为142),因此以用户ID(0-141)为连接,ID相同的一一对应,将两个数据集进行融合。
相比传统QoS数据集,边缘环境下的QoS数据集带有空间属性,此外该数据集带有时间属性。融合后数据集基于映射后,得到边缘位置点得到时-空边缘用户QoS数据集;获取时-空边缘用户QoS数据集的具体操作步骤为:
步骤106:统计融合后的数据集的总时间段数(64个时间片段,每个时间段的间隔为15分钟)和形成的总边缘服务器个数(142个),时间段ID(0-63)简称为“时”,统计142组经纬度信息定位到地理位置点上形成的边缘服务器个数,共67个。边缘服务器的地理位置分布简称为“空”,因此两者对应融合后得到时-空边缘用户QoS数据集。
边缘区域划分和公有数据集提取是为了进一步增强安全性,划分边缘区域的具体处理步骤为:
步骤107:考虑边缘服务器和市辖区的地理位置分布,将整个边缘网络区域划分为k个(其中k≥2,由边缘服务器的地理分布决定)边缘区域,每个边缘区域对应1-4个市辖区。在形成的时-空边缘用户QoS数据集中,根据形成的67个边缘服务器和上海的市辖区分布情况,由于在地理位置上距离较近的边缘服务器具有较相似的边缘环境,因此将距离较近的市辖区划分为一个边缘区域。上海区域共划分为三个边缘区域,边缘区域1:闵行区,22个边缘服务器,边缘区域2:黄浦区、虹口区和浦东新区,24个边缘服务器,边缘区域3:徐汇区、松江区、青浦区和静安区,21个边缘服务器。
步骤108:取出各区域T1时间段内所有用户调用所有服务的属性值,其中属性值包含响应时间和吞吐量,并以服务-用户二维矩阵的形式表示。如:取边缘区域1的时间段1内所有用户调用所有服务的属性值,形成一个T1时间段的服务-用户矩阵,并逐一取二维矩阵中每行数据的中位数,得到一个服务-T1列向量,把该列向量作为T1时间段边缘区域1的用户调用服务的属性值的公有数据;再依次取边缘区域1的T2、…、T64时间段所有用户调用所有服务的属性值,得到边缘区域1的服务-T2,服务-T64列向量。边缘区域2和边缘区域3同理可得服务-时间段列向量;将边缘区域1的64个列向量合成形成一个服务-时间段二维矩阵,边缘区域1便形成响应时间-时间段和吞吐量-时间段两个公有数据集用于该区域的公有模型训练。边缘区域2和边缘区域3同理通过合成可形成公有数据集。
基于LSTM的公有模型训练可为私有用户提供初始权值参数,公有数据训练的具体处理步骤为:
步骤109:每个边缘区域基于各自区域的响应时间(rt)和吞吐量(tp)二维矩阵公有数据集执行LSTM训练。在学习率和训练次数之间达成一种共识,即:学习率越大,误差调整的速度越快,因此在达到同等训练效果时所需执行的训练次数越少;将学习率和训练次数设为公有模型训练的一组组合参数,由于学习率和训练次数之间的负相关关系,因此当学习率取值增大时,训练次数取值逐渐减小。如学习率以步长0.001在区间[0.001,0.01]上取值,相应的训练次数便以步长100在区间[100,1000]上递减,从而在学习率和训练次数之间达到权衡;完成参数设置后,通过LSTM中的遗忘门、输入门、当前时刻单元状态和输出门计算最后的输出,并通过计算均方根误差值来估量损失函数。LSTM输入用上一时刻的上一时刻各服务的QoS属性值(响应时间或吞吐量),预测下一时刻各服务的QoS属性值,具体模型表示为:(1)ft=σ(Wf·[ht-1,xt]+bf),其中Wf是遗忘门的权重矩阵,ht-1和xt分别表示上一时刻的输出和当前时刻的输入,bf是遗忘门的偏置项。LSTM模型通过遗忘门选择性保留上一时刻的单元状态到当前时刻的单元状态;(2)it=σ(Wi·[ht-1,xt]+bi),其中Wi是输入门的权重矩阵,bi是输入门的偏置项,输入门选择性保存当前时刻的输入到单元状态;(3)计算当前时刻的单元状态ct。它是由上一时刻的单元状态ct-1按元素乘以遗忘门ft,再用当前输入的单元状态按元素乘以输入门it,最后将两个积相加(4)通过(3)把LSTM关于当前的记忆和长期的记忆ct-1组合在一起,形成新的单元状态ct。由于遗忘门和输入门的控制,它们可以保存很久之前的信息并避免当前无关紧要的内容进入记忆。ot=σ(Wo·[ht-1,xt]+bo)是输出门的计算过程,它控制了长期记忆对当前输出的影响;(5)LSTM最终的输出由输出门和单元状态共同确定ht=otοtanh(ct);(6)计算均方根误差值来估量损失函数,其中是ti时刻LSTM的输出值,是ti时刻的真实值,N是总时刻数。
步骤110:得到每次预测结果的损失函数,通过对损失函数求导不断调整权值参数。因此随着训练迭代次数的增加,训练误差不断减小,权值参数逐渐准确,最终得到每个区域由响应时间数据集和吞吐量数据集训练出的2个公有模型。
步骤111:每个边缘区域完成公有模型训练后保存公有权值参数,并为该区域的私有用户提供遗忘门、输入门、单元状态和输出门的权值作为个性化预测的最佳初始权值参数。
步骤112:每个区域的用户根据该区域公有LSTM中传递的初始权值参数进行QoS预测,计算过程如步骤109的(1)-(5)所述,以T1,T2,…,T64时间段的顺序预测并得到预测结果。且预测模型中的权值参数基于预测误差的求导不断更新。
步骤113:当完成T1时间段的预测后,根据预测数据与实际QoS数据的偏差调整模型权值参数,权值参数调整公式为:weighti=weighti-l*error,其中weighti是初始权值参数,l是学习率,是对预测误差求导,是ti时刻LSTM的输出值,是ti时刻的真实值。
步骤114:每完成一个时间间隔(在具体应用时可以根据***需求和数据情况设定,如1小时,1天等)的训练,模型便被更新一次,此刻的模型称作私有模型,模型中的权值参数仅为该用户私有。随着训练次数的不断迭代,私有模型不断完善,模型中的权值参数也不断更新。
步骤115:当每完成一次训练,判断下一时间段是否有新数据产生,若有则按照步骤112的方法继续进行私有预测,同时得到该时间段内的预测结果。若无则训练结束。
步骤116:当完成所有时间段的预测和训练结束后,输出最终预测结果。
Claims (5)
1.一种基于联邦学习的移动边缘环境下安全QoS预测方法,其特征在于,包括如下步骤:
步骤1:收集边缘位置信息和QoS数据集;
步骤2:以用户ID号为连接对QoS数据和边缘位置点进行融合;
步骤3:融合后得到时-空边缘用户QoS数据集;
步骤4:考虑边缘服务器和市辖区的地理位置分布,将原始的边缘网络区域划分为多个边缘区域,并进行公有数据集提取;
步骤5:利用各边缘区域的公有数据集基于LSTM进行公有数据训练得到公有模型;
步骤6:将用户所属区域中的公有LSTM权值参数作为私有LSTM的初始参数,并根据私有数据不断训练私有LSTM从而进行个性化预测;
所述步骤1中收集数据主要包括两个方面:包含用户ID、服务ID、时间段ID和属性值的QoS数据集;包含经度纬度信息的基站数据集;
所述步骤2包括如下步骤:
步骤21:以用户ID、时间段ID、服务ID和属性值的顺序整理QoS数据集;
步骤22:根据步骤21中用户的总数量在基站数据集中随机选取相应数量的边缘位置点并进行ID编号;
步骤23:统计边缘位置点的经纬度信息,通过地图服务定位基站的位置点得到边缘服务器的分布情况;
步骤24:QoS数据集中的用户总数量和边缘服务器的总数量是相等的,因此以用户ID为连接将两个数据集进行融合;
所述步骤4包括如下步骤:
步骤41:考虑边缘服务器和市辖区的地理位置分布,将整个边缘网络区域划分为k个边缘区域,每个边缘区域对应1-4个市辖区,其中k≥2,由边缘服务器的地理分布决定;
步骤42:取出各边缘区域T1时间段内的所有用户调用所有服务的属性值,并以服务-用户二维矩阵的形式表示;逐一取二维矩阵中每行数据的中位数,得到一个服务-T1列向量,把该列向量作为T1时间段调用的服务的属性值的公有数据;
步骤43:依次取T2、…、Tn时间段所有用户调用所有服务的属性值,重复步骤42,得到服务-T2、…、服务-Tn列向量,其中n≥2;
步骤44:将n个列向量合成形成一个服务-时间段二维矩阵,用于该边缘区域的公有模型训练。
2.根据权利要求1所述的基于联邦学习的移动边缘环境下安全QoS预测方法,其特征在于,所述步骤3包括如下步骤:
步骤31:统计融合后数据集的总时间段数和形成的总边缘服务器个数;
步骤32:总时间段简称为“时”,总边缘服务器简称为“空”,融合后得到时-空边缘用户QoS数据集。
3.根据权利要求1所述的基于联邦学习的移动边缘环境下安全QoS预测方法,其特征在于,所述步骤5包括如下步骤:
步骤51:每个边缘区域基于各自区域的公有数据集执行LSTM训练;在学习率和训练次数之间达成一种共识,即:学习率越大,误差调整的速度越快,因此在达到同等训练效果时所需执行的训练次数越少;
步骤52:将学习率和训练次数设为公有模型训练的一组组合参数,由于学习率和训练次数之间的负相关关系,因此当学习率取值增大时,训练次数取值逐渐减小;
步骤53:通过LSTM中的遗忘门、输入门、当前时刻单元状态和输出门计算最后的输出,并计算均方根误差值来估量损失函数;
步骤54:对损失函数求导不断调整权值参数;随着训练迭代次数的增加,训练误差不断减小,为个性化预测提供最佳初始权值参数。
4.根据权利要求1所述的基于联邦学习的移动边缘环境下安全QoS预测方法,其特征在于,所述步骤6在个性化预测过程中,基于用户不断产生的私有数据每隔一个时间间隔便执行一次LSTM训练,从而不断更新权值参数以满足边缘环境对数据实时性和准确度的要求,实现边缘环境下安全QoS属性值预测。
5.根据权利要求4所述的基于联邦学习的移动边缘环境下安全QoS预测方法,其特征在于,所述步骤6包括如下步骤:
步骤61:用户根据公有LSTM中传递的初始权值参数进行QoS预测;
步骤62:完成一个时间段的预测后,根据预测数据与实际QoS数据的偏差调整模型权值参数;
步骤63:判断下一时间段是否有新数据产生,若有便将最新权值参数传递给该时间段的模型预测中,并执行训练,从而进一步调整权值参数;以此往复直至不再产生新数据,实现实时的个性化预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010135672.9A CN111416735B (zh) | 2020-03-02 | 2020-03-02 | 基于联邦学习的移动边缘环境下安全QoS预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010135672.9A CN111416735B (zh) | 2020-03-02 | 2020-03-02 | 基于联邦学习的移动边缘环境下安全QoS预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111416735A CN111416735A (zh) | 2020-07-14 |
CN111416735B true CN111416735B (zh) | 2021-05-11 |
Family
ID=71492750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010135672.9A Active CN111416735B (zh) | 2020-03-02 | 2020-03-02 | 基于联邦学习的移动边缘环境下安全QoS预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111416735B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111836321B (zh) * | 2020-07-27 | 2022-11-18 | 北京邮电大学 | 一种基于联邦学习和边缘计算的小区切换方法 |
CN113099387B (zh) * | 2021-03-22 | 2022-02-22 | 河海大学 | 一种真实边缘环境下服务质量数据集的构建方法 |
CN113194489B (zh) * | 2021-04-01 | 2022-09-13 | 西安电子科技大学 | 无线边缘网络中有效联邦学习的最小-最大代价优化方法 |
CN113420421B (zh) * | 2021-05-28 | 2023-07-25 | 西安邮电大学 | 移动边缘计算中基于时序正则化张量分解的QoS预测方法 |
CN115115082B (zh) * | 2021-12-30 | 2024-06-14 | 南通大学 | 一种基于联邦学习的长距离高速公路交通流量预测方法 |
CN114489938B (zh) * | 2022-01-05 | 2024-06-25 | 汕头大学 | 一种基于云边协同模式的用户侧QoS预测模型构建方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108900346A (zh) * | 2018-07-06 | 2018-11-27 | 西安电子科技大学 | 基于lstm网络的无线网络流量预测方法 |
CN109981333A (zh) * | 2018-12-28 | 2019-07-05 | 华为技术有限公司 | 一种应用于数据中心的运维方法和运维设备 |
CN110191015A (zh) * | 2019-05-21 | 2019-08-30 | 中山大学 | 基于cpi指标的云服务性能智能预测方法和装置 |
CN110458336A (zh) * | 2019-07-23 | 2019-11-15 | 内蒙古工业大学 | 一种基于深度学习的网约车供需预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019236851A1 (en) * | 2018-06-06 | 2019-12-12 | The Joan and Irwin Jacobs Technion-Cornell Institute | Telecommunications network traffic metrics evaluation and prediction |
CN110247793B (zh) * | 2019-05-29 | 2022-11-11 | 暨南大学 | 一种移动边缘云中的应用程序部署方法 |
-
2020
- 2020-03-02 CN CN202010135672.9A patent/CN111416735B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108900346A (zh) * | 2018-07-06 | 2018-11-27 | 西安电子科技大学 | 基于lstm网络的无线网络流量预测方法 |
CN109981333A (zh) * | 2018-12-28 | 2019-07-05 | 华为技术有限公司 | 一种应用于数据中心的运维方法和运维设备 |
CN110191015A (zh) * | 2019-05-21 | 2019-08-30 | 中山大学 | 基于cpi指标的云服务性能智能预测方法和装置 |
CN110458336A (zh) * | 2019-07-23 | 2019-11-15 | 内蒙古工业大学 | 一种基于深度学习的网约车供需预测方法 |
Non-Patent Citations (1)
Title |
---|
基于用户行为和位置感知的边际服务加载优化研究;童智高;《中国优秀硕士学位论文全文数据库》;20171115(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111416735A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111416735B (zh) | 基于联邦学习的移动边缘环境下安全QoS预测方法 | |
Liu et al. | Dynamic spatial-temporal representation learning for traffic flow prediction | |
He et al. | Graph attention spatial-temporal network with collaborative global-local learning for citywide mobile traffic prediction | |
Xu et al. | A survey for mobility big data analytics for geolocation prediction | |
Kong et al. | Construction of intelligent traffic information recommendation system based on long short-term memory | |
WO2017185664A1 (zh) | 一种终端定位方法及网络设备 | |
Zhang et al. | Quality-aware user recruitment based on federated learning in mobile crowd sensing | |
CN111309780B (zh) | 一种轨迹数据处理方法及装置 | |
CN105808680A (zh) | 基于张量分解进行上下文相关的位置推荐方法 | |
EP3425876A1 (en) | Location-based service implementing method and apparatus | |
Bwambale et al. | Modelling long-distance route choice using mobile phone call detail record data: a case study of Senegal | |
WO2022198947A1 (zh) | 密接人群识别方法、装置、电子设备及存储介质 | |
EP3192061B1 (en) | Measuring and diagnosing noise in urban environment | |
CN112766600A (zh) | 一种城市区域人群流量预测方法及*** | |
Zhao et al. | Urban crowd flow forecasting based on cellular network | |
EP3966598B1 (en) | Privacy management | |
CN108009134A (zh) | 一种人类活动信息挖掘方法 | |
Ma et al. | Cellular traffic prediction via deep state space models with attention mechanism | |
CN104123321A (zh) | 一种确定推荐图片的方法及装置 | |
CN117556133A (zh) | 一种基于图神经网络的神经时间门时序增强会话推荐方法 | |
CN112287503A (zh) | 用于交通需求预测的动态空间网络构建方法 | |
Li et al. | A multi-task scheduling mechanism based on ACO for maximizing workers’ benefits in mobile crowdsensing service markets with the Internet of Things | |
CN109581280A (zh) | 终端自适应在线定位方法、***及装置 | |
CN115860179A (zh) | 轨迹预测方法、装置、设备、存储介质及程序产品 | |
US11050834B1 (en) | Method for automatically assigning visits to partially observable location data streams |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |