基于联邦学习的无人机低空巡检模型更新方法以及装置
本发明涉及无人机移动通信,特别涉及是一种基于联邦学习的无人机低空巡检模型更新方法、装置、计算机设备以及存储介质。
背景技术:
1、近年来,联邦学习隐私保护技术逐渐被应用于低空经济多无人机协同场景中,用于降低无人机在协同训练过程中的敏感信息泄露风险。
2、然而,现有方法大多侧重于训练阶段、梯度层级或任务卸载行为的统一隐私保护,其性能仍受限于节点风险差异未被显式建模的问题。在低空经济多无人机协同学习场景中,不同无人机节点由于任务类型、位置区域、更新强度以及运行状态不同,其隐私泄露风险存在明显差异。现有方法通常采用统一噪声机制或仅依据模型训练状态调整扰动强度,未考虑高风险节点与低风险节点之间的保护需求差异,容易导致高风险节点保护不足以及低风险节点过度扰动的问题。
技术实现思路
1、基于此,本发明的目的在于,提供一种基于联邦学习的无人机低空巡检模型更新方法、装置、计算机设备以及存储介质,结合模型更新特征、本地训练配置以及低空场景语义信息进行无人机节点的风险评估,实现对不同无人机节点的隐私泄露风险进行差异化描述,用以自适应进行噪声分配,使节点隐私保护能力能够随风险状态变化而自适应调整,并结合噪声差异感知聚合机制,根据节点噪声强度动态调整聚合权重,提升模型收敛稳定性与最终模型精度,能够同时兼顾隐私保护性能与通信效率,更适用于低空经济多无人机场景中的分布式协同训练任务。
2、第一方面,本申请实施例提供了一种基于联邦学习的无人机低空巡检模型更新方法,包括以下步骤:
3、将当前训练轮次的全局模型参数下发至若干个无人机节点中进行模型训练,获得当前训练轮次的各个无人机节点的模型更新结果、梯度更新强度信息以及低空场景语义信息;
4、根据当前训练轮次的各个无人机节点的梯度更新强度信息以及低空场景语义信息对当前训练轮次的各个无人机节点进行风险评估以及自适应噪声分配,获得当前训练轮次的各个无人机节点的噪声强度;
5、根据当前训练轮次的各个无人机节点的噪声强度进行噪声感知聚合,获得当前训练轮次的各个无人机节点的聚合权重;
6、根据当前训练轮次的各个无人机节点的聚合权重以及模型更新结果进行全局模型参数更新,获得下一次训练轮次的全局模型参数;
7、将下一次训练轮次的全局模型参数下发至各个无人机节点中进行模型训练,直到获得最后一次训练轮次的各个无人机节点的模型更新结果,作为各个无人机节点的目标模型更新结果。
8、第二方面,本申请实施例提供了一种基于联邦学习的无人机低空巡检模型更新装置,包括:
9、第一模型训练模块,用于将当前训练轮次的全局模型参数下发至若干个无人机节点中进行模型训练,获得当前训练轮次的各个无人机节点的模型更新结果、梯度更新强度信息以及低空场景语义信息;
10、噪声强度分配模块,用于根据当前训练轮次的各个无人机节点的梯度更新强度信息以及低空场景语义信息对当前训练轮次的各个无人机节点进行风险评估以及自适应噪声分配,获得当前训练轮次的各个无人机节点的噪声强度;
11、噪声感知聚合模块,用于根据当前训练轮次的各个无人机节点的噪声强度进行噪声感知聚合,获得当前训练轮次的各个无人机节点的聚合权重;
12、模型参数更新模块,用于根据当前训练轮次的各个无人机节点的聚合权重以及模型更新结果进行全局模型参数更新,获得下一次训练轮次的全局模型参数;
13、第二模型训练模块,用于将下一次训练轮次的全局模型参数下发至各个无人机节点中进行模型训练,直到获得最后一次训练轮次的各个无人机节点的模型更新结果,作为各个无人机节点的目标模型更新结果。
14、第三方面,本申请实施例提供了一种计算机设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的基于联邦学习的无人机低空巡检模型更新方法的步骤。
15、第四方面,本申请实施例提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的基于联邦学习的无人机低空巡检模型更新方法的步骤。
16、在本申请实施例中,提供一种基于联邦学习的无人机低空巡检模型更新方法、装置、计算机设备以及存储介质,结合模型更新特征、本地训练配置以及低空场景语义信息进行无人机节点的风险评估,实现对不同无人机节点的隐私泄露风险进行差异化描述,用以自适应进行噪声分配,使节点隐私保护能力能够随风险状态变化而自适应调整,并结合噪声差异感知聚合机制,根据节点噪声强度动态调整聚合权重,提升模型收敛稳定性与最终模型精度,能够同时兼顾隐私保护性能与通信效率,更适用于低空经济多无人机场景中的分布式协同训练任务。
17、为了更好地理解和实施,下面结合附图详细说明本发明。
1.一种基于联邦学习的无人机低空巡检模型更新方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于联邦学习的无人机低空巡检模型更新方法,其特征在于:所述梯度更新强度信息包括梯度范数;所述低空场景语义信息包括任务敏感度以及位置敏感度;
3.根据权利要求2所述的基于联邦学习的无人机低空巡检模型更新方法,其特征在于,所述根据当前训练轮次的各个无人机节点的噪声强度进行噪声感知聚合,获得当前训练轮次的各个无人机节点的聚合权重,包括步骤:
4.根据权利要求3所述的基于联邦学习的无人机低空巡检模型更新方法,其特征在于,所述根据当前训练轮次的各个无人机节点的聚合权重以及模型更新结果进行全局模型参数更新,获得下一次训练轮次的全局模型参数,包括步骤:
5.一种基于联邦学习的无人机低空巡检模型更新装置,其特征在于,包括:
6.一种计算机设备,其特征在于,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的基于联邦学习的无人机低空巡检模型更新方法的步骤。
7.一种存储介质,其特征在于:所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的基于联邦学习的无人机低空巡检模型更新方法的步骤。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com