(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110668580.1 (22)申请日 2021.06.16 (65)同一申请的已公布的文献号 申请公布号 CN 113283177 A (43)申请公布日 2021.08.20 (73)专利权人 江南大学 地址 214122 江苏省无锡市滨湖区蠡湖大 道1800号 (72)发明人 吴琼　赵宇　 (74)专利代理 机构 苏州市中南伟业知识产权代 理事务所(普通 合伙) 32257 专利代理师 夏苏娟 (51)Int.Cl. G06F 30/27(2020.01) G06F 16/9535(2019.01) G06F 21/62(2013.01) G06N 3/04(2006.01)(56)对比文件 CN 111865826 A,2020.10.3 0 CN 111339554 A,2020.0 6.26 CN 112770291 A,2021.0 5.07 CN 112700639 A,2021.04.23 CN 111708640 A,2020.09.25 CN 112583575 A,2021.0 3.30 US 2021117780 A1,2021.04.2 2 贾延延等.联邦学习模型在涉密数据处 理中 的应用. 《中国电子科 学研究院学报》 .2020,(第 01期), (续) 审查员 陈硕 (54)发明名称 一种基于异步联邦学习的移动感知缓存方 法 (57)摘要 本发明公开了一种基于异步联邦学习的移 动感知缓存方法， 该方法包括步骤： A、 选择自动 编码器作为异步联邦学习的模型框架， 并创建全 局模型； B、 根据车辆在当前RSU覆盖范围内的停 留时间选择与当前RSU进行异步联邦学习的车 辆； C、 被选中的车辆从当前RSU中下载全局模型 参数； D、 根据全局模型参数和最小化正则化损失 函数对车辆本地模型进行训练； E、 RSU接收训练 后的车辆本地模 型， 并通过权重平均更新全局模 型； F、 根据更新后的全局模型对内容流行度进行 预测， 并根据预测结果制定RS U缓存策略。 本发明 基于异步联邦学习的移动感知缓存方法能够获 得较高的缓存命中率、 可提升缓存性能、 有效保 护客户隐私、 降低通信成本 。 [转续页] 权利要求书2页 说明书8页 附图8页 CN 113283177 B 2022.05.24 CN 113283177 B (56)对比文件 宋旭鸣等.基 于深度学习的智能移动边 缘网 络缓存. 《中国科 学院大学学报》 .2020,(第01 期), Wu, Q等.Perso nalized Federated Learning for I ntelligent IoT Applications: A Cl oud-Edge Based Framework. 《IEEE computer graphics and applications》 .2020,2/2 页 2[接上页] CN 113283177 B1.一种基于异步联邦学习的移动感知缓存方法， 其特 征在于， 包括以下步骤： A、 选择自动 编码器作为异步联邦学习的模型框架， 并创建全局模型； B、 根据车辆在当前RSU覆盖范围内的停留时间选择与当前RSU进行异步联邦学习的车 辆； C、 被选中的车辆从当前RSU中下 载全局模型参数； D、 根据全局模型参数和最小化 正则化损失函数对车辆 本地模型进行训练； E、 RSU接收训练后的车辆 本地模型， 并通过权 重平均更新全局模型； F、 根据更新后的全局模型对内容 流行度进行 预测， 并根据预测结果制定RSU缓存策略； 更新后的全局模型为： 其中， γ∈(0,1)是一个值固定的超 参数， ωr+1k是车辆k在下一通信回合的本地权重， 每 一辆车通过多次迭代进行本地更新， 公式表达如下： 其中， χk是权重聚合的参数， 取决于连接车辆在当前RSU通信范 围内的位置： χk＝Pk/Ls， Pk是车辆k离RSU入口的距离， Ls是RSU的覆盖范围； ηk是车辆k本地学习率， 取决于车辆k参与 RSU全局更新的时间， 用来 缓和存储的本地模 型和当前中心模型之间的时滞， 从而提高异 步 联邦学习中心模型的收敛性， 公式表达如下： ηk＝ ηTimestampk 其中， η是一个固定的值； 步骤F具体包括： F1、 依据每个连接的车辆用户内容检索历史， 建立车辆请求内容评分矩阵X,X∈Nm×c； 其 中m是RSU连接的车辆数目， c代 表每辆车请求的内容数； F2、 将评分矩阵X作为自动编码器的输入数据， 自动编码器发现车辆用户之间、 请求内 容之间关联性的潜在的特征， 考虑到潜在特征与车辆用户信息， 分别计算出车辆用户、 内容 相似性矩阵； F3、 基于当前车辆用户的相似度矩阵， 确定该车辆用户相邻K个的车辆用户， K个车辆用 户的历史请求内容与当前 车辆的历史请求内容结合构造一个历史检索矩阵K*； F4、 通过请求 内容相似矩阵来计算A*与K*之间相似性的均 值， 其中A*为当前车辆用户的 历史请求矩阵； F5、 选择相似度最高的Nt个内容作为 当前车辆用户的推荐内容， 每个连接的车辆用户将 他们的推荐列表上传到RSU， RSU接收到推荐列表后， 将所有上传列表车辆用户的推荐列表 进行聚合比较， 选择相似度最高的Nt个内容并缓存到RSU中。 2.如权利要求1所述的基于异步联邦学习的移动感知缓存方法， 其特征在于， 所述正则 化损失函数为： 其中， lk(ω)为车辆k的本地损失函数， ρ 为正则化参数， ωk为车辆k的本地模型参数， ω权　利　要　求　书 1/2 页 2 CN 113283177 B 3