(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111647680.2 (22)申请日 2021.12.2 9 (71)申请人 阿里云计算有限公司 地址 310024 浙江省杭州市西湖区转塘科 技经济区块12号 申请人 南洋理工大 学 (72)发明人 程彦宇　卢建元　D·尼亚托　 吕彪　康嘉文　祝顺民　 (74)专利代理 机构 北京展翼知识产权代理事务 所(特殊普通 合伙) 11452 专利代理师 张阳 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/063(2006.01) G06N 3/08(2006.01) (54)发明名称 移动边缘计算中深度学习模型训练方法及 相应系统 (57)摘要 公开了一种移动边缘计算中深度学习模型 训练方法及其相应系统。 所述方法包括： 获取经 训练的初始模 型， 修改所述初始模 型以获取当前 任务模型； 将所述当前任务模型以及所述初始模 型的参数下发给多个客户端， 用于所述多个客户 端各自进行初始训练； 基于所述多个客户端的初 始训练结果， 选取预测准确率最高的客户端组 合； 以及获取客户端组合中每个客户端的正式训 练结果并生成当前任务模型的参数。 本发明通过 对已有模型的知识迁移和客户端本地训练的汇 总来实现在客户端自身数据仅能用于本地训练 情况下的模 型训练， 并且通过对参与正式模型训 练的客户端进行筛选， 进一步提升训练效率并剔 除不可靠的客户端。 权利要求书2页 说明书11页 附图3页 CN 114528972 A 2022.05.24 CN 114528972 A 1.一种移动边 缘计算中深度学习模型训练方法， 包括： 获取经训练的初始模型， 修改所述初始模型以获取当前任务模型； 将所述当前任务模型以及所述初始模型的参数下发给多个客户端， 用于所述多个客户 端各自进行初始训练； 基于所述多个客户端的初始训练结果， 选取 预测准确率 最高的客户端组合； 以及 获取客户端组合中每 个客户端的正式训练结果并生成当前任务模型的参数。 2.如权利要求1所述的方法， 其中， 修改所述初始模型以获取当前任务模型包括： 基于当前任务的分类需求， 修改所述初始模型的全连接层， 获取包含新全连接层的所 述当前任务模型， 并且 将所述当前任务模型以及所述初始模型的参数 下发给多个客户端包括： 将所述当前任务模型以及除被修改层之外的初始参数提供给所述多个客户端， 其中， 所述多个客户端在保持未被修改层的初始参数的情况下进行更新所述新全连接层参数的 训练。 3.如权利要求1所述的方法， 其中， 基于所述多个客户端的初始训练结果， 选取预测准 确率最高的客户端组合包括： 利用预测准确率作为奖励， 是否包含某一客户端作为行动， 自学习地从所述多个客户 端中选出不超过阈值个数的所述 客户端组合。 4.如权利要求3所述的方法， 基于所述多个客户端的初始训练结果， 选取预测准确率最 高的客户端组合包括： 设置待选取客户端组合的阈值个数； 以及 将所述阈值个数设置为所述自学习的学习条件。 5.如权利要求3所述的方法， 还 包括： 基于某些客户 端组合下所述预测准确率的劣化， 判定这些组合中存在的不可靠客户 端。 6.如权利要求5所述的系统， 还 包括： 向所述多个客户端中除所述不可靠客户端之外的其他客户端下发经训练的当前任务 模型， 用于所述多个客户端各自进行针对当前任务的预测。 7.如权利要求1所述的方法， 其中， 在所述多个客户端包括新客户端和/或收集到新数 据的客户端的情况下， 基于所述当前任务模型参数进 行客户端组合的更新选取和所述当前 任务模型参数的更新训练操作。 8.一种移动边 缘计算系统， 包括： 用于执行如权利要求1 ‑7中任一项所述方法的边 缘服务器， 以及 所述多个客户端， 其中， 所述多个客户端使用各自的初始训练数据集进行所述初始训练， 所述边缘服务 器使用不涉及客户端 数据的验证数据集进 行客户端组合选取， 并且所述客户端组合中每个 客户端使用各自的训练数据集进行正式训练。 9.如权利要求8所述的系统， 其中， 所述边缘服务器通过选择所述客户端组合识别不可 靠客户端， 并进行客户端不可靠的警告。 10.一种移动边 缘计算中入侵检测模型训练方法， 包括：权　利　要　求　书 1/2 页 2 CN 114528972 A 2获取来自源域经训练 的初始入侵检测模型及其参数， 将所述初始模型的全连接层替换 为符合当前任务分类的新全连接层， 以获取当前任务模型； 将所述当前任务模型的初始参数下发给多个客户端， 用于所述多个客户端各自使用自 身获取的初始训练数据进行初始训练； 获取所述多个客户端的初始训练结果， 基于强化学习选取预测准确率最高且不超过阈 值个数的客户端组合； 以及 基于客户端组合中每个客户端使用自身获取的训练数据针对所述新全连接层的训练 结果生成当前任务模型参数。 11.一种计算设备， 包括： 处理器； 以及 存储器， 其上存储有可执行代码， 当所述可执行代码被所述处理器执行时， 使所述处理 器执行如权利要求1 ‑7或10中任一项所述的方法。 12.一种非暂时性机器可读存储介质， 其上存储有可执行代码， 当所述可执行代码被电 子设备的处 理器执行时， 使所述处 理器执行如权利要求1 ‑7或10中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114528972 A 3