2023年5月JournalonCommunicationsMay2023第44卷第5期通信学报Vol.44No.5基于激励机制的联邦学习优化算法田有亮1,2,3，吴柿红1,2，李沓1,2，王林冬1,2，周骅4（1.贵州大学公共大数据国家重点实验室，贵州贵阳550025；2.贵州大学计算机科学与技术学院，贵州贵阳550025；3.贵州大学密码学与数据安全研究所，贵州贵阳550025；4.贵州大学大数据与信息工程学院，贵州贵阳550025）摘要：针对联邦学习的训练过程迭代次数多、训练时间长、效率低等问题，提出一种基于激励机制的联邦学习优化算法。首先，设计与时间和模型损失相关的信誉值，基于该信誉值，设计激励机制激励拥有高质量数据的客户端加入训练。其次，基于拍卖理论设计拍卖机制，客户端通过向雾节点拍卖本地训练任务，委托高性能雾节点训练本地数据从而提升本地训练效率，解决客户端间的性能不均衡问题。最后，设计全局梯度聚合策略，增加高精度局部梯度在全局梯度中的权重，剔除恶意客户端，从而减少模型训练次数。关键词：联邦学习；激励机制；信誉值；拍卖策略；聚合策略中图分类号：TN92文献标志码：ADOI:10.11959/j.issn.1000−436x.2023095FederatedlearningoptimizationalgorithmbasedonincentivemechanismTIANYouliang1,2,3,WUShihong1,2,LITa1,2,WANGLindong1,2,ZHOUHua41.StateKeyLaboratoryofPublicBigData,GuizhouUniversity,Guiyang550025,China2.CollegeofComputerScienceandTechnology,GuizhouUniversity,Guiyang550025,China3.InstituteofCryptography&DataSecurity,GuizhouUniversity,Guiyang550025,China4.CollegeofBigDataandInformationEngineering,GuizhouUniversity,Guiyang550025,ChinaAbstract:Federatedlearningoptimizationalgorithmbasedonincentivemechanismwasproposedtoaddresstheissuesofmultipleiterations,longtrainingtimeandlowefficiencyinthetrainingprocessoffederatedlearning.Firstly,therepu-tationvaluerelatedtotimeandmodellosswasdesigned.Basedonthereputationvalue,anincentivemechanismwasde-signedtoencourageclientswithhigh-qualitydatatojointhetraining.Secondly,theauctionmechanismwasdesignedbasedontheauctiontheory.Byauctioninglocaltrainingtaskstothefognode,thecliententrustedthehigh-performancefognodetotrainlocaldata,soastoimprovetheefficiencyoflocaltrainingandsolvetheproblemofperformanceim-balancebetweenclients.F...
