(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 202211002744.8 (22)申请日 2022.08.22 (65)同一申请的已公布的文献号 申请公布号 CN 115080249 A (43)申请公布日 2022.09.20 (73)专利权人 南京可信区块链与算法经济 研究 院有限公司 地址 210031 江苏省南京市中国 （江苏） 自 由贸易试验区南 京片区研创园团结路 99号孵鹰大厦1515室 (72)发明人 石宁　白光伟　吴赟寒　沈航　 钟亮亮　 (74)专利代理 机构 北京弘权知识产权代理有限 公司 11363 专利代理师 逯长明　占园(51)Int.Cl. G06F 9/50(2006.01) G06N 20/00(2019.01) H04L 67/12(2022.01) (56)对比文件 CN 112817653 A,2021.0 5.18 审查员 殷娉 (54)发明名称 一种基于联邦学习的车联网多维资源分配 方法及系统 (57)摘要 本申请公开了一种基于联邦学习的车联网 多维资源分配方法及系统， 所述方法包括： 获取 若干个MEC服务器发送的模型数据； 所述MEC服务 器配置在不同地理区域的基站内； 所述模型数据 为MEC服务器根据所处地理区域内的所有车辆 反 馈的车辆性能参数， 采用本地模型训练得到； 将 获得的模型数据聚合处理， 得到全局模型参数； 发送所述全局模型参数至反馈所述模型数据的 MEC服务器； 获取MEC服务器反馈的多维资源消耗 量预测值； 所述多维资源消耗量预测值为MEC服 务器根据所述全局模型参数对单位时间内消耗 的多维资源量进行训练得到； 根据所述多维资源 消耗量预测值确定对各个MEC服务器的资源分配 值。 权利要求书2页 说明书8页 附图5页 CN 115080249 B 2022.12.16 CN 115080249 B 1.一种基于联邦学习的车 联网多维资源分配方法， 其特 征在于， 所述方法包括： 获取若干个MEC服务器发送的模型数据； 所述MEC服务器配置在不同地理区域的基站 内； 所述模型数据为MEC服务器根据所 处地理区域内的所有 车辆反馈的车辆性能参数， 采用 本地模型训练得到； 所述模型数据还包括多维资源消耗量， 所述MEC服务器根据位于所处地理区域内的所 有车辆反馈的车辆性能参数， 所述多维资源消耗 量的约束包括： Mi(t)={si(t),dei(t),ri(t)}； 其中， Mi(t)表示计算任务， si(t)表示计算Mi(t)所需输入的数据大小， dei(t)表示Mi (t)的完成最大允许时延， ri(t)表示完成Mi(t)所需的CPU周期数； 将获得的模型 数据聚合处 理， 得到全局模型参数； 发送所述全局模型参数至反馈所述模型 数据的MEC服务器； 获取MEC服务器反馈的多维资源消耗量预测值； 所述多维资源消耗量预测值为MEC服务 器根据所述全局模型参数对单位时间内消耗的多维资源量进行训练得到； 根据所述多维资源消耗 量预测值确定对各个M EC服务器的资源分配值。 2.根据权利要求1所述的一种基于联邦学习的车联网多维资源分配方法， 其特征在于， 将获得的模型 数据聚合处 理， 得到全局模型参数的步骤 包括： 使用联邦平均算法对获得的所述模型 数据聚合处 理。 3.根据权利要求2所述的一种基于联邦学习的车联网多维资源分配方法， 其特征在于， 使用联邦平均算法对获得的所述模型 数据聚合处 理的步骤 包括： 生成初始全局模型参数； 根据所述模型 数据和所述初始全局模型参数生成阶段性全局模型参数； 将所述阶段性全局模型参数发送至所述M EC服务器； 所述MEC服务器根据 所述阶段性全局模型参数的训练结果判断所述阶段性全局模型参 数是否收敛： 若是， 生成所述全局模型参数。 4.权利要求3所述的一种基于联邦学习的车联网多维资源分配方法， 其特征在于， 所述 方法还包括： 若否， 则重新执行所述根据 所述模型数据和所述初始全局模型参数生成阶段性全局模 型参数的步骤。 5.根据权利要求1所述的一种基于联邦学习的车联网多维资源分配方法， 其特征在于， 所述车辆性能参数包括任务 生成情况， 网络连接情况， 车 载设备性能。 6.一种基于联邦学习的车联网多维资源分配系统， 其特征在于， 包括云服务中心和MEC 服务器， 所述云服 务中心被 配置为执 行下列方法： 获取若干个所述MEC服务器发送的模型数据； 所述MEC服务器配置在不同地理区域的基 站内； 所述模型数据为MEC服务器根据所 处地理区域内的所有 车辆反馈的车辆性能参数， 采 用本地模型训练得到； 所述模型数据还包括多维资源消耗量， 所述MEC服务器根据位于所处地理区域内的所 有车辆反馈的车辆性能参数， 所述多维资源消耗 量的约束包括： Mi(t)={si(t),dei(t),ri(t)}；权　利　要　求　书 1/2 页 2 CN 115080249 B 2其中， Mi(t)表示计算任务， si(t)表示计算Mi(t)所需输入的数据大小， dei(t)表示Mi (t)的完成最大允许时延， ri(t)表示完成Mi(t)所需的CPU周期数； 将获得的模型 数据聚合处 理， 得到全局模型参数； 发送所述全局模型参数至反馈所述模型 数据的MEC服务器； 获取MEC服务器反馈的多维资源消耗量预测值； 所述多维资源消耗量预测值为MEC服务 器根据所述全局模型参数对单位时间内消耗的多维资源量进行训练得到； 根据所述多维资源消耗 量预测值确定对各个M EC服务器的资源分配值。权　利　要　求　书 2/2 页 3 CN 115080249 B 3