工业物联网的网络属性预测方法及系统

专利主权项内容

1.工业物联网的网络属性预测方法，其特征在于，包括以下步骤：以工业物联网中的每个设备为图的节点，设备之间的连接为图的边，生成工业物联网网络结构信息图，并形成图数据保存在对应的分支中；每个分支中的图数据基于图神经网络模型提取不同尺度的节点特征并池化处理，池化处理后的特征经聚合后与原始图数据相加，作为输入数据；每个分支中的图数据基于图神经网络模型提取不同尺度的节点特征，具体为：基于不同尺度的卷积核并行的处理输入的图数据，以获取不同尺度的节点特征表示；多尺度特征提取由三个分支组成，每个分支采用不同大小卷积核进行多尺度特征提取操作，以1x1的卷积核为例，多尺度特征提取操作如下：；其中，/>是/>卷积操作的输出特征图，/>是输入特征图，/> 是/>卷积核，/>是偏置，/>是激活函数；池化处理后的特征经聚合后与原始图数据相加，作为输入数据，具体为：将每个分支池化操作后的特征聚合，基于残差连接将聚合后的特征与多尺度特征提取前的输入特征相加，得到输入数据；残差连接将每个多尺度分支中池化操作输出的特征矩阵与多尺度特征提取前的输入特征相结合，进一步补充和调整这些特征；残差连接的公式如下：；其中，/>表示残差连接的输出特征矩阵，/>表示多尺度池化部分的输出特征矩阵，表示主线流程中多尺度特征提取前的输入特征矩阵，/>表示残差连接中的权重参数，/>表示主线流程中的权重参数，/>表示激活函数；x每个分支通过训练图神经网络模型，确定各自模型的参数，在每个联邦学习轮次后聚合所有模型的参数，每个分支根据聚合后的参数更新模型并进行下一轮次的训练，直至达到设定训练次数；中央服务器执行模型参数的聚合，以获得全局模型的更新，并且传递给客户端继续进行下一轮次的训练；在中央服务器执行模型参数的聚合过程中，将差分隐私技术应用于客户端上传的局部模型参数中；利用输入数据和每个分支中训练完毕的图神经网络模型，得到物联网的网络属性；聚合所有模型的参数期间，在每个分支上传的模型参数数据中增加噪声；增加噪声，具体为：向查询结果添加Laplace噪声来实现差分隐私；Laplace分布是一个具有特定尺度参数的概率分布，能在模型参数上添加噪声以保护隐私；添加的噪声量与隐私预算成反比；模型参数为，客户端在上传参数时会添加差分隐私噪声：/>；其中，'是添加了差分隐私噪声的模型参数，是原始的未添加噪声的模型参数，/>表示均值为0，尺度参数为/>的Laplace噪声，/>是模型参数的全局敏感度；在联邦学习中，/>取决于模型参数的范围或梯度的范围。θθθ