基于选举策略的低空物联网稳定联邦学习方法

随着无人机(UAV,unmanned aerial vehicle)与物联网(IoT,Internet of things)技术的深度融合,低空物联网中传输了大量包含敏感信息的数据,存在严重的隐私泄露风险。联邦学习(FL,federated learning)允许多个参与者共同训练模型而无须共享敏感数据,为低空物联网安全应用提供了隐私保护的方案。但是,随着应用场景越来越丰富,节点异构性、网络动态性等特点导致低空物联网下的联邦学习非常不稳定。提出了一种结合Raft选举算法和权重计算的新型联邦学习方法(FedPRE-W,federated fearning based on proxy Raft election and weight calculation),提高了联邦学习的稳定性和效率。针对遮挡、网络动态变化以及节点能量耗尽等导致的代理设备中断问题,通过Raft选举算法选举新的代理设备,保障联邦学习的稳定性。结合节点异构性,通过计算节点权重,选举性能强的节点当选代理,提升了联邦学习的效率。最后,在公开数据集上对所提方法进行验证,结果显示,FedPRE-W算法在减少通信轮数、加速模型收敛以及提高系统稳定性等方面有显著优势。该方法为低空物联网进行安全、稳定、高效的联邦学习提供了一种可行的解决方案。