Page 345 - 《软件学报》2025年第9期

4256 软件学报 2025 年第 36 卷第 9 期

多的良性参与者, 从而减少了有效的数据源并降低模型整体性能; 较小的阈值可能导致贡献较低的参与者未被检
测, 从而使模型继续遭受其影响 [37] . 最后, 我们对贡献度 λ 进行处理, 对于贡献度为负值的参与者, 我们将其设置
为 0. 与以往方法不同, 我们求解参与者贡献度的过程不仅保留了权重特征的高保真性, 也权衡了参与者之间的公
平性, 避免出现一些攻击者搭便车的情况. 算法 1 展示了求解参与者贡献度的流程.
算法 1. 求解参与者贡献度.

,
r ˆ r
输入: ¯ W W w ;
,
0
i
j
输出: λ i .
0 0
1. 基于 w 求解最后一层权重参数数 ˜ w ;
2. for r ∈ [0,R−1] do
¯ W ( ˆ W ) ∀i, j ∈ (1,...,K) & i , j;
r
r
3. 接收 K 个参与者上传的本地模型 ,
i j
{
}
r
r
r
r
r
¯ W ( ˆ W ) 的最后一层权重参数: ˜ w = ˜w , ˜w ,..., ˜w ;
4. 获取
i j 1 2 K
˜ w ˜w = ˜w − ˜w = { ˜w 1 , ˜w 2 ,..., ˜w K };
5. 更新 : 0
( )
2
1
2
1
1
2
6. 获得 ˜ w 的主特征: u = (u ,u ),...,(u ,u ),...,(u ,u ) ← PCA(( ˜w 1 , ˜w 2 ,..., ˜w K ),components = 2);
1
1
K
K
i
i
7. 对 ˜ w 求解余弦相似度: e cs = (e cs 1,1 , e cs 1,2 ,..., e cs i,j ,..., e cs K,K ) ← cos( ˜w 1 , ˜w 2 ,..., ˜w K );
( 1 2 1 2 1 2 )
8. 提取 e cs 的主特征: (s , s ),...,(s , s ),...,(s , s ) ← PCA(e cs 1,1 , e cs 1,2 ,..., e cs i,j ,..., e cs K,K );
1 1 i i K K
( )
9. 求解质心 : 1 2 1 2 1 2
ct ct ← Median (s , s ),...,(s , s ),...,(s , s ) ;
1 1 i i K K
10. cs = (cs 1 ,cs 2 ,...,cs K ) ← cos(u,ct);
r
11. 累计并存储贡献度: λ r+1 = λ +cs r+1 ;
i
i
i

q 1 ← Q 1 (λ,0.25)

12. 采用第一四分位数作为最佳阈值: ;


λ ← λ i −q 1
13. 归一化处理: λ = λ/max i (λ);
14. for i ∈ [1,K] do
15. if λ i < 0 then
16. λ i = 0
17. end if
18. end for
19. end for
20. return λ i

3.2 创建离散更新空间
在 CEFL 系统中, 云服务器首先为 G 初始化随机权重 w 和相应的分数 , 然后分发 G 给所有 E 个边缘服务
0
0
0
0
s
K 个参与者 w 和 ). 其中, 本文采用 Signed Kaiming Constant 算法 [38] w 以及 Kaiming Uniform 算
0
0
0
s
器和 (共享 生成
法 [39] 生成 s . 我们知道 FedDiscrete 的训练目标是在不改变权重大小的情况下搜索信誉度最高的边. 特别地, 在构
0
s 来求解
0
建离散更新空间的过程中, 我们仅考虑网络模型的卷积层和全连接层, 通过逐层排序模型连接边的分数
S . 所谓的排名是指向量从低到高排序后该向量元素对应的索引值, 本文使用 ARGSORT 函数计算.
0
初始全局排名 G
例如, 假设该网络模型存在 6 个边, 即 w = [w 0 ,w 1 ,w 2 ,w 3 ,w 4 ,w 5 ], 对应 s = [0.5,0.2,0.3,0.4,0.7,1.2], 则有 S = [1,2,
1
0
0
G
1
0
3,0,4,5], 这一过程形式化表示为 S ← ARGSORT(s ).
G
在客户端, 我们采用 edge-popup (EP) 算法 [38] 稀疏化网络模型, 以搜索子网络. EP 算法的核心思想是通过迭代
地移除网络中不重要的边 (连接权重), 达到减少网络参数数量、降低网络的规模和提高模型效率的目的. 具体地,
0 0 0 0 (i∈[1,E],0) ← G . 以第 轮为例, 边缘服务器共享
0
客户端首先接收来自云服务器端分发的 G (w 和 s ), 即 W i∈[1,K] ← W Edge r