买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京数道智算科技有限公司;北京青云科技集团股份有限公司;首创证券股份有限公司申请的专利一种联邦学习驱动的算力弹性调度方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120806069B 。

龙图腾网通过国家知识产权局官网在2026-02-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510930302.7，技术领域涉及：G06N3/098；该发明授权一种联邦学习驱动的算力弹性调度方法是由甄鉴;王竞宇;刘杰;梁朝东;伏劲松;徐威;苗慧;王士郁;李金闪设计研发完成，并于2025-07-07向国家知识产权局提交的专利申请。

本一种联邦学习驱动的算力弹性调度方法在说明书摘要公布了：本发明涉及公交系统技术领域，具体公开了一种联邦学习驱动的算力弹性调度方法，包括以下步骤：S1动态算力感知：实时监测联邦学习参与设备的算力指标，生成动态资源向量；S2弹性分片生成：根据所述动态资源向量，将全局联邦模型拆分为差异化子模型分片；S3自适应调度：基于设备算力波动和分片计算复杂度，动态分配子模型分片至匹配设备；S4联邦训练执行：设备在本地训练分配的子模型分片，生成局部梯度更新；S5增量聚合更新。本发明通过动态感知、弹性分片、智能调度和安全聚合的全流程优化，实现了联邦学习场景下算力资源的高效利用、任务的自适应分配及数据隐私的强化保护，显著提升了分布式机器学习系统的性能与鲁棒性。

本发明授权一种联邦学习驱动的算力弹性调度方法在权利要求书中公布了：1.一种联邦学习驱动的算力弹性调度方法，其特征在于，包括以下步骤： S1动态算力感知：实时监测联邦学习参与设备的算力指标，生成动态资源向量； S2弹性分片生成：根据所述动态资源向量，将全局联邦模型拆分为差异化子模型分片； S3自适应调度：基于设备算力波动和分片计算复杂度，动态分配子模型分片至匹配设备； S4联邦训练执行：设备在本地训练分配的子模型分片，生成局部梯度更新； S5增量聚合更新：聚合局部梯度更新，生成全局模型并触发下一轮弹性调度迭代； 步骤S1中的动态资源向量表示为： ； 其中：为设备的综合算力指数，通过以下公式计算： ； 其中：为权重系数；为电池衰减因子；为当前电池功耗速率； 为当前可用内存；为剩余电池容量；为实时网络上行带宽； 为空闲CPU核心数，为总CPU核心数，为空闲内存容量，为总内存容量，为当前电池功耗速率； 引入强化学习模块，以动态资源向量为状态输入，结合历史调度数据，通过奖励函数优化算力指标权重系数和；同时，当设备处于不同工作模式时，自动切换对应的算力评估策略，实现更精准的算力感知； 步骤S2中的子模型分片大小与目标设备算力匹配： ； 其中：为设备允许的最大分片尺寸；为负载均衡系数，且；为当前可用设备集合；为全局模型总参数量； 增加异构设备协同分片策略，对于不同架构的设备，根据其计算优势，对模型进行分层分片；同时，引入模型敏感度分析，对于敏感数据相关的模型部分，优先分配给可信设备进行训练，并在训练过程中采用同态加密技术对数据进行保护； 步骤S3的自适应调度引入分片‑设备匹配度函数： ； 其中：为子模型分片的理论计算耗时，且与正相关；为分片的梯度数据量； 调度选择匹配度最高的设备‑分片组合，且满足，为动态阈值；此外，建立设备健康度评估体系，综合设备的运行时长、故障率因素计算设备健康度，当设备健康度低于阈值时，限制其承接新的分片任务，并优先将其正在处理的分片迁移至健康设备； 所述步骤S3进行自适应调度包括以下步骤： 步骤S3.1：根据子模型分片大小，结合设备计算能力参数，计算每个子模型分片在各设备上的理论计算耗时； 步骤S3.2：估算每个子模型分片的梯度数据量； 步骤S3.3：根据公式； 计算每个设备与子模型分片的匹配度；步骤S3.4：计算当前可用设备集合中设备的综合算力指数中位数，确定满足的设备子集； 步骤S3.5：从满足条件的设备子集中，选择与各子模型分片匹配度最高的设备‑分片组合进行任务分配； 步骤S3.6：根据设备的运行时长、历史故障率数据，计算设备健康度； 步骤S3.7：若设备健康度低于阈值，将该设备正在处理的分片迁移至健康度高的设备，并限制其承接新的分片任务。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京数道智算科技有限公司;北京青云科技集团股份有限公司;首创证券股份有限公司，其通讯地址为：100102 北京市朝阳区望京东路1号1层101内1A022；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。