面向异构场景的智能运维联邦学习算法

面向航天器等核心设备设计智能运维方法是构建自主运维能力的关键.得益于机器学习技术的发展,近年来出现的数据驱动智能运维方法极大提升了设备自主能力.然而,航天器设备日益呈现集群化的趋势,传统的智能运维方法面临分布式建模和隐私保护2个关键挑战.利用联邦学习框架构建智能运维模型是解决上述挑战的一种可行思路.航天器设备通常处于计算、通信等资源极为受限的工作环境,不同设备在数据分布、计算能力等方面呈现明显的异构特点,会极大影响联邦学习的性能.因此,针对上述异构特点,利用模型聚簇的思想,设计异构场景下的联邦学习方法,支持各航天器节点间的训练节奏调整,减少不同节点间的同步等待时间,支持面向各节点特征的模型构建,提升运维模型的构建性能.实验结果表明所提出的方法是有效的.