T/SIGA 003-2024 智能制造联邦学习应用指南

ICS35.240.50

CCSL67T/SIGA

团体标准

T/SIGA003—2024

智能制造联邦学习应用指南

Guidanceforfederatedlearningapplicationofintelligentmanufacturing

2024-08-27发布2024-08-28实施

上海市图像图形学学会发布

学会学会

T/SIGA003—2024

目次

前言...................................................................................I

1范围.................................................................................1

2规范性引用文件.......................................................................1

3术语和定义...........................................................................1

4缩略语...............................................................................3

5架构.................................................................................3

6分类.................................................................................4

7参与方角色...........................................................................4

8实现过程.............................................................................5

9软件系统.............................................................................6

附录A（资料性）智能制造联邦学习实现过程流程图.........................................12

附录B（资料性）评价指标计算公式.......................................................13

参考文献..............................................................................15

T/SIGA003—2024

前言

本文件依据GB/T1.1—2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定

起草。

请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。

本文件由上海市图像图形学学会归口。

本文件起草单位：上海工程技术大学、东华大学、上海富数科技有限公司、公安部第三研究所、上

海交通大学、上海保隆汽车科技股份有限公司、晋拓科技股份有限公司。

本文件主要起草人：赵晓丽、方志军、罗光圣、王国中、李高健、卞阳、杨天雅、李倩、姚晨、周

军、黄军林、吴天磊、张东、韩乔。

I

T/SIGA003—2024

智能制造联邦学习应用指南

1范围

本文件给出了面向智能制造的联邦学习架构、分类、参与方角色、实现过程和软件系统等应用指南。

本文件适用于智能制造的联邦学习系统部署、开发和应用。

2规范性引用文件

本文件没有规范性引用文件。

3术语和定义

下列术语和定义适用于本文件。

3.1

联邦学习federatedlearning

一种分布式机器学习技术，其核心思想是通过在多个拥有本地数据的数据源之间进行分布式模型训

练，在不需要交换本地个体或样本数据的前提下，仅通过交换模型参数或中间结果的方式，构建基于虚

拟融合数据下的全局模型，从而实现数据隐私保护和数据共享计算的平衡，即“数据可用不可见”“数

据不动模型动”的应用新模式。

[来源：IEEEP3652.1—2020，1.1，有修改]

3.2

联邦簇federatedcluster

以相同数据方案在资产数据上训练的模型的所有学习任务。

3.3

联邦学习任务federatedlearningtask

需要用算法训练的机器学习模型，简称任务。

3.4

联邦学习计划federatedlearningprogram

对应一个联邦学习任务，表示联邦学习服务器和相关联邦学习客户端的联邦执行指令。

3.5

联邦学习软件系统federatedlearningsystem

一套完整的、严密的用于实现联邦学习功能的软件。

3.6

元数据metadata

数据集的字段信息，如字段名、字段类型、字段信息等。

3.7

局部模型localmodel

各个客户端的模型。

3.8

1

T/SIGA003—2024

全局模型globalmodel

各个客户端联邦聚合后的模型。

3.9

参与方participant

一个或一组自然人或法人，指参与联邦学习互联互通任务的主体，包含发起方、数据方、算法方、

计算方、结果方、协调方等多种角色。

3.10

算法组件algorithmcomponent

用于执行计算任务的一种可代替、可组合的部件，封装了算法功能的实现并提供一系列可用的接口。

3.11

同构homogeneity

多个相同类型的样本参与完成一件事情。

3.12

异构heterogeneity

多个不同类型的样本参与完成一件事情。

3.13

资产assets

数据的来源，包括各种传感器、加工设备、机器人等。

3.14

客户端end

位于联邦学习模型的最底层，能执行简单的计算来训练和评价模型，简称端。

3.15

诚实客户端honestend

遵循协议规定、诚实地提供数据或执行计算任务的客户端。

3.16

半诚实客户端semi—honestend

按照协议规定进行操作，但同时会尝试从其他方的输入或计算过程中获取更多信息的客户端。

3.17

恶意客户端maliciousend

试图挖掘其他参与方隐私信息的客户端。

3.18

边edge

边缘设备，位于联邦学习模型的中间，常边缘设备比客户端有更强的计算能力，一般位于工厂的不

同部门或不同的工厂。

3.19

云cloud

中心服务器，位于联邦学习模型的最高层，具有更大的计算能力。

3.20

键值key-value

根据关键字取值，具有极高的并发读写性能。

3.21

节点node

互联互通网络的基本组成单元，对外提供交互接口。

2

T/SIGA003—2024

4缩略语

下列缩略语适用于本文件。

API（applicationprogramminginterface）：应用程序接口

HMAC（hash—basedmessageauthenticationcode）：密钥相关的哈希运算消息认证码

HTTPS（hypertextTransferprotocoloversecuresocketlayer）：超文本安全传输协议

RPC（remoteprocedurecall）：远程过程调用

TCP（transmissioncontrolprotocol）：传输控制协议

TLS（transportlayersecurity）：传输层安全协议

UDP（userdatagramprotocol）：用户数据报协议

VPN（virtualprivatenetwork）：虚拟专用网络

XML（extensiblemarkuplanguage）：可扩展标记语言

QPS（Queriespersecond）：每秒查询率

5架构

5.1智能制造联邦学习框架是分层联邦学习架构。第一层联邦学习的对象是针对相同设备产生的数据，

这些数据具有相同的特征和模态，也就是同构数据；第二层联邦学习是针对不同部门或不同工厂边缘设

备的数据，这些数据具有不同的特征和模态，也就是异构数据。

5.2整个联邦学习模型如图1所示。模型基于工业互联网架构，由云边端组成，即客户端、边缘设备

和可信第三方服务器。

图1