(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210609580.9 (22)申请日 2022.05.31 (65)同一申请的已公布的文献号 申请公布号 CN 114691342 A (43)申请公布日 2022.07.01 (73)专利权人 蓝象智联 （杭州） 科技有限公司 地址 311121 浙江省杭州市余杭区仓前街 道鼎创财富中心 2幢3012室 (72)发明人 朱振超　宋鎏屹　裴阳　 (74)专利代理 机构 北京知果之信知识产权代理 有限公司 1 1541 专利代理师 高科 (51)Int.Cl. G06F 9/48(2006.01) G06F 9/445(2018.01)G06N 20/00(2019.01) (56)对比文件 CN 113011522 A,2021.0 6.22 方俊杰等.面向边 缘人工智能计算的区块链 技术综述. 《应用科 学学报》 .2020,第38卷(第01 期),全文. 审查员 刘启军 (54)发明名称 一种联邦学习算法组件优先级调度实现方 法、 装置及存 储介质 (57)摘要 本发明实施例公开了一种联邦学习算法组 件优先级调度实现方法、 装置及存储介质， 其中 联邦学习算法组件优先级调度实现方法包括步 骤： 获取算法组件的执行流程， 将算法组件的执 行流程解析为有向无环图， 并且将有向无环图进 行反转， 生成反向有向无环图； 对反向有向无环 图进行拓 扑排序， 生成执行序列； 遍历执行序列， 计算出各个节 点的执行权重， 执行权重为节点的 节点自身权重加上节点的节点入度权重， 基于执 行权重的大小， 将执行序列进行降序排列， 得到 节点对应的所述算法组件的优先级调度顺序。 通 过上述方法， 根据生成的执行序列， 计算出执行 权重， 根据执行权重来定义算法组件的执行顺 序， 从而实现算法组件之间按照优 先级进行自动 调度。 权利要求书1页 说明书7页 附图2页 CN 114691342 B 2022.09.20 CN 114691342 B 1.一种联邦学习算法组件 优先级调度实现方法， 其特 征在于， 包括以下步骤： 获取算法组件的执行流程， 将所述算法组件的执行流程解析为有向无环图， 并且将所 述有向无环图进行反转， 生成反向有向无环图； 对所述反向有向无环图进行拓扑排序， 生成执 行序列； 遍历所述执行序列， 计算出各个节点的执行权重， 所述执行权重为所述节点的节点自 身权重加上所述节点的节点入度权重， 所述节点入度权重的计算公式为B=1/n*C1+1/n*C2 +...+1/n*Cn， 其中， B为所述节 点入度权重， n为当前节点的入度边数， C1为所述当前节点的 第一个下游节点的所述执行权重， C2为所述当前节点的第二个下游节点的所述执行权重， Cn为所述当前节点的第n个下游 节点的所述执 行权重； 基于所述执行权重的大小， 将所述执行序列进行降序排列， 得到所述节点对应的所述 算法组件的优先级调度顺序。 2.根据权利要求1所述的联邦学习算法组件优先级调度实现方法， 其特征在于， 所述节 点自身权 重包括计算权 重、 分类权 重和/或深度权 重。 3.根据权利要求2所述的联邦学习算法组件优先级调度实现方法， 其特征在于， 所述节 点自身权重的计算公式为： A=a1*0.5+a2*0.3+a3*0.2， 其中A为所述节点自身权重， a1为计 算权重， a2为分类权 重， a3为深度权 重。 4.根据权利要求2所述的联邦学习算法组件优先级调度实现方法， 其特征在于， 得到所 述分类权重的方法包括： 初始 化所述算法组件， 对 所述算法组件进 行分类， 基于所述分类对 每个所述算法组件设置所述分类权 重。 5.根据权利要求2所述的联邦学习算法组件优先级调度实现方法， 其特征在于， 所述计 算权重通过人工设置， 每 个所述算法组件初始化后的所述计算权 重的默认值均为1。 6.根据权利要求2所述的联邦学习算法组件优先级调度实现方法， 其特征在于， 得到所 述深度权重的方法包括： 在生成所述反向有向无环图之后， 根据每个所述算法组件所处的 深度， 设置所述 算法组件的所述深度权 重。 7.一种联邦学习算法组件 优先级调度实现装置， 其特 征在于， 包括： 存储器； 以及 与所述存 储器连接的处 理器， 所述处 理器被配置成： 获取算法组件的执行流程， 将所述算法组件的执行流程解析为有向无环图， 并且将所 述有向无环图进行反转， 生成反向有向无环图； 对所述反向有向无环图进行拓扑排序， 生成执 行序列； 遍历所述执行序列， 计算出各个节点的执行权重， 所述执行权重为所述节点的节点自 身权重加上所述节点的节点入度权重， 所述节点入度权重的计算公式为B=1/n*C1+1/n*C2 +...+1/n*Cn， 其中， B为所述节 点入度权重， n为当前节点的入度边数， C1为所述当前节点的 第一个下游节点的所述执行权重， C2为所述当前节点的第二个下游节点的所述执行权重， Cn为所述当前节点的第n个下游 节点的所述执 行权重； 基于所述执行权重的大小， 将所述执行序列进行降序排列， 得到所述节点对应的所述 算法组件的优先级调度顺序。 8.一种计算机存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序被机器 执行时实现如权利要求1至 6中任一项所述的方法的步骤。权　利　要　求　书 1/1 页 2 CN 114691342 B 2一种联邦学习算法组件优 先级调度实现方 法、 装置及存储 介质 技术领域 [0001]本发明涉及计算机技术领域， 具体涉及一种联邦学习算法组件优先级调度实现方 法、 装置及存 储介质。 背景技术 [0002]在数据日益增加， 数据联系日益紧密的今天， 由于用户隐私和法律法规等问题， 许 多数据之间不能互通， 产生了许多 “数据孤岛 ”。 联邦学习 （Federated  Learning） 这一概念 由Google在2017年提出， 旨在于解决跨设备之间的联合建模问题， 该方案为上述问题提供 了一种可行的解法。 建模人员 在建模过程中， 通常需要历经数据读写， 数据预处理， 统计分 析， 特征工程， 机器学习， 预测以及评估等流程。 在联邦 建模平台上， 这些操作都会映射为联 邦学习的算法组件， 算法组件之 间存在建模流程中的调用依赖， 先后执行关系。 建模任务提 交后， 建模任务在后端会被解析为有向无环图， 通过对有向无环图进 行拓扑排序后， 生 成线 性执行序列。 后续调度系统按照线性执 行序列， 对算法组件进行调度执 行。 [0003]在现有技术中， 无法自定义算法组件执行顺序。 当前算法组件的执行顺序， 依赖于 有向无环图的拓扑排序， 建模人员根据自己的理解去控制算法组件的执行顺序。 例如， 我们 通常会希望下游节点多的组件要比下游节点少的组件能更早的执行， 或者是在一些建模场 景下， LR通常会比XGBoost运行更快， 我们希望LR算法组件能比XGBoost更早的执行， 这样能 提前看到建模的效果。 但是， 单 纯的依靠 拓扑排序， 是 无法提供这种能力的。 发明内容 [0004]本发明实施例的目的在于提供一种联邦学习算法组件优先级调度实现方法、 装置 及存储介质， 用以解决现有技术无法自定义算法组件执行顺序， 因而造成无法实现算法组 件间按照优先级 进行自动调度的问题。 [0005]为实现上述目的， 本发明实施例提供一种联邦学习算法组件优先级调度实现方 法， 包括步骤： 获取算法组件的执行流程， 将所述算法组件的执行流程解析为有向无环图， 并且将所述有向无环图进行反转， 生成反向有向无环图； 对所述反向有向无环图进行拓扑 排序， 生成执行序列； 遍历所述执行序列， 计算出各个节点的执行权重， 所述执行权重为所 述节点的节点自身权重加上所述节点的节点入度权重； 基于所述执行权重的大小， 将所述 执行序列进行降序排列， 得到所述对应的所述 算法组件的优先级调度顺序。 [0006]可选地， 所述节点自身权 重包括计算权 重、 分类权 重和/或深度权 重。 [0007]可选地， 所述节点自身权重的计算公式为： A=a1*0.5+a2*0.3+a3*0.2， 其中A为所 述节点自身权 重， a1为计算权 重， a2为分类权 重， a3为深度权 重。 [0008]可选地， 得到所述分类权重的方法包括： 初始化所述算法组件， 对所述算法组件进 行分类， 基于所述分类对每 个所述算法组件设置所述分类权 重。 [0009]可选地， 所述计算权重通过人工设置， 每个所述算法组件初始化后的所述计算权说　明　书 1/7 页 3 CN 114691342 B 3