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！

龙图腾网获悉南京邮电大学申请的专利工业物联网中基于声誉机制的数字孪生激励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：CN116827982B 。

龙图腾网通过国家知识产权局官网在2026-03-31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：202310502011.9，技术领域涉及：H04L67/12；该发明授权工业物联网中基于声誉机制的数字孪生激励方法是由刘竞天;余雪勇;邱宇琦;董骐华设计研发完成，并于2023-05-06向国家知识产权局提交的专利申请。

本工业物联网中基于声誉机制的数字孪生激励方法在说明书摘要公布了：本发明属于联邦学习与边缘计算技术领域，公开了一种工业物联网中基于声誉机制的数字孪生激励方法，该方法由短期激励机制与长期激励机制即声誉管理机制结合而成的激励机制完成，包括步骤1：构建数字孪生体传输模型；步骤2：设计数字孪生体的类型，进行分类；步骤3：利用联邦学习对数字孪生体进行模型聚合，对边缘数字孪生体进行补偿，得出每个数字孪生体设备的效用以及任务发布者的效用，对每次数字孪生体的联邦学习进行延迟分析；步骤4：设计公平稳定的联邦学习模型。本发明一种混合的长短期激励机制加入进边缘服务器中的数字孪生体与云端的联邦学习之中，避免数字孪生体与云端之间的信息传输出现误差和不准确性。

本发明授权工业物联网中基于声誉机制的数字孪生激励方法在权利要求书中公布了：1.一种工业物联网中基于声誉机制的数字孪生激励方法，其特征在于：所述数字孪生激励方法由短期激励机制即基于合同的激励机制与长期激励机制即声誉管理机制结合而成的激励机制完成，具体包括如下步骤： 步骤1：构建一个工业物联网的数字孪生体传输模型； 步骤2：设计了数字孪生体的类型，对数字孪生体进行分类； 步骤3：利用联邦学习对数字孪生体进行模型聚合，利用合同理论对边缘数字孪生体进行对应的补偿，同时得出每个数字孪生体设备的效用以及任务发布者的效用，最后再对每次数字孪生体的联邦学习进行延迟分析； 步骤4：设计一个公平稳定的联邦学习模型FRFL应对联邦学习过程中存在的威胁，优化问题以设计出基于合同的激励机制与声誉管理机制，其中， 所述步骤3的联邦学习过程中，每个任务发布者都需要定期从一组数字孪生体中获取训练好的局部模型，任务k的任务发布者为所有独立的数字孪生体提供合同 为每个全局迭代中的最大等待延迟，为数字孪生体的已分配模型利润的比例，为J个数据奖励合同项目的集合目，合同项指定了每种数字孪生体所需的数据大小，任务k和奖励之间的关系； 步骤3得出的每个数字孪生体设备的效用为：在第n次全局迭代中，选择合同项的j型数字孪生体的效用表示为 其中：是指数字孪生体在联邦学习任务k的第n次全局迭代中的总计算和传输的时间，是数字孪生体的声誉值，在任务k的第n次全局迭代中，参与的数字孪生体的数量为=，是j型数字孪生体的数量 = =； 步骤3中对每次数字孪生体的联邦学习进行延迟分析具体为： 数字孪生体i在联邦学习任务k的第n次全局迭代中的延迟由模型参数中的数字孪生体i所在的设备的本地计算时间和无线传输时间组成，其中，本地计算时间： 是局部迭代次数，是数字孪生体i所在的设备在使用一个数据样本进行模型训练时的CPU周期数，是数字孪生体i所在的设备的CPU转速频率，是数字孪生体i任务k中的数据大小， 传输任务的D2C和D2D两种模式向云端总基站上传模型参数的传输时间为： 其中是的大小，是附近一个具有高信噪比的附近数字孪生体，通过将数据样本传输到云端服务器，h为基站，为从数字孪生体i到基站h的数据率，移动基站MBS和服务基站SBS之间通过有线回程的传输时间忽略不计，总时间： =+； 所述步骤3中的任务发布者的效用具体为： 对于任务k的任务发布者，其总体效用是其满意度与模型训练中对数字孪生体的总支付之间的差额： +1- 表示与模型训练的数据样本数量有关的满足函数，满足函数建模 A1+ 是满意度系数，是j型数字孪生体在任务k中的服务质量； 步骤4中的联邦学习模型FRFL包括 公平激励机制：包括合同契约理论，合同理论可行性研究，最理想的合同机制设计； 稳健模型聚合：包含贡献措施，公平利润分配； 动态声誉评估：包含历史训练记录，行为影响，随时间淡出效果， 其中所述公平激励机制为短期激励，补偿数字孪生体的参与成本， 所述稳健模型聚合和动态声誉评估为长期激励，刺激数字孪生体的高质量的局部模型训练； 所述动态声誉评估中数字孪生体i的声誉计算为： 其中t是当前时隙，是输入参数，和是下限渐近线，是增长率，决定最大增长率，依赖于初始值，影响渐近线最大增长发生的点，因此 ∈0,1 根据数字孪生体的参与行为和训练行为对其进行分类，并为其分配不同的消退权重和声誉更新，利用历史学习记录中的行为效应和消退效应，并将其汇总以估计声誉更新，即输入参数 = 其中，和是时间消逝权重，满足01，采用衰落权值和正声誉递减来惩罚数字孪生体的非参与行为，是数字孪生体i在任务k的时隙t的轮次贡献指数CI，是用于识别数字孪生体i在全局迭代中的贡献是否高于平均值，是信誉增减值，满足0＜＜，是对轮次贡献指数CI高于平均水平的参与数字孪生体的信誉增量作为奖励，是对轮次贡献指数CI低于平均水平的参与数字孪生体的信誉减量作为惩罚。

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南京邮电大学，其通讯地址为：210003 江苏省南京市鼓楼区新模范马路66号；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。