论文 笔记 —— Marco de aprendizaje federado para redes informáticas de borde móvil
Este documento se centra en la aplicación del aprendizaje federal en el pronóstico de la demanda.
En términos generales, FL tiene algunos problemas:
- Datos no independientes e idénticamente distribuidos. Los conjuntos de datos de capacitación de clientes varían, y un conjunto de datos de capacitación local dado no representa la distribución de la población.
- Conjunto de datos no balanceados. Cada cliente tiene una cantidad diferente de datos de capacitación local. Esto significa que diferentes clientes tienen una fiabilidad diferente de los valores de capacitación, porque el procedimiento de capacitación puede ser demasiado corto.
- Distribución masiva. El cliente involucrado en el marco FL es significativamente mayor que la cantidad de datos procesados localmente.
- Comunicación limitada Los dispositivos móviles no siempre están disponibles para los datos de entrenamiento, y a menudo pueden ser lentos o tener malas condiciones de comunicación.
Este documento propone una solución de red MEC en la nube híbrida, que considera una máquina virtual copia VRC que implementa la mayoría de las aplicaciones solicitantes en el elemento de red NE ubicado en el borde de la red ED y admitido en el equipo de borde.
La asignación apropiada de VRC se basa en la tasa de aciertos AHP, que indica la tasa de aciertos cuando el dispositivo de búsqueda solicita la aplicación del grupo en el NE cercano.
La principal contribución de esta investigación es
- La aplicación de la contextualización de la arquitectura FL al despliegue de VRC, el uso de datos de capacitación descentralizados es una herramienta poderosa para encontrar resultados efectivos en la distribución de VRC
- Sin agotar los recursos de hardware de los DE, se detecta y aplica el método básico para realizar la capacitación de datos distribuidos.
- Se ha llevado a cabo una gran cantidad de simulaciones numéricas y se ha comparado con el método de la teoría del caos (CT) para verificar el notable desempeño de la aplicación de este método para el despliegue de VRC.
Estructura de red:
Cada ED que requiere el cálculo de la tarea encuentra principalmente el VRC de una aplicación deseada en un NE cercano. (Suponemos que cada ED envía la tarea al NE más cercano, si no contiene la aplicación solicitada por el ED, luego reenviamos la tarea al NE más cercano que contiene la aplicación. Finalmente, asumimos que cada NE sabe que otros NEs contienen VRC, y cada NE almacena una tabla de enrutamiento, que almacena la ruta más corta entre estos NEs para cada par de NEs.) Si ningún NE tiene el VRC de la aplicación requerida, la tarea se envía a todos los tipos de aplicaciones Hay nubes
El costo total de cálculo (OCC) experimentado por ED j cuando realiza cálculos está determinado por
Dado
Donde 
y 
representar el tiempo que la tarea j pasa en NE i y la nube, respectivamente. Debe tenerse en cuenta, 
y 
se expresa como la suma del tiempo de ejecución de la tarea de permanencia en NE y la nube de la CPU, y las tareas pendientes de ejecución en estos sitios experimentó tiempo haciendo cola. (Suponga que la cola de la CPU utiliza una estrategia de servicio de primero en entrar, primero en salir) Además, 
indica el costo de transmisión al enviar una tarea desde ED j a su NE i * más cercano. Si la tarea j se calcula en NEi, entonces 
el valor binario de es 1, de lo contrario es 0.
Algoritmo
El marco de trabajo propuesto de FL consta de un cliente y un servidor (generalmente una estación base) responsable de la capacitación local de datos. La estación base está representada por un servidor central diseñado para mejorar el modelo de aprendizaje global mediante la fusión y agregación de modelos locales actualizados por ED. Este método se basa en el proceso de interacción entre el cliente y el servidor.Durante cada iteración del algoritmo, los ED involucrados en el proceso de capacitación son un subconjunto del conjunto completo de ED, y el número de elementos es igual a y.
El conjunto de datos utilizado en el experimento es el conjunto de datos MovieLens 1M, en lo sucesivo denominado conjunto de datos 1, y el conjunto de datos MovieLens 100K [34] se denomina conjunto de datos 2 en este documento.
Para verificar la efectividad del método propuesto, se comparó la precisión de los valores predichos obtenidos por el método CT, el método de reconstrucción del espacio de fase y el método basado en aprendizaje profundo propuesto.
