论文笔记-モバイルエッジコンピューティングネットワーク用の統合学習フレームワーク

论文笔记-モバイルエッジコンピューティングネットワーク用の統合学習フレームワーク

このペーパーでは、需要予測における連邦学習の適用に焦点を当てています。

一般的に言えば、FLにはいくつかの問題があります。

  • 独立していない、同一に分散されたデータ。カスタマートレーニングデータセットはさまざまであり、特定のローカルトレーニングデータセットは人口分布を表していません。
  • 不均衡なデータセット。各クライアントには、異なる量のローカルトレーニングデータがあります。つまり、トレーニング手順が短すぎる可能性があるため、トレーニング値の信頼性は顧客ごとに異なります。
  • 質量分布。FLフレームワークに関与するクライアントは、ローカルで処理されるデータの数よりも大幅に大きくなります。
  • 限られたコミュニケーション。モバイルデバイスはトレーニングデータに常に利用できるとは限らず、多くの場合、モバイルデバイスの速度が遅いか、通信状態が悪い可能性があります。

このペーパーでは、ハイブリッドクラウドMECネットワークソリューションを提案します。これは、ネットワークEDのエッジに位置し、エッジ機器に許可されたネットワーク要素NEに要求アプリケーションのほとんどを展開する仮想マシンコピーVRCを考慮しています。

適切なVRC割り当ては、ヒット率AHPに基づいています。これは、検索デバイスがその近くのNE上のグループのアプリケーションを要求したときのヒット率を示します。

この研究の主な貢献は

  1. FLアーキテクチャのコンテキスト化をVRCの展開に適用し、分散トレーニングデータを使用することは、VRCの分布に関する効果的な結果を見つけるための強力なツールです。
  2. EDのハードウェアリソースを使い果たすことなく、分散データトレーニングを実行する基本的な方法が検出され、適用されます。
  3. 多数の数値シミュレーションが実行され、カオス理論(CT)の方法と比較されて、VRCの展開にこの方法を適用する際の驚くべきパフォーマンスが検証されています。

ネットワーク構造:

タスクの計算を必要とする各EDは、主に近くのNE上の目的のアプリケーションのVRCを見つけます。(各EDは最も近いNEにタスクを送信すると想定し、EDによって要求されたアプリケーションが含まれていない場合は、アプリケーションを含む最も近いNEにタスクを転送します。最後に、各NEは他のNEに含まれていることを知っていると想定しますVRC、および各NEはルーティングテーブルを格納します。ルーティングテーブルには、NEの各ペアのこれらのNE間の最短パスが格納されます。)必要なアプリケーションのVRCを持つNEがない場合、タスクはすべてのアプリケーションタイプに送信されます。雲があります。
 

計算を実行するときにED jが経験する計算コスト(OCC)の合計は、

与えられた、

タスクjがNE iとクラウドにそれぞれ費やす時間場所表します。なお、及びNEで過ごしたタスクの実行時間やCPUの雲の合計、およびこれらのサイト上での実行を待っているタスクがキューイング時間を経験したように表現されています。(CPUキューが先入れ先出しサービス戦略を使用すると仮定します)さらに、ED jから最も近いNE i *にタスクを送信するときの伝送コストを示します。タスクjがNEiで計算される場合、のバイナリ値は1で、それ以外の場合は0です。

アルゴリズム:

提案されたFLフレームワークは、ローカルデータトレーニングを担当するクライアントとサーバー(通常はベースステーション)で構成されます。ベースステーションは、EDによって更新されたローカルモデルをマージおよび集約することによってグローバル学習モデルを改善するように設計された中央サーバーによって表されます。この方法は、クライアントとサーバー間の相互作用プロセスに基づいています。アルゴリズムの各反復の間、トレーニングプロセスに含まれるEDは、EDセット全体のサブセットであり、要素の数はyに等しくなります。

実験で使用したデータセットはMovieLens 1Mデータセットであり、以下、データセット1と呼びます。MovieLens100Kデータセット[34]は、このペーパーではデータセット2と呼びます。

提案手法の有効性を検証するために、CT法、位相空間再構成法、提案した深層学習法による予測値の精度を比較した。

36件の元の記事を公開 19件の賞賛 20,000回以上の閲覧

おすすめ

転載: blog.csdn.net/GJ_007/article/details/105447321