DeFRiS：基于去中心化联邦强化学习的硅盏协作物联网应用调度
机器学习
2026-03-17 v1 分布式、并行与集群计算
摘要
下一代物联网应用日益跨越自主的行政实体， necessitating 采用硅盏协作调度以利用多样化计算资源同时保持数据隐私。然而，由于基础设施异构性、非 IID 工作负载变化以及恶意环境的内在风险，实现高效协作面临重大挑战。现有方法依赖中心化协调或独立学习，无法解决跨异构硅盏状态-动作空间的不兼容性，缺乏对恶意攻击的鲁棒性。本文提出 DeFRiS，一个面向硅盏协作物联网应用调度的去中心化联邦强化学习框架。DeFRiS 集成三项协同创新：(i) 采用候选资源评分的动作空间无关策略，实现跨异构硅盏的无缝知识迁移；(ii) 结合广义优势估计 (GAE) 和裁剪策略更新的硅盏优化本地学习机制，解决稀疏延迟奖励问题；(iii) 基于梯度指纹的双轨非 IID 鲁棒去中心化聚合协议，实现基于相似性的知识迁移和异常检测，以及基于梯度跟踪的优化动量。20 个异构硅盏和真实物联网工作负载的分布式测试平台上的大量实验表明，DeFRiS 显著优于最新基线，平均响应时间降低 6.4%，能耗降低 7.2%，尾部延迟风险 (CVaR) 降低 10.4%，几乎实现零违约。此外，DeFRiS 在系统规模扩大时比最佳基线保持 3 倍更好的性能， 在恶意环境下稳定性提升 8 倍。
引用
@article{arxiv.2603.14729,
title = {DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning},
author = {Zhiyu Wang and Mohammad Goudarzi and Mingming Gong and Rajkumar Buyya},
journal= {arXiv preprint arXiv:2603.14729},
year = {2026}
}