多接入边缘计算系统中联邦学习的能耗感知资源管理
网络与互联网体系结构
2021-03-25 v1 系统与控制
系统与控制
摘要
在联邦学习（FL）中，通过鼓励移动用户在其本地数据上执行模型训练，并以迭代方式聚合输出的本地模型参数，从而开发出全局统计模型。然而，由于移动设备有限的能量和计算能力，模型训练的性能总是受制于本地能量最小化的目标。在这方面，多接入边缘计算（MEC）赋能的FL通过将一部分本地数据集卸载到边缘服务器进行模型训练，解决了模型性能与移动设备能耗之间的权衡。由于边缘服务器具有高计算能力，边缘服务器上模型训练的时间消耗可忽略不计。然而，移动用户到边缘服务器的数据集卸载时间消耗对总时间消耗有显著影响。因此，MEC赋能FL中的资源管理具有挑战性，其目标是在减少总时间消耗的同时节省移动设备的能耗。本文中，我们构建了MEC赋能FL的能耗感知资源管理方案，在考虑移动设备能量限制的同时，联合最小化模型训练损失与总时间消耗。此外，我们将所构建问题重构为广义纳什均衡问题（GNEP），以刻画无线资源管理与数据集卸载之间的耦合约束。然后我们分析了数据集卸载与计算资源分配对模型训练损失、时间及能耗的影响。
引用
@article{arxiv.2103.13293,
title = {Energy-aware Resource Management for Federated Learning in Multi-access Edge Computing Systems},
author = {Chit Wutyee Zaw and Shashi Raj Pandey and Kitae Kim and Choong Seon Hong},
journal= {arXiv preprint arXiv:2103.13293},
year = {2021}
}