雾-云融合计算赋能物联网网络中的能效联邦学习
信号处理
2021-07-09 v1 机器学习
摘要
我们研究资源分配方案以降低雾-云融合计算赋能的物联网（IoT）网络中联邦学习（FL）的能耗。在所设想的系统中，IoT 设备通过多个雾接入点（F-AP）与集中式云服务器（CS）相连。我们考虑训练本地模型的两种不同场景。在第一种场景中，本地模型在 IoT 设备上训练，F-AP 将本地模型参数上传至 CS。在第二种场景中，本地模型基于从 IoT 设备收集的数据在 F-AP 上训练，且 F-AP 与 CS 协作更新模型参数。我们的目标是在 FL 时间约束下最小化两种场景的总体能耗。为此，我们设计了对 IoT 设备与 F-AP 的调度、发射功率分配、设备与 F-AP 的计算频率分配的联合优化，并将其解耦为两个子问题。在第一个子问题中，我们优化 IoT 设备调度与功率分配；在第二个子问题中，我们优化计算频率分配。针对每种场景，我们开发了基于冲突图的方案来迭代求解这两个子问题。仿真结果表明，所提两种方案在能耗最小化方面取得了可观的性能增益。仿真结果有趣地揭示：对于大量 IoT 设备与大数据量，在 IoT 设备上而非 F-AP 上训练本地模型更具能效。
引用
@article{arxiv.2107.03520,
title = {Energy Efficient Federated Learning in Integrated Fog-Cloud Computing Enabled Internet-of-Things Networks},
author = {Mohammed S. Al-Abiad and Md. Zoheb Hassan and Md. Jahangir Hossain},
journal= {arXiv preprint arXiv:2107.03520},
year = {2021}
}
备注
30, 10, article