面向 CPU-GPU 异构计算的联邦边缘学习节能资源管理

边缘机器学习涉及将学习算法部署在网络边缘，以利用海量分布式数据与计算资源训练人工智能（AI）模型。其中，联邦边缘学习（FEEL）框架因其数据隐私保护性而广受欢迎。FEEL 在边缘服务器上协调全局模型训练，并在由无线链路连接的边缘设备上进行本地模型训练。本工作通过设计联合计算与通信资源管理（$\text{C}^2$RM），助力无线网络中 FEEL 的节能实现。该设计面向最先进的异构移动架构，其中利用 CPU 与 GPU 的并行计算（称为异构计算）可显著提升性能与能效。为最小化设备总能耗，我们提出一种新颖的 $\text{C}^2$RM 框架，其特点在于多维控制，包括带宽分配、各设备的 CPU-GPU 工作负载划分与速度调节，以及各链路的 $\text{C}^2$ 时分。该框架的关键组成部分是一组关于不同控制变量的能耗率均衡点，我们证明了这些均衡点存在于设备之间或各设备内的处理单元之间。相关结果被应用于设计高效算法，以快于标准优化工具的速度计算最优 $\text{C}^2$RM 策略。基于这些均衡点，我们进一步设计了设备调度与贪婪频谱共享的节能方案，后者利用了由设备间异构 $\text{C}^2$ 时分产生的“频谱空洞”。使用真实数据集进行了实验，以证明 $\text{C}^2$RM 在提升 FEEL 系统能效方面的有效性。