基于混合多路径 TCP 的公平高效分布式边缘学习

无线分布式边缘学习（DEL）的瓶颈已从计算转移到通信，主要是 DEL 的聚合平均（Agg-Avg）过程。现有的基于传输控制协议（TCP）的 DEL 数据网络方案与具体应用无关，无法根据应用层需求进行调整。因此，它们引入了大量的额外时间以及不公平和掉队者等不期望的问题。其他先前的缓解方案存在显著局限，因为它们平衡了工作节点跨路径的数据流率，但在路径表现出差异时常常导致不平衡的积压，从而引发掉队者。为促进更具生产力的 DEL，我们开发了一种混合多路径 TCP（MPTCP），将基于模型和基于深度强化学习（DRL）的 MPTCP 相结合用于 DEL，力求实现 DEL 更快的迭代和更好的公平性（通过改善掉队者）。混合 MPTCP 本质上集成了两项激进的 TCP 发展：i) 现有的成功的基于模型的 MPTCP 控制策略，以及 ii) 先进的新兴基于 DRL 的技术，并引入了一种新颖的混合 MPTCP 数据传输以缓解 Agg-Avg 过程的通信。大量仿真结果表明，所提出的混合 MPTCP 能够克服过度的时间消耗，并有效改善 DEL 的应用层不公平性，且不引入额外的不稳定性和掉队者。