FLight：边缘与雾计算中的轻量级联邦学习框架
分布式、并行与集群计算
2023-08-08 v1
摘要
物联网（IoT）应用的数量，尤其是延迟敏感型应用，已显著增加。因此，作为提供集中式服务、赋能 IoT 的主要支柱之一的云计算，已无法单独满足 IoT 应用的需求。边缘/雾计算作为一种分布式计算范式，在网络边缘处理并存储 IoT 数据，提供低延迟、减少网络流量与更高带宽。边缘/雾资源相较于云通常算力较弱，且 IoT 数据分散于众多地理分布式服务器。因此，联邦学习（FL）作为一种使多个分布式服务器无需交换原始数据即可协作构建模型的机器学习方法，非常契合数据隐私至关重要的边缘/雾计算环境。此外，为管理边缘/雾计算环境中的不同 FL 任务，需要一个轻量级资源管理框架来管理各类传入 FL 任务，同时不引发显著系统开销。据此，本文提出一个名为 FLight 的轻量级 FL 框架，可部署于从资源受限的边缘/雾设备到强大云服务器的各类设备上。FLight 基于 FogBus2 框架实现，后者是一个容器化分布式资源管理框架。此外，FLight 集成了同步与异步两种 FL 模型。我们还提出一种轻量级基于启发式的工人选择算法，以选取一组合适的可用工人参与训练步骤，从而获得更高的训练时间效率。所得结果证明了 FLight 的有效性。
引用
@article{arxiv.2308.02834,
title = {FLight: A Lightweight Federated Learning Framework in Edge and Fog Computing},
author = {Wuji Zhu and Mohammad Goudarzi and Rajkumar Buyya},
journal= {arXiv preprint arXiv:2308.02834},
year = {2023}
}
备注
arXiv admin note: substantial text overlap with arXiv:2211.07238