GreenDFL：评估去中心化联邦学习系统可持续性的框架
计算机与社会
2025-09-09 v3
摘要
去中心化联邦学习（DFL）是一种新兴范式，使能够在没有中心化数据和模型聚合的情况下进行协作模型训练，增强了隐私性和韧性。然而，其可持续性仍未得到充分探讨，因为能源消耗和碳排放在不同的系统配置下会有所不同。了解DFL的环境影响对于优化其设计和部署至关重要。本工作旨在开发一个全面且可操作的框架，用于评估DFL系统的可持续性。为此，本工作提供了系统化的方法，用于量化能源消耗和碳排放，为改善DFL的可持续性提供见解。本工作提出了GreenDFL，一个可完全实现的框架，已集成到实际的DFL平台中。GreenDFL系统性地分析了包括硬件加速器、模型架构、通信介质、数据分布、网络拓扑和联邦规模在内的各种因素对DFL系统可持续性的影响。此外，还开发了一种可持续性感知聚合算法（GreenDFL-SA）和一种节点选择算法（GreenDFL-SN），以优化DFL训练中的能源效率并减少碳排放。在多个数据集上进行了经验实验，测量DFL生命周期不同阶段的能源消耗和碳排放。该提出的GreenDFL为评估DFL系统的可持续性提供了全面且实用的方法。 Furthermore, 它为改善DFL中的环境效率提供了最佳实践，使可持续性考虑在实际部署中更具可操作性。
引用
@article{arxiv.2502.20242,
title = {GreenDFL: a Framework for Assessing the Sustainability of Decentralized Federated Learning Systems},
author = {Chao Feng and Alberto Huertas Celdrán and Xi Cheng and Gérôme Bovet and Burkhard Stiller},
journal= {arXiv preprint arXiv:2502.20242},
year = {2025}
}