多服务器边缘计算中区块链赋能联邦学习的时延优化
机器学习
2022-07-05 v2 信号处理
摘要
在本文中，我们研究多服务器边缘计算中基于区块链的联邦学习（BFL）的一个新的时延优化问题。在该系统模型中，分布式移动设备（MD）与一组边缘服务器（ES）通信，以同时处理机器学习（ML）模型训练和区块挖矿。为辅助资源受限 MD 的 ML 模型训练，我们开发了一种卸载策略，使 MD 能够将其数据传输至其中一个关联的 ES。随后，我们基于共识机制在边缘层提出一种新的去中心化 ML 模型聚合方案，通过基于点对点（P2P）的区块链通信构建全局 ML 模型。区块链在 MD 与 ES 之间建立信任，以促进可靠的 ML 模型共享与协作共识形成，并能够快速剔除由投毒攻击导致的被操纵模型。我们将时延感知的 BFL 表述为一个优化问题，旨在通过联合考虑数据卸载决策、MD 发射功率、MD 数据卸载的信道带宽分配、MD 计算资源分配以及哈希算力分配来最小化系统时延。鉴于离散卸载与连续分配变量混合的动作空间，我们提出了一种基于参数化优势 actor-critic 算法的新型深度强化学习方案。我们从理论上刻画了 BFL 在聚合时延、小批量（mini-batch）大小和 P2P 通信轮数方面的收敛特性。数值评估表明，我们所提方案在模型训练效率、收敛速度、系统时延以及抵御模型投毒攻击的鲁棒性方面优于基线方法。
引用
@article{arxiv.2203.09670,
title = {Latency Optimization for Blockchain-Empowered Federated Learning in Multi-Server Edge Computing},
author = {Dinh C. Nguyen and Seyyedali Hosseinalipour and David J. Love and Pubudu N. Pathirana and Christopher G. Brinton},
journal= {arXiv preprint arXiv:2203.09670},
year = {2022}
}
备注
Accepted to IEEE Journal on Selected Areas in Communications, 31 pages