Multi-FedLS：一种面向多云环境下跨机构联邦学习应用的框架
分布式、并行与集群计算
2023-08-21 v1
摘要
联邦学习（FL）是一种分布式机器学习（ML）技术，可在保护数据隐私的同时受益于云环境。我们提出 Multi-FedLS，一种管理多云资源的框架，通过使用抢占式 VM（比按需 VM 便宜但可随时被回收）来降低跨机构联邦学习应用（Cross-Silo Federated Learning）的执行时间与经济成本。我们的框架包含四个模块：预调度、初始映射、容错与动态调度器。本文通过形式化描述 Multi-FedLS 资源管理器框架及其模块，扩展了我们先前的工作 \cite{brum2022sbac}。我们在 CloudLab 上以三个跨机构 FL 应用进行了实验，并概念验证确认 Multi-FedLS 可在由 AWS 与 GCP 这两个商业云提供商组成的多云上执行。结果表明，使用数学规划、容错技术以及在回收时选择新 VM 的简单启发式方法，可高效解决在多云环境中使用抢占式 VM 执行跨机构 FL 应用的问题。
引用
@article{arxiv.2308.08967,
title = {Multi-FedLS: a Framework for Cross-Silo Federated Learning Applications on Multi-Cloud Environments},
author = {Rafaela C. Brum and Maria Clicia Stelling de Castro and Luciana Arantes and Lúcia Maria de A. Drummond and Pierre Sens},
journal= {arXiv preprint arXiv:2308.08967},
year = {2023}
}
备注
In review by Journal of Parallel and Distributed Computing