雾计算环境中去中心化分析的成本与精度优化

互联网边缘设备和数据的指数级增长，引发了仅基于远程云平台的方案在可扩展性与隐私方面的担忧。数据引力作为雾计算中的一个基本概念，指向将计算去中心化以进行数据分析，作为解决这些担忧的可行替代方案。在多个协作设备上去中心化 AI 任务，意味着在完全集中（即所有数据位于单一设备）与完全去中心化（即数据位于源位置）之间的连续统中，确定要使用的最优位置或收集点（简称 CP）集合。我们提出了一种分析框架，能够在该连续统中找到最优运行点，将学习任务的精度与在 CP 处移动数据和运行分布式训练所对应的网络与计算成本联系起来。我们通过仿真表明，该模型能准确预测最优权衡，且通常为完全集中与完全去中心化之间的中间点，同时也显示出相对于这两者的显著成本节省。最后，该分析模型允许闭式或数值解，使其不仅可作为性能评估工具，也可作为在部署前最优配置给定分布式学习任务的设计工具。