物联网网络中联邦边缘智能的资源效率优化
分布式、并行与集群计算
2020-12-01 v1 人工智能
网络与互联网体系结构
摘要
本文研究一种基于边缘智能的物联网网络,其中一组边缘服务器利用基于多技术支撑的物联网网络上送的数据集,通过联邦学习(FL)学习共享模型。物联网网络的数据上送性能与边缘服务器的计算能力相互纠缠,共同影响 FL 模型训练过程。我们提出一种称为联邦边缘智能(FEI)的新框架,使边缘服务器能根据物联网网络的能量代价及其本地数据处理能力评估所需数据样本数,并仅请求足以训练满意模型的数据量。我们评估了当每个物联网设备可使用两种广泛采用的物联网方案:授权频段物联网(如 5G NB-IoT)与非授权频段物联网(如 Wi-Fi、ZigBee 和 5G NR-U)时的数据上送能量代价。我们证明整个物联网网络代价最小化问题可分离,并可划分为一组子问题,各子问题可由单个边缘服务器求解。我们还引入映射函数以量化边缘服务器在数据集大小、本地批大小与本地训练轮数三个关键参数不同组合下的计算负载。最后,我们采用基于交替方向乘子法(ADMM)的方法联合优化物联网网络能量代价与边缘服务器平均计算资源利用率。我们证明所提算法不造成任何数据泄露,也不披露物联网网络的任何拓扑信息。仿真结果表明,所提框架以仅有限牺牲模型收敛性能为代价,显著提升了物联网网络与边缘服务器的资源效率。
引用
@article{arxiv.2011.12691,
title = {Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT Networks},
author = {Yong Xiao and Yingyu Li and Guangming Shi and H. Vincent Poor},
journal= {arXiv preprint arXiv:2011.12691},
year = {2020}
}
备注
Accepted at International Conference on Wireless Communications and Signal Processing (WCSP), Nanjing, China, October 2020