移动边缘计算中基于区块链的联邦学习的资源优化
分布式、并行与集群计算
2022-06-07 v1
摘要
随着移动边缘计算（MEC）和基于区块链的联邦学习（BCFL）的发展，许多研究建议在边缘服务器上部署BCFL。在这种情况下，资源受限的边缘服务器需要以高性价比的方式同时为移动设备提供卸载任务服务，并为BCFL系统提供模型训练与区块链共识服务，且不牺牲任何一方的服务质量。为应对这一挑战，本文提出一种面向边缘服务器的资源分配方案，旨在以最小代价提供最优服务。具体而言，我们首先分析了MEC与BCFL任务的能耗，并将各任务的完成时间作为服务质量约束。随后，我们将资源分配难题建模为一个多变量、多约束的凸优化问题。为渐进式求解该问题，我们基于交替方向乘子法（ADMM）分别设计了同构与异构场景下的两种算法，并采用均等与按需资源分配策略。我们所提算法的有效性通过严格的理论分析得到证明。通过大量实验，我们评估了所提资源分配方案的收敛性与效率。据我们所知，这是首个研究MEC中边缘服务器面向BCFL的资源分配困境的工作。
引用
@article{arxiv.2206.02243,
title = {Resource Optimization for Blockchain-based Federated Learning in Mobile Edge Computing},
author = {Zhilin Wang and Qin Hu and Zehui Xiong},
journal= {arXiv preprint arXiv:2206.02243},
year = {2022}
}