CN113191505A - 一种地理分布式机器学习参数服务器放置方法 - Google Patents

一种地理分布式机器学习参数服务器放置方法 Download PDF

Info

Publication number
CN113191505A
CN113191505A CN202110556974.8A CN202110556974A CN113191505A CN 113191505 A CN113191505 A CN 113191505A CN 202110556974 A CN202110556974 A CN 202110556974A CN 113191505 A CN113191505 A CN 113191505A
Authority
CN
China
Prior art keywords
cluster
distance
parameter server
working
clusters
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110556974.8A
Other languages
English (en)
Other versions
CN113191505B (zh
Inventor
范晨昱
吴昊
章小宁
李永耀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110556974.8A priority Critical patent/CN113191505B/zh
Publication of CN113191505A publication Critical patent/CN113191505A/zh
Application granted granted Critical
Publication of CN113191505B publication Critical patent/CN113191505B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种地理分布式机器学习参数服务器放置方法，针对地理分布式机器学习(Geo‑DML)中的通信瓶颈问题，本发明通过聚类，根据物理距离和链路带宽将地理上分散在广域网拓扑中的工作节点划分为不同的簇(Cluster)。然后在各个簇中选取合适的节点作为该簇参数聚合的本地参数服务器(LPS,Local Parameter Server)，再选取合适的节点作为全局参数聚合的全局参数服务器(GPS,Global Parameter Server)，以减小通信开销。

Description

一种地理分布式机器学习参数服务器放置方法
技术领域
本发明涉及通信领域，具体涉及一种地理分布式机器学习参数服务器放置方法。
背景技术
由于数据量和模型规模的不断扩大，传统机器学习无法满足应用需求，于是分布式机器学习成为主流。而近年来一种用于训练全球数据的地理分布式机器学习(Geo-DML,Geo-Distributed Machine Learning)逐渐兴起。Geo-DML是近年来兴起的可以训练全球数据的系统。一些大型网络服务提供商(如谷歌、亚马逊、微软等)为了给全球的用户提供高质量低延迟的服务，在全球各地运营着数十个数据中心，并收集了大量的全球用户数据，比如谷歌在世界各地拥有36个数据中心和1500多个边缘服务器集群。这为地理分布式机器学习提供了物质基础。
但由于数据中心是地理分布的，它们之间的通信协作需要通过广域网(WAN)链路实现，而数据中心内部的通信是通过局域网(LAN)实现的。在完成多机协作的过程中，数据中心间的通信必不可少，但是在大型训练中要传输的数据量很多，花在通信上的时间占比很高就有可能抵消由数据并行节约的时间。在Geo-DML的场景下，广域网的带宽资源又更加稀缺，这加剧了在分布式机器学习中员原本就存在的通信代价过高的问题。
如何降低通信代价已经成为了分布式机器学习领域一个被广泛研究的课题。目前已经有异步随机梯度下降、模型的压缩和稀疏化、梯度的量化和稀疏化等方法，都可以有效缓解分布式机器学习通信瓶颈。而数据中心的划分、数据中心内部本地参数服务器的位置、全局的参数服务器在整体拓扑的位置对于通信成本都有一定影响，好的数据中心的划分和参数服务器选址可以在一定程度上降低通信代价。
发明内容
针对现有技术中的上述不足，本发明提供的一种地理分布式机器学习参数服务器放置方法解决了如何有效降低通信开销的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种地理分布式机器学习参数服务器放置方法，包括以下步骤：
S1、根据链路物理长度和链路带宽，将地理上分散在广域网拓扑中的工作节点划分为不同的簇；
S2、判断当前簇的数量是否为1，若是，则跳转至步骤S3，若否，则跳转至步骤S4；
S3、对唯一簇进行本地参数服务器和全局参数服务器的放置；
S4、对所有簇进行本地参数服务器和全局参数服务器的放置。
进一步地，步骤S1包括以下分步骤：
S11、根据链路物理长度和链路带宽，计算地理上分散在广域网拓扑中每条链路的权重；
S12、根据每条链路的权重构建的权重集合，计算任意两个工作节点间的最短路径；
S13、将每个工作节点初始化为一个簇；
S14、根据任意两个工作节点间的最短路径，将距离最近的两个簇合并为一个簇；
S15、重复步骤S14，直到距离最近的两个簇之间的距离大于设定阈值，簇划分完成。
进一步地，步骤S11中计算地理上分散在广域网拓扑中每条链路的权重的公式为：
Figure BDA0003077543350000031
其中，we为链路e的权重，de为链路e的物理距离，β1为第一权重参数，β2为第二权重参数，d为包含所有链路物理长度的向量，B为包含所有链路带宽的向量，|| ||∞为向量中最大的绝对值，min()为向量中最小分量的值，Be为链路e的带宽。
进一步地，步骤S14包括以下分步骤：
S141、根据任意两个工作节点间的最短路径，计算每个簇与剩余簇的簇距离；
S142、将最小的簇距离对应的两个簇合并为一个簇。
进一步地，步骤S141中簇距离为：最小距离、最大距离或平均距离；
所述最小距离的计算公式为：
Figure BDA0003077543350000032
所述最大距离的计算公式为：
Figure BDA0003077543350000033
所述平均距离的计算公式为：
Figure BDA0003077543350000034
Figure BDA0003077543350000035
其中，Ci为第i个簇，Cj为第j个簇，dist(u，v)为任意工作节点u和v间的距离，
Figure BDA0003077543350000036
为取任意两个簇i，j中任意两工作节点u，v距离的最小值，Distmin(i，j)为第i个簇与第j个簇中工作节点的最小距离，
Figure BDA0003077543350000037
为取任意两个簇i，j中任意两工作节点u，v距离的最大值，Distmax(i，j)为第i个簇与第j个簇中工作节点的最大距离，|Ci|为第i个簇中的工作节点数，|Cj|为第j个簇中的工作节点数，Distavg(i，j)为第i个簇与第j个簇中工作节点的平均距离，α1为第三权重参数，α2为第四权重参数，pdist(u，v)为任意两个工作节点间的最短路径的物理距离，|| ||∞为向量中最大的绝对值，min()为向量中最小分量的值，Bw(u，v)为节点u到节点v的最短路径所经过的链路中带宽最小的链路带宽，pdist为包含所有工作节点间物理距离的向量，Bw为包含所有节点间最短路径中最小链路带宽的向量。
进一步地，步骤S3包括以下分步骤：
S31、遍历唯一簇中每个工作节点，计算每个工作节点和剩余工作节点的平均距离；
S32、选取唯一簇中平均距离最小的工作节点作为唯一簇的本地参数服务器和全局参数服务器，实现对唯一簇的本地参数服务器和全局参数服务器的放置。
进一步地，步骤S4包括以下分步骤：
S41、遍历所有簇中每个工作节点，计算每个簇中每个工作节点和剩余工作节点的平均距离，选取每个簇中平均距离最小的工作节点作为该簇的本地参数服务器；
S42、遍历广域网拓扑中的每个工作节点，计算每个工作节点与所有本地参数服务器的平均距离；
S43、选取广域网拓扑中平均距离最小的工作节点作为广域网拓扑的全局参数服务器，并将该工作节点移除所在簇，实现对所有簇的本地参数服务器和全局参数服务器的放置。
综上，本发明的有益效果为：
(1)、针对地理分布式机器学习(Geo-DML)中的通信瓶颈问题，本发明提出了一种新的解决思路，即通过聚类，根据物理距离和链路带宽将地理上分散在广域网拓扑中的工作节点划分为不同的簇(Cluster)。然后在各个簇中选取合适的节点作为该簇参数聚合的本地参数服务器(LPS，Local Parameter Server)，再选取合适的节点作为全局参数聚合的全局参数服务器(GPS,Global Parameter Server)，以减小通信开销。
(2)本发明综合考虑了链路的物理距离和带宽，保证在同一簇中的节点距离不会太远，并且保证LPS到本地节点距离以及GPS到各LPS的距离比较平衡，不会出现因为其中一个节点的距离太远通信时间太长拖慢整个训练进度的情况，可以在全局拓扑中合理地划分簇，并找到最适合放置本地参数服务器LPS和全局参数服务器GPS的位置，而合理的簇划分和参数服务器位置可以让每次参数同步的通信时延最小化，有效降低通信成本。
附图说明
图1为一种地理分布式机器学习参数服务器放置方法的流程图；
图2为地理分布式机器学习(Geo-DML)的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1～2所示，一种地理分布式机器学习参数服务器放置方法，包括以下步骤：
S1、根据链路物理长度和链路带宽，将地理上分散在广域网拓扑中的工作节点划分为不同的簇；
步骤S1包括以下分步骤：
S11、根据链路物理长度和链路带宽，计算地理上分散在广域网拓扑中每条链路的权重；
步骤S11中计算地理上分散在广域网拓扑中每条链路的权重的公式为：
Figure BDA0003077543350000061
其中，we为链路e的权重，de为链路e的物理距离，β1为第一权重参数，β2为第二权重参数，d为包含所有链路物理长度的向量，B为包含所有链路带宽的向量，|| ||∞为向量中最大的绝对值，min()为向量中最小分量的值，Be为链路e的带宽。
S12、根据每条链路的权重构建的权重集合，计算任意两个工作节点间的最短路径；
S13、将每个工作节点初始化为一个簇；
S14、根据任意两个工作节点间的最短路径，将距离最近的两个簇合并为一个簇；
步骤S14包括以下分步骤：
S141、根据任意两个工作节点间的最短路径，计算每个簇与剩余簇的簇距离；
步骤S141中簇距离为：最小距离、最大距离或平均距离；
所述最小距离的计算公式为：
Figure BDA0003077543350000062
所述最大距离的计算公式为：
Figure BDA0003077543350000063
所述平均距离的计算公式为：
Figure BDA0003077543350000064
Figure BDA0003077543350000065
其中，Ci为第i个簇，Cj为第j个簇，dist(u，v)为任意工作节点u和v间的距离，
Figure BDA0003077543350000066
为取任意两个簇i，j中任意两工作节点u，v距离的最小值，Distmin(i，j)为第i个簇与第j个簇中工作节点的最小距离，
Figure BDA0003077543350000067
为取任意两个簇i，j中任意两工作节点u，v距离的最大值，Distmax(i，j)为第i个簇与第j个簇中工作节点的最大距离，|Ci|为第i个簇中的工作节点数，|Cj|为第j个簇中的工作节点数，Distavg(i，j)为第i个簇与第j个簇中工作节点的平均距离，α1为第三权重参数，α2为第四权重参数，pdist(u，v)为任意两个工作节点间的最短路径的物理距离，|| ||∞为向量中最大的绝对值，min()为向量中最小分量的值，Bw(u，v)为节点u到节点v的最短路径所经过的链路中带宽最小的链路带宽，pdist为包含所有工作节点间物理距离的向量，Bw为包含所有节点间最短路径中最小链路带宽的向量。
S142、将最小的簇距离对应的两个簇合并为一个簇。
S15、重复步骤S14，直到距离最近的两个簇之间的距离大于设定阈值，簇划分完成。
S2、判断当前簇的数量是否为1，若是，则跳转至步骤S3，若否，则跳转至步骤S4；
S3、对唯一簇进行本地参数服务器和全局参数服务器的放置；
步骤S3包括以下分步骤：
S31、遍历唯一簇中每个工作节点，计算每个工作节点和剩余工作节点的平均距离，其计算公式为上式(4)；
S32、选取唯一簇中平均距离最小的工作节点作为唯一簇的本地参数服务器和全局参数服务器，实现对唯一簇的本地参数服务器和全局参数服务器的放置。
S4、对所有簇进行本地参数服务器和全局参数服务器的放置。
步骤S4包括以下分步骤：
S41、遍历所有簇中每个工作节点，计算每个簇中每个工作节点和剩余工作节点的平均距离，选取每个簇中平均距离最小的工作节点作为该簇的本地参数服务器；
S42、遍历广域网拓扑中的每个工作节点，计算每个工作节点与所有本地参数服务器的平均距离；
S43、选取广域网拓扑中平均距离最小的工作节点作为广域网拓扑的全局参数服务器，并将该工作节点移除所在簇，实现对所有簇的本地参数服务器和全局参数服务器的放置。

Claims (7)

1.一种地理分布式机器学习参数服务器放置方法，其特征在于，包括以下步骤：
S1、根据链路物理长度和链路带宽，将地理上分散在广域网拓扑中的工作节点划分为不同的簇；
S2、判断当前簇的数量是否为1，若是，则跳转至步骤S3，若否，则跳转至步骤S4；
S3、对唯一簇进行本地参数服务器和全局参数服务器的放置；
S4、对所有簇进行本地参数服务器和全局参数服务器的放置。
2.根据权利要求1所述的地理分布式机器学习参数服务器放置方法，其特征在于，所述步骤S1包括以下分步骤：
S11、根据链路物理长度和链路带宽，计算地理上分散在广域网拓扑中每条链路的权重；
S12、根据每条链路的权重构建的权重集合，计算任意两个工作节点间的最短路径；
S13、将每个工作节点初始化为一个簇；
S14、根据任意两个工作节点间的最短路径，将距离最近的两个簇合并为一个簇；
S15、重复步骤S14，直到距离最近的两个簇之间的距离大于设定阈值，簇划分完成。
3.根据权利要求2所述的地理分布式机器学习参数服务器放置方法，其特征在于，所述步骤S11中计算地理上分散在广域网拓扑中每条链路的权重的公式为：
Figure FDA0003077543340000021
其中，we为链路e的权重，de为链路e的物理距离，β1为第一权重参数，β2为第二权重参数，d为包含所有链路物理长度的向量，B为包含所有链路带宽的向量，|| ||∞为向量中最大的绝对值，min()为向量中最小分量的值，Be为链路e的带宽。
4.根据权利要求2所述的地理分布式机器学习参数服务器放置方法，其特征在于，所述步骤S14包括以下分步骤：
S141、根据任意两个工作节点间的最短路径，计算每个簇与剩余簇的簇距离；
S142、将最小的簇距离对应的两个簇合并为一个簇。
5.根据权利要求4所述的地理分布式机器学习参数服务器放置方法，其特征在于，所述步骤S141中簇距离为：最小距离、最大距离或平均距离；
所述最小距离的计算公式为：
Figure FDA0003077543340000022
所述最大距离的计算公式为：
Figure FDA0003077543340000023
所述平均距离的计算公式为：
Figure FDA0003077543340000024
Figure FDA0003077543340000025
其中，Ci为第i个簇，Cj为第j个簇，dist(u，v)为任意工作节点u和v间的距离，
Figure FDA0003077543340000026
为取任意两个簇i，j中任意两工作节点u，v距离的最小值，Distmin(i，j)为第i个簇与第j个簇中工作节点的最小距离，
Figure FDA0003077543340000027
为取任意两个簇i，j中任意两工作节点u，v距离的最大值，Distmax(i，j)为第i个簇与第j个簇中工作节点的最大距离，|Ci|为第i个簇中的工作节点数，|Cj|为第j个簇中的工作节点数，Distavg(i，j)为第i个簇与第j个簇中工作节点的平均距离，α1为第三权重参数，α2为第四权重参数，pdist(u，v)为任意两个工作节点间的最短路径的物理距离，|| ||∞为向量中最大的绝对值，min()为向量中最小分量的值，Bw(u，v)为节点u到节点v的最短路径所经过的链路中带宽最小的链路带宽，pdist为包含所有工作节点间物理距离的向量，Bw为包含所有节点间最短路径中最小链路带宽的向量。
6.根据权利要求1所述的地理分布式机器学习参数服务器放置方法，其特征在于，所述步骤S3包括以下分步骤：
S31、遍历唯一簇中每个工作节点，计算每个工作节点和剩余工作节点的平均距离；
S32、选取唯一簇中平均距离最小的工作节点作为唯一簇的本地参数服务器和全局参数服务器，实现对唯一簇的本地参数服务器和全局参数服务器的放置。
7.根据权利要求1所述的地理分布式机器学习参数服务器放置方法，其特征在于，所述步骤S4包括以下分步骤：
S41、遍历所有簇中每个工作节点，计算每个簇中每个工作节点和剩余工作节点的平均距离，选取每个簇中平均距离最小的工作节点作为该簇的本地参数服务器；
S42、遍历广域网拓扑中的每个工作节点，计算每个工作节点与所有本地参数服务器的平均距离；
S43、选取广域网拓扑中平均距离最小的工作节点作为广域网拓扑的全局参数服务器，并将该工作节点移除所在簇，实现对所有簇的本地参数服务器和全局参数服务器的放置。
CN202110556974.8A 2021-05-21 2021-05-21 一种地理分布式机器学习参数服务器放置方法 Expired - Fee Related CN113191505B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110556974.8A CN113191505B (zh) 2021-05-21 2021-05-21 一种地理分布式机器学习参数服务器放置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110556974.8A CN113191505B (zh) 2021-05-21 2021-05-21 一种地理分布式机器学习参数服务器放置方法

Publications (2)

Publication Number Publication Date
CN113191505A true CN113191505A (zh) 2021-07-30
CN113191505B CN113191505B (zh) 2022-05-20

Family

ID=76984574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110556974.8A Expired - Fee Related CN113191505B (zh) 2021-05-21 2021-05-21 一种地理分布式机器学习参数服务器放置方法

Country Status (1)

Country Link
CN (1) CN113191505B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114118437A (zh) * 2021-09-30 2022-03-01 电子科技大学 一种面向微云中分布式机器学习的模型更新同步方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101729331A (zh) * 2008-10-28 2010-06-09 华为技术有限公司 成簇方法与装置、簇头与基站的路由方法与装置
US20120317264A1 (en) * 2007-11-13 2012-12-13 At&T Intellectual Property I, L.P. Assigning Telecommunications Nodes to Community of Interest Clusters
US20140143407A1 (en) * 2012-11-21 2014-05-22 Telefonaktiebolaget L M Ericsson (Publ) Multi-objective server placement determination
CN104135752A (zh) * 2014-07-31 2014-11-05 南京邮电大学 一种无线传感器网络簇头节点选择方法及分簇方法
CN104284386A (zh) * 2014-02-22 2015-01-14 湖南科技大学 基于点介数的无线传感器网络簇头选择方法
CN105744566A (zh) * 2016-01-28 2016-07-06 北京邮电大学 一种基于感知器的自适应按需加权分簇方法
CN107071843A (zh) * 2016-12-28 2017-08-18 上海海事大学 移动自组织网络分簇方法
CN107911293A (zh) * 2017-10-31 2018-04-13 天津大学 一种基于地理位置的流量路由树构建方法
CN110636513A (zh) * 2019-09-27 2019-12-31 北京智芯微电子科技有限公司 具有可靠性保障的5g网络部署方法
CN111031585A (zh) * 2020-01-10 2020-04-17 赣江新区智慧物联研究院有限公司 一种休眠控制方法、装置、存储介质及服务器
CN111698705A (zh) * 2020-05-29 2020-09-22 华南理工大学 一种基于能量优化的无线传感器网络非均匀分簇路由方法
CN112181971A (zh) * 2020-10-27 2021-01-05 华侨大学 一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120317264A1 (en) * 2007-11-13 2012-12-13 At&T Intellectual Property I, L.P. Assigning Telecommunications Nodes to Community of Interest Clusters
CN101729331A (zh) * 2008-10-28 2010-06-09 华为技术有限公司 成簇方法与装置、簇头与基站的路由方法与装置
US20140143407A1 (en) * 2012-11-21 2014-05-22 Telefonaktiebolaget L M Ericsson (Publ) Multi-objective server placement determination
CN104284386A (zh) * 2014-02-22 2015-01-14 湖南科技大学 基于点介数的无线传感器网络簇头选择方法
CN104135752A (zh) * 2014-07-31 2014-11-05 南京邮电大学 一种无线传感器网络簇头节点选择方法及分簇方法
CN105744566A (zh) * 2016-01-28 2016-07-06 北京邮电大学 一种基于感知器的自适应按需加权分簇方法
CN107071843A (zh) * 2016-12-28 2017-08-18 上海海事大学 移动自组织网络分簇方法
CN107911293A (zh) * 2017-10-31 2018-04-13 天津大学 一种基于地理位置的流量路由树构建方法
CN110636513A (zh) * 2019-09-27 2019-12-31 北京智芯微电子科技有限公司 具有可靠性保障的5g网络部署方法
CN111031585A (zh) * 2020-01-10 2020-04-17 赣江新区智慧物联研究院有限公司 一种休眠控制方法、装置、存储介质及服务器
CN111698705A (zh) * 2020-05-29 2020-09-22 华南理工大学 一种基于能量优化的无线传感器网络非均匀分簇路由方法
CN112181971A (zh) * 2020-10-27 2021-01-05 华侨大学 一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴迪等: "一种基于地理定位信息的Ad Hoc分簇算法", 《计算机工程与应用》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114118437A (zh) * 2021-09-30 2022-03-01 电子科技大学 一种面向微云中分布式机器学习的模型更新同步方法

Also Published As

Publication number Publication date
CN113191505B (zh) 2022-05-20

Similar Documents

Publication Publication Date Title
Wang et al. Resource-efficient federated learning with hierarchical aggregation in edge computing
CN112488322B (zh) 一种基于数据特征感知聚合的联邦学习模型训练方法
WO2021004063A1 (zh) 一种缓存服务器的带宽调度方法及装置
US8914491B2 (en) Assigning telecommunications nodes to community of interest clusters
CN112148484B (zh) 一种基于耦合度的微服务在线分配方法与系统
CN104320324B (zh) 一种基于链路干扰的虚拟网络映射方法
CN112738820A (zh) 一种服务功能链的动态部署方法、装置及计算机设备
CN110933139A (zh) 一种解决Web服务器高并发的系统及方法
US10356185B2 (en) Optimal dynamic cloud network control
US20110276649A1 (en) Method for Efficient Partition and Replication of Social-Based Applications
CN107249035B (zh) 一种等级动态可变的共享重复数据存储和读取方法
CN109327401B (zh) 一种sdn网络的流量调度方法与系统
CN110058937B (zh) 用于调度专用处理资源的方法、设备和介质
US11977929B2 (en) Resource allocation method and apparatus based on edge computing
CN113032096B (zh) 一种基于节点重要性与用户需求双感知的sfc映射方法
CN113193996B (zh) 一种电力光传输网优化方法、装置、设备及存储介质
CN113191505B (zh) 一种地理分布式机器学习参数服务器放置方法
JP2015501991A (ja) 地理的に分散されたデータセンタでのレイテンシ短縮および弾力性改善のための最適化機構
WO2020177255A1 (zh) 无线接入网的资源分配方法及装置
CN112764920A (zh) 一种边缘应用部署方法、装置、设备和存储介质
CN112702267A (zh) 分布式训练路由方法、系统、储存介质及计算机设备
CN107454009B (zh) 面向数据中心的离线场景低带宽开销流量调度方案
CN108923961B (zh) 一种多入口网络服务功能链优化方法
Xu et al. An energy-aware method for multi-domain service function chaining
CN107682265B (zh) 支付系统的报文路由方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220520

CF01 Termination of patent right due to non-payment of annual fee