CN113408675A - 一种基于联邦学习的卸载智能优化方法和系统 - Google Patents

一种基于联邦学习的卸载智能优化方法和系统 Download PDF

Info

Publication number
CN113408675A
CN113408675A CN202110957576.7A CN202110957576A CN113408675A CN 113408675 A CN113408675 A CN 113408675A CN 202110957576 A CN202110957576 A CN 202110957576A CN 113408675 A CN113408675 A CN 113408675A
Authority
CN
China
Prior art keywords
task
model
edge server
training
server
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.)
Pending
Application number
CN202110957576.7A
Other languages
English (en)
Inventor
朱玉金
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.)
Shenzhen Workiee Technology Co ltd
Original Assignee
Shenzhen Workiee Technology Co ltd
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 Shenzhen Workiee Technology Co ltd filed Critical Shenzhen Workiee Technology Co ltd
Priority to CN202110957576.7A priority Critical patent/CN113408675A/zh
Publication of CN113408675A publication Critical patent/CN113408675A/zh
Pending legal-status Critical Current

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Computer And Data Communications (AREA)

Abstract

本发明提供了一种基于联邦学习的卸载智能优化方法和系统，包括如下步骤：采用多层感知器模型学习计算任务特征并把任务进行分类，采用联邦学习训练模型；计算各分类任务的评分，得到排名前N个任务作为集合
Figure DEST_PATH_IMAGE001
；计算系统总服务成本，当本地服务器的CPU频率小于一定比例的边缘服务器频率且当前任务不在集合
Figure 81406DEST_PATH_IMAGE001
中，则该任务在本地执行；当本地服务器的CPU频率小于一定比例的边缘服务器频率且当前任务在集合
Figure 774424DEST_PATH_IMAGE001
中，则该任务在边缘服务器执行；否则该任务在云服务器执行；当时隙
Figure DEST_PATH_IMAGE002
时刻的成本低于上一个时隙
Figure DEST_PATH_IMAGE003
的成本时，更新卸载策略
Figure DEST_PATH_IMAGE004
。本发明提出的方法，能够降低系统总服务成本，同时保护多参与方的隐私，实现计算卸载优化。

Description

一种基于联邦学习的卸载智能优化方法和系统
技术领域
本发明移动边缘计算中计算卸载优化领域，特别是指一种基于联邦学习的卸载智能优化方法和系统。
背景技术
物联网设备在工作过程中会产生大量数据，而这些数据如果全部卸载到云服务器，则会造成云服务器负载过大、传输过程中带宽高、安全问题。然而，物联网设备受其自身大小的限制导致其计算能力较弱，不足以支持复杂任务的计算。移动边缘计算(MobileEdge Computing, MEC)成为一个可行的解决方案，它通过提供计算资源以支持物联网设备卸载复杂的计算任务或应用。通过MEC，可以有效解决物联网设备计算能力不足、向云服务器卸载延迟高、数据安全等问题。然而，多个MEC参与方(如不同的物联网设备和边缘/云服务器)存在隐私问题和利益冲突，在这些参与方之间建立信任、实现联合多参与方的计算卸载方案是一项挑战。
为了探索动态MEC环境，基于机器学习的计算卸载成为一种可行的解决方案。一些基于深度强化学习(Deep Reinforcement Learning, DRL)领域的研究工作提出的计算卸载策略高度依赖问题的状态空间。并且，计算卸载策略通常非常复杂，纯Q-Learning不适合解决计算卸载的优化问题。DRL的agent在寻找最优卸载策略的同时，通过动作学习来学习策略。而且整个过程耗时，占用大量系统资源。隐私在机器学习中是一个关键问题，特别是在MEC不同的移动物联网设备提供商中，如何整合多个移动物联网设备提供商的数据，保护所有参与者的隐私数据是一个巨大的挑战。由于上述问题，面向工业物联网的联邦学习(Federated Learning, FL)引起了学术界和工业界的广泛关注。作为一种新型的分布式机器学习，联邦学习可以在本地训练所有参与者的数据，通过云/边缘服务器更新和聚合全局模型。
在现有计算卸载问题的解决方案中，研究工作可以分为两类。一类是基于传统启发式算法的计算卸载方案，另一类是基于机器学习的在线学习计算卸载方案。基于启发式算法的计算卸载方案面临的挑战之一是假设较多，在特定场景下效果会更好，但算法的可移植性和鲁棒性较差。在MEC和5G时代，无线通信环境和计算任务变得更复杂，设计一种能够有效提高系统效率并满足系统需求的计算卸载优化算法是非常具有挑战性的。基于机器学习的计算卸载方案可以从数据中学习未来的方向，因此可以有效地解决一些复杂系统中的卸载策略。但是，在高动态实时系统中，智能卸载决策和隐私数据问题尤为关键和重要。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于联邦学习的卸载智能优化方法，使用多层感知器模型来学习任务特征，并将任务分类，获取更适合卸载到边缘服务器或云服务器的任务，且为了保护不同物联网设备的隐私数据，使用联邦学习来训练模型，能够避免向服务器传输过程中的数据泄漏，本发明提出的方法，能够降低系统总服务成本，同时保护多参与方的隐私，实现计算卸载优化。
本发明采用如下技术方案：
一种基于联邦学习的卸载智能优化方法，包括如下步骤：
采用多层感知器模型学习计算任务特征，并把任务进行类型划分，采用联邦学习训练模型进行训练；
计算各类型任务的执行得分，将执行得分前N个任务作为集合
Figure 106228DEST_PATH_IMAGE001
；
计算系统总服务成本，当本地服务器的CPU频率小于一定比例的边缘服务器频率 且当前任务不在集合
Figure 72303DEST_PATH_IMAGE002
中，则该任务在本地执行；当本地服务器的CPU频率小于一定比 例的边缘服务器频率且当前任务在集合
Figure 757100DEST_PATH_IMAGE002
中，则该任务在边缘服务器执行；否则该任务 在云服务器执行；
当时隙
Figure 76611DEST_PATH_IMAGE003
时刻的成本低于上一个时隙
Figure 828666DEST_PATH_IMAGE004
的成本时，更新卸载策略
Figure 838079DEST_PATH_IMAGE005
，
Figure 777216DEST_PATH_IMAGE006
表示
Figure 287701DEST_PATH_IMAGE007
计算节点在时隙
Figure 628684DEST_PATH_IMAGE003
的工作状态，其中
Figure 558067DEST_PATH_IMAGE008
分别代表边缘服务器、 本地设备、云服务器，当
Figure 702610DEST_PATH_IMAGE009
表示
Figure 111726DEST_PATH_IMAGE007
设备执行计算任务，即计算任务卸载到
Figure 556482DEST_PATH_IMAGE007
设备执行；当
Figure 907698DEST_PATH_IMAGE010
表示
Figure 11308DEST_PATH_IMAGE007
设备不执行计算任务。
具体地，采用多层感知器模型学习计算任务特征，并把任务进行类型划分，采用联邦学习训练模型进行训练；具体包括：
初始化参数；初始化在时隙
Figure 224114DEST_PATH_IMAGE003
时本地设备和边缘服务器的CPU频率以及总本地设备 和边缘服务器的CPU频率；
模型初始化；确定多层感知器模型训练模型后初始化模型参数；本地设备模型参 数
Figure 257798DEST_PATH_IMAGE011
、边缘服务器模型参数
Figure 779915DEST_PATH_IMAGE012
、云服务器模型参数
Figure 915362DEST_PATH_IMAGE013
、特征向量
Figure 181127DEST_PATH_IMAGE014
；确定修正线性单元
Figure 603405DEST_PATH_IMAGE015
作为激活函数；
模型的隐藏层处理和测试模型；隐藏层每一层的输出为
Figure 47156DEST_PATH_IMAGE016
，
Figure 919166DEST_PATH_IMAGE017
为权重，
Figure 739355DEST_PATH_IMAGE018
为偏移量；
利用损失函数测试模型训练，损失函数用如下公式表示：
Figure 13210DEST_PATH_IMAGE019
其中，
Figure 877130DEST_PATH_IMAGE020
表示样本，
Figure 252747DEST_PATH_IMAGE021
是样本总数，
Figure 863245DEST_PATH_IMAGE022
表示实际的标签，
Figure 742339DEST_PATH_IMAGE023
表示预测的输出；
代价函数是所有训练数据集的损失函数平均值，用如下公式表示为：
Figure 777160DEST_PATH_IMAGE024
其中，
Figure 623762DEST_PATH_IMAGE020
表示样本，
Figure 785753DEST_PATH_IMAGE025
是样本总数，
Figure 34201DEST_PATH_IMAGE026
表示实际的标签，
Figure 256235DEST_PATH_IMAGE027
表示预测的输出；
具体地，采用联邦学习训练模型进行任务训练；具体包括：
使用
Figure 846923DEST_PATH_IMAGE028
作为模型参数在物联网设备、边缘服务器和云服务器之间进行 通信，其中
Figure 547026DEST_PATH_IMAGE029
为模型参数；
在每一轮的训练开始时，随机选取P个本地物联网设备参与本轮训练，P为正整数；
对于这P个设备，每个设备从边缘服务器下载模型参数并初始化，训练后更新参数并进行边缘聚合，即所有设备将自己的模型参数上传到边缘服务器；
将边缘服务器的参数进行更新并进行全局聚合，即所有边缘服务器将自己的模型参数上传到全局云服务器，并将云服务器的参数进行更新。
具体地，把任务进行分类，具体包括：
任务的复杂性低、对延迟敏感，在本地物联网设备中执行；
任务的复杂性高、对延迟敏感，在边缘服务器中执行；
任务的复杂度高、对延迟不敏感，在云服务器上执行；
任务不能在本地物联网设备中执行、对延迟不敏感，在边缘服务器中执行。
具体地，计算各类型任务的执行得分，将执行得分前N个任务作为集合
Figure 853242DEST_PATH_IMAGE001
，具体 包括：
在边缘服务器中执行的概率为
Figure 964287DEST_PATH_IMAGE030
，则不适合在边缘服务器中执行的概率为
Figure 536213DEST_PATH_IMAGE031
， 二者的比例用
Figure 289275DEST_PATH_IMAGE032
表示；
评分公式为：
Figure 515244DEST_PATH_IMAGE033
其中，
Figure 813501DEST_PATH_IMAGE034
和
Figure 121992DEST_PATH_IMAGE035
是常数。
本发明实施例另一方面提供一种基于联邦学习的卸载智能优化系统，其特征在于，包括：
任务分类单元：采用多层感知器模型学习计算任务特征，并把任务进行类型划分，采用联邦学习训练模型进行训练；
计算评分单元：计算各类型任务的执行得分，将执行得分前N个任务作为集合
Figure 882006DEST_PATH_IMAGE001
；
成本计算单元：计算系统总服务成本，当本地服务器的CPU频率小于一定比例的边 缘服务器频率且当前任务不在集合
Figure 759220DEST_PATH_IMAGE002
中，则该任务在本地执行；当本地服务器的CPU频 率小于一定比例的边缘服务器频率且当前任务在集合
Figure 228379DEST_PATH_IMAGE002
中，则该任务在边缘服务器执 行；否则该任务在云服务器执行；
卸载策略更新单元：当时隙
Figure 24165DEST_PATH_IMAGE003
时刻的成本低于上一个时隙
Figure 135341DEST_PATH_IMAGE004
的成本时，更新卸 载策略
Figure 67393DEST_PATH_IMAGE005
，
Figure 956721DEST_PATH_IMAGE006
表示
Figure 724957DEST_PATH_IMAGE007
计算节点在时隙
Figure 95283DEST_PATH_IMAGE003
的工作状态，其中
Figure 898154DEST_PATH_IMAGE008
分别代表边缘 服务器、本地设备、云服务器，当
Figure 958382DEST_PATH_IMAGE009
表示
Figure 463182DEST_PATH_IMAGE007
设备执行计算任务，即计算任务 卸载到
Figure 119422DEST_PATH_IMAGE007
设备执行；当
Figure 26067DEST_PATH_IMAGE010
表示
Figure 943950DEST_PATH_IMAGE007
设备不执行计算任务。
具体地，任务分类单元，采用多层感知器模型学习计算任务特征，并把任务进行类型划分，采用联邦学习训练模型进行训练；具体包括：
初始化参数；初始化在时隙
Figure 467204DEST_PATH_IMAGE003
时本地设备和边缘服务器的CPU频率以及总本地设备 和边缘服务器的CPU频率；
模型初始化；确定多层感知器模型训练模型后初始化模型参数；本地设备模型参 数
Figure 458294DEST_PATH_IMAGE036
、边缘服务器模型参数
Figure 344079DEST_PATH_IMAGE012
、云服务器模型参数
Figure 749040DEST_PATH_IMAGE013
、特征向量
Figure 962853DEST_PATH_IMAGE014
；确定修正线性单元
Figure 6901DEST_PATH_IMAGE015
作为激活函数；
模型的隐藏层处理和测试模型；隐藏层每一层的输出为
Figure 638870DEST_PATH_IMAGE016
，
Figure 214733DEST_PATH_IMAGE017
为权重，
Figure 197732DEST_PATH_IMAGE018
为偏移量；
利用损失函数测试模型训练，损失函数用如下公式表示：
Figure 779892DEST_PATH_IMAGE019
其中，
Figure 789DEST_PATH_IMAGE020
表示样本，
Figure 541361DEST_PATH_IMAGE021
是样本总数，
Figure 480498DEST_PATH_IMAGE022
表示实际的标签，
Figure 866349DEST_PATH_IMAGE023
表示预测的输出；
代价函数是所有训练数据集的损失函数平均值，用如下公式表示为：
Figure 207331DEST_PATH_IMAGE024
其中，
Figure 390576DEST_PATH_IMAGE020
表示样本，
Figure 82588DEST_PATH_IMAGE025
是样本总数，
Figure 6551DEST_PATH_IMAGE026
表示实际的标签，
Figure 451307DEST_PATH_IMAGE027
表示预测的输出；
具体地，采用联邦学习训练模型进行任务训练；具体包括：
使用
Figure 818835DEST_PATH_IMAGE028
作为模型参数在物联网设备、边缘服务器和云服务器之间进行 通信，其中
Figure 716252DEST_PATH_IMAGE029
为模型参数；
在每一轮的训练开始时，随机选取P个本地物联网设备参与本轮训练，P为正整数；
对于这P个设备，每个设备从边缘服务器下载模型参数并初始化，训练后更新参数并进行边缘聚合，即所有设备将自己的模型参数上传到边缘服务器；
将边缘服务器的参数进行更新并进行全局聚合，即所有边缘服务器将自己的模型参数上传到全局云服务器，并将云服务器的参数进行更新。
具体地，把任务进行分类，具体包括：
任务的复杂性低、对延迟敏感，在本地物联网设备中执行；
任务的复杂性高、对延迟敏感，在边缘服务器中执行；
任务的复杂度高、对延迟不敏感，在云服务器上执行；
任务不能在本地物联网设备中执行、对延迟不敏感，在边缘服务器中执行。
具体地，计算评分单元，计算各类型任务的执行得分，将执行得分前N个任务作为 集合
Figure 460217DEST_PATH_IMAGE001
，具体包括：
在边缘服务器中执行的概率为
Figure 219533DEST_PATH_IMAGE030
，则不适合在边缘服务器中执行的概率为
Figure 476071DEST_PATH_IMAGE031
， 二者的比例用
Figure 877096DEST_PATH_IMAGE032
表示；
得分公式为：
Figure 877282DEST_PATH_IMAGE033
其中，
Figure 31052DEST_PATH_IMAGE037
和
Figure 474803DEST_PATH_IMAGE038
是常数。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
（1）本发明提出一种基于联邦学习的卸载智能优化方法，为了优化计算卸载策略，使用多层感知器模型来学习任务特征，并将任务分类，获取更适合卸载到边缘服务器或云服务器的任务，且为了保护不同物联网设备的隐私数据，使用联邦学习来训练模型，能够避免向服务器传输过程中的数据泄漏，本发明提出的方法，能够降低系统总服务成本，同时保护多参与方的隐私，实现计算卸载优化。
（2）本发明为了控制整体系统的服务成本，在卸载过程中的关键因素设置了不同的权重因子，权重因子由系统管理员根据实际应用场景设置。
附图说明
图1为本发明实施例的方案流程图。
图2为本发明实施例提供的通过联邦学习进行计算卸载优化系统的结构图。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
本发明通过研究移动边缘计算中计算卸载优化问题，提出了一种基于联邦学习的卸载智能优化方法，同时可以保护用户隐私数据。多层感知器模型来学习计算任务的特征（任务大小、任务计算复杂性、延迟敏感性等），并将物联网设备的任务分为四类。然后，为了克服模型训练中访问物联网设备私有数据的问题，采用基于边缘计算的联邦学习框架对计算任务特征提取模型进行训练。在系统成本上，考虑了不同应用场景对延迟、能耗和训练时间的要求不同，设计了一种可由系统管理员自适应调整权重的计算成本的方式。提出的方法在保护隐私的同时控制了总服务成本，提高了系统性能。
如图1为本发明方案一种基于联邦学习的卸载智能优化方法流程图；具体包括如下步骤：
S101：采用多层感知器模型学习计算任务特征并把任务进行分类，采用联邦学习训练模型；
具体地，采用多层感知器模型学习计算任务特征并把任务进行分类，采用联邦学习训练模型；具体包括：
初始化参数；初始化在时隙
Figure 880901DEST_PATH_IMAGE003
时本地设备和边缘服务器的CPU频率以及总本地设备 和边缘服务器的CPU频率；
模型初始化；确定多层感知器模型训练模型后初始化模型参数；本地设备模型参 数
Figure 701089DEST_PATH_IMAGE036
、边缘服务器模型参数
Figure 240524DEST_PATH_IMAGE012
、云服务器模型参数
Figure 855176DEST_PATH_IMAGE013
、特征向量
Figure 480061DEST_PATH_IMAGE039
；确定修正线性单元
Figure 838362DEST_PATH_IMAGE015
作为激活函数；
模型的隐藏层处理和测试模型；若输入层和第一层隐藏层直接存在权重
Figure 497882DEST_PATH_IMAGE040
和偏 移量
Figure 17856DEST_PATH_IMAGE041
，则第一层隐藏层的输出为
Figure 132967DEST_PATH_IMAGE042
，以此类推， 隐藏层每一层的输出为
Figure 278646DEST_PATH_IMAGE016
；利用损失函数测试模型 训练，损失函数用如下公式表示：
Figure 277826DEST_PATH_IMAGE019
其中，
Figure 483549DEST_PATH_IMAGE020
表示样本，
Figure 568179DEST_PATH_IMAGE021
是样本总数，
Figure 986391DEST_PATH_IMAGE022
表示实际的标签，
Figure 92275DEST_PATH_IMAGE023
表示预测的输出。
代价函数是所有训练数据集的损失函数平均值，用如下公式表示为：
Figure 219631DEST_PATH_IMAGE024
其中，
Figure 244088DEST_PATH_IMAGE020
表示样本，
Figure 997149DEST_PATH_IMAGE025
是样本总数，
Figure 954610DEST_PATH_IMAGE026
表示实际的标签，
Figure 518446DEST_PATH_IMAGE027
表示预测的输出。
基于联邦学习的训练；使用
Figure 841585DEST_PATH_IMAGE028
作为模型参数在物联网设备、边缘服务器 和云服务器之间进行通信，在每一轮的训练开始时，随机选取P个本地物联网设备参与本轮 训练，对于这P个设备，每个设备从边缘服务器下载模型参数并初始化
Figure 883490DEST_PATH_IMAGE043
，训练后更新参数 为
Figure 492195DEST_PATH_IMAGE044
；在经历了
Figure 430195DEST_PATH_IMAGE037
次训练轮次后，进行边缘聚合，即所有设备将自己的模型参数上传到 边缘服务器，边缘服务器的参数进行更新：
Figure 960403DEST_PATH_IMAGE045
；在经历了
Figure 55266DEST_PATH_IMAGE038
次训练轮 次后，进行全局聚合，即所有边缘服务器将自己的模型参数上传到全局云服务器，云服务器 的参数进行更新：
Figure 3631DEST_PATH_IMAGE046
。
把任务进行分类，具体包括：
任务的复杂性低、对延迟敏感，在本地物联网设备中执行；
任务的复杂性高、对延迟敏感，在边缘服务器中执行；
任务的复杂度高、对延迟不敏感，在云服务器上执行；
任务不能在本地物联网设备中执行、对延迟不敏感，在边缘服务器中执行。
S102：计算各分类任务的评分，得到排名前N个任务作为集合
Figure 161467DEST_PATH_IMAGE001
；
计算各分类任务的评分，得到排名前N个任务作为集合
Figure 195282DEST_PATH_IMAGE001
，具体包括：
适合在边缘服务器中执行的概率为
Figure 562679DEST_PATH_IMAGE030
，则不适合在边缘服务器中执行的概率为
Figure 631129DEST_PATH_IMAGE031
，二者的比例用
Figure 691357DEST_PATH_IMAGE032
表示；
评分公式为：
Figure 212469DEST_PATH_IMAGE033
其中，
Figure 649135DEST_PATH_IMAGE034
和
Figure 572092DEST_PATH_IMAGE035
是常数。
S103：计算系统总服务成本，当本地服务器的CPU频率小于一定比例的边缘服务器 频率且当前任务不在集合
Figure 806152DEST_PATH_IMAGE002
中，则该任务在本地执行；当本地服务器的CPU频率小于一 定比例的边缘服务器频率且当前任务在集合
Figure 63826DEST_PATH_IMAGE002
中，则该任务在边缘服务器执行；否则该 任务在云服务器执行；
具体地，计算系统总服务成本，具体包括：
系统总服务成本系统为延迟、系统损耗、训练时间成本，具体表示为：
Figure 54916DEST_PATH_IMAGE047
所述延迟包括传输延迟、计算延迟以及等待延迟，其中，
Figure 816068DEST_PATH_IMAGE048
传输延迟，
Figure 234411DEST_PATH_IMAGE049
计算延迟，
Figure 713802DEST_PATH_IMAGE050
等待延迟，
Figure 508583DEST_PATH_IMAGE051
为训练时间，
Figure 127171DEST_PATH_IMAGE052
为系统能耗，
Figure 716415DEST_PATH_IMAGE053
为设备最大能耗限制，
Figure 683103DEST_PATH_IMAGE054
分别表示权重；
传输延迟用下式表示为：
Figure 15995DEST_PATH_IMAGE055
其中
Figure 486160DEST_PATH_IMAGE056
表示一个物联网设备的传输延迟；
Figure 495573DEST_PATH_IMAGE057
个边缘服务器，
Figure 700289DEST_PATH_IMAGE058
分别 表示本地设备和云服务器。
计算延迟用下式表示为：
Figure 811772DEST_PATH_IMAGE059
其中，
Figure 152754DEST_PATH_IMAGE060
来表示计算节点
Figure 598648DEST_PATH_IMAGE007
在时隙
Figure 25081DEST_PATH_IMAGE003
的计算能力，变量
Figure 949044DEST_PATH_IMAGE061
表示计算延迟的计算需求；
Figure 410112DEST_PATH_IMAGE006
表示i计算节点在时隙
Figure 495749DEST_PATH_IMAGE003
的工作状态，当
Figure 927255DEST_PATH_IMAGE009
表示
Figure 405641DEST_PATH_IMAGE007
设备执行计算任务，即 计算任务卸载到
Figure 970483DEST_PATH_IMAGE007
设备执行；当
Figure 243333DEST_PATH_IMAGE010
表示
Figure 628046DEST_PATH_IMAGE007
设备不执行计算任务；
等待延迟用下式表示：
Figure 910123DEST_PATH_IMAGE062
其中
Figure 595051DEST_PATH_IMAGE063
表示为本地设备，
Figure 38802DEST_PATH_IMAGE064
表示为边缘服务器的等待时间；
Figure 179321DEST_PATH_IMAGE065
Figure 999509DEST_PATH_IMAGE066
其中，使用
Figure 7785DEST_PATH_IMAGE067
和
Figure 340547DEST_PATH_IMAGE068
分别表示本地物联网设备和边缘服务器队列中剩余任 务的等待时间，
Figure 434274DEST_PATH_IMAGE069
和
Figure 526994DEST_PATH_IMAGE070
表示计算节点
Figure 392707DEST_PATH_IMAGE007
的任务大小和CPU频率；
系统的能耗表示为：
Figure 365211DEST_PATH_IMAGE071
其中
Figure 867605DEST_PATH_IMAGE072
表示计算能耗，
Figure 231195DEST_PATH_IMAGE073
表示传输能耗；
训练时间表示
Figure 230375DEST_PATH_IMAGE051
。
S104：当时隙
Figure 701677DEST_PATH_IMAGE003
时刻的成本低于上一个时隙
Figure 786308DEST_PATH_IMAGE004
的成本时，更新卸载策略
Figure 470099DEST_PATH_IMAGE005
，
Figure 573053DEST_PATH_IMAGE006
表示i计算节点在时隙
Figure 231567DEST_PATH_IMAGE003
的工作状态，其中
Figure 790112DEST_PATH_IMAGE008
分别代表边缘服务器、 本地设备、云服务器，当
Figure 293906DEST_PATH_IMAGE009
表示
Figure 782525DEST_PATH_IMAGE007
设备执行计算任务，即计算任务卸载到
Figure 815203DEST_PATH_IMAGE007
设备执行；当
Figure 326956DEST_PATH_IMAGE010
表示
Figure 883708DEST_PATH_IMAGE007
设备不执行计算任务；
如图2，本发明另一实施例提供了一种基于联邦学习的卸载智能优化系统，包括：
任务分类单元201：采用多层感知器模型学习计算任务特征并把任务进行分类，采用联邦学习训练模型；
具体地，任务分类单元201，采用多层感知器模型学习计算任务特征并把任务进行分类，采用联邦学习训练模型；具体包括：
初始化参数；初始化在时隙
Figure 977566DEST_PATH_IMAGE003
时本地设备和边缘服务器的CPU频率以及总本地设备 和边缘服务器的CPU频率；
模型初始化；确定多层感知器模型训练模型后初始化模型参数；本地设备模型参 数
Figure 964501DEST_PATH_IMAGE036
、边缘服务器模型参数
Figure 511020DEST_PATH_IMAGE012
、云服务器模型参数
Figure 605884DEST_PATH_IMAGE013
、特征向量
Figure 554248DEST_PATH_IMAGE014
；确定修正线性单元
Figure 709155DEST_PATH_IMAGE015
作为激活函数；
模型的隐藏层处理和测试模型；若输入层和第一层隐藏层直接存在权重
Figure 742970DEST_PATH_IMAGE040
和偏 移量
Figure 641525DEST_PATH_IMAGE041
，则第一层隐藏层的输出为
Figure 709975DEST_PATH_IMAGE042
，以此类推， 隐藏层每一层的输出为
Figure 38712DEST_PATH_IMAGE016
；利用损失函数测试模型 训练，损失函数用如下公式表示：
Figure 294244DEST_PATH_IMAGE019
其中，
Figure 996490DEST_PATH_IMAGE020
表示样本，
Figure 919447DEST_PATH_IMAGE021
是样本总数，
Figure 150577DEST_PATH_IMAGE022
表示实际的标签，
Figure 345935DEST_PATH_IMAGE023
表示预测的输出。
代价函数是所有训练数据集的损失函数平均值，用如下公式表示为：
Figure 984028DEST_PATH_IMAGE074
其中，
Figure 10758DEST_PATH_IMAGE020
表示样本，
Figure 429101DEST_PATH_IMAGE025
是样本总数，
Figure 174072DEST_PATH_IMAGE026
表示实际的标签，
Figure 968853DEST_PATH_IMAGE027
表示预测的输出。
基于联邦学习的训练；使用
Figure 850090DEST_PATH_IMAGE028
作为模型参数在物联网设备、边缘服务器 和云服务器之间进行通信，在每一轮的训练开始时，随机选取P个本地物联网设备参与本轮 训练，对于这P个设备，每个设备从边缘服务器下载模型参数并初始化
Figure 439335DEST_PATH_IMAGE043
，训练后更新参数 为
Figure 408952DEST_PATH_IMAGE044
；在经历了
Figure 741844DEST_PATH_IMAGE037
次训练轮次后，进行边缘聚合，即所有设备将自己的模型参数上传到 边缘服务器，边缘服务器的参数进行更新：
Figure 743167DEST_PATH_IMAGE045
；在经历了
Figure 503313DEST_PATH_IMAGE038
次训练轮 次后，进行全局聚合，即所有边缘服务器将自己的模型参数上传到全局云服务器，云服务器 的参数进行更新：
Figure 957297DEST_PATH_IMAGE046
。
具体地，把任务进行分类，具体包括：
任务的复杂性低、对延迟敏感，在本地物联网设备中执行；
任务的复杂性高、对延迟敏感，在边缘服务器中执行；
任务的复杂度高、对延迟不敏感，在云服务器上执行；
任务不能在本地物联网设备中执行、对延迟不敏感，在边缘服务器中执行。
计算评分单元202：计算各分类任务的评分，得到排名前N个任务作为集合
Figure 93880DEST_PATH_IMAGE001
；
具体地，计算评分单元，计算各分类任务的评分，得到排名前N个任务作为集合
Figure 949710DEST_PATH_IMAGE001
，具体包括：
成本计算单元203：计算系统总服务成本，当本地服务器的CPU频率小于一定比例 的边缘服务器频率且当前任务不在集合
Figure 880756DEST_PATH_IMAGE002
中，则该任务在本地执行；当本地服务器的 CPU频率小于一定比例的边缘服务器频率且当前任务在集合
Figure 824966DEST_PATH_IMAGE002
中，则该任务在边缘服务 器执行；否则该任务在云服务器执行；
具体地，成本计算单元，计算系统总服务成本，具体包括：
系统总服务成本系统为延迟、系统损耗、训练时间成本，具体表示为：
Figure 765240DEST_PATH_IMAGE075
所述延迟包括传输延迟、计算延迟以及等待延迟，其中，
Figure 209997DEST_PATH_IMAGE048
传输延迟，
Figure 311945DEST_PATH_IMAGE049
计算延迟，
Figure 740521DEST_PATH_IMAGE050
等待延迟，
Figure 218907DEST_PATH_IMAGE051
为训练时间，
Figure 783750DEST_PATH_IMAGE076
为系统能耗，
Figure 322178DEST_PATH_IMAGE053
为设备最大能耗限制，
Figure 975401DEST_PATH_IMAGE054
分别表示权重；
传输延迟用下式表示为：
Figure 257478DEST_PATH_IMAGE055
其中
Figure 676827DEST_PATH_IMAGE056
表示一个物联网设备的传输延迟；
Figure 386157DEST_PATH_IMAGE057
个边缘服务器，
Figure 523746DEST_PATH_IMAGE058
分别 表示本地设备和云服务器。
计算延迟用下式表示为：
Figure 343935DEST_PATH_IMAGE059
其中，
Figure 883369DEST_PATH_IMAGE060
来表示计算节点
Figure 763600DEST_PATH_IMAGE007
在时隙
Figure 403134DEST_PATH_IMAGE003
的计算能力，变量
Figure 761434DEST_PATH_IMAGE061
表示计算延迟的计算需求；
Figure 889796DEST_PATH_IMAGE006
表示i计算节点在时隙
Figure 659038DEST_PATH_IMAGE003
的工作状态，当
Figure 256373DEST_PATH_IMAGE009
表示
Figure 870893DEST_PATH_IMAGE007
设备执行计算任务，即 计算任务卸载到
Figure 122271DEST_PATH_IMAGE007
设备执行；当
Figure 813146DEST_PATH_IMAGE010
表示
Figure 678203DEST_PATH_IMAGE007
设备不执行计算任务；
等待延迟用下式表示：
Figure 643885DEST_PATH_IMAGE062
其中
Figure 746839DEST_PATH_IMAGE063
表示为本地设备，
Figure 139774DEST_PATH_IMAGE064
表示为边缘服务器的等待时间；
Figure 960969DEST_PATH_IMAGE065
Figure 464762DEST_PATH_IMAGE066
其中，使用
Figure 956311DEST_PATH_IMAGE067
和
Figure 520147DEST_PATH_IMAGE068
分别表示本地物联网设备和边缘服务器队列中剩余任 务的等待时间，
Figure 828638DEST_PATH_IMAGE069
和
Figure 136122DEST_PATH_IMAGE070
表示计算节点
Figure 479248DEST_PATH_IMAGE007
的任务大小和CPU频率；
系统的能耗表示为：
Figure 213986DEST_PATH_IMAGE071
其中
Figure 9772DEST_PATH_IMAGE072
表示计算能耗，
Figure 855369DEST_PATH_IMAGE073
表示传输能耗；
训练时间表示
Figure 55930DEST_PATH_IMAGE051
。
卸载策略更新单元204：当时隙
Figure 227149DEST_PATH_IMAGE003
时刻的成本低于上一个时隙
Figure 510231DEST_PATH_IMAGE004
的成本时，更新 卸载策略
Figure 159518DEST_PATH_IMAGE005
,
Figure 946078DEST_PATH_IMAGE006
表示i计算节点在时隙
Figure 22618DEST_PATH_IMAGE003
的工作状态，其中
Figure 527418DEST_PATH_IMAGE008
分别代表边 缘服务器、本地设备、云服务器，当
Figure 220874DEST_PATH_IMAGE009
表示
Figure 878252DEST_PATH_IMAGE007
设备执行计算任务，即计算任 务卸载到
Figure 374961DEST_PATH_IMAGE007
设备执行；当
Figure 117789DEST_PATH_IMAGE010
表示
Figure 358146DEST_PATH_IMAGE007
设备不执行计算任务。
本发明提出一种基于联邦学习的卸载智能优化方法，为了优化计算卸载策略，使用多层感知器模型来学习任务特征，并将任务分类，获取更适合卸载到边缘服务器或云服务器的任务，且为了保护不同物联网设备的隐私数据，使用联邦学习来训练模型，能够避免向服务器传输过程中的数据泄漏，本发明提出的方法，能够降低系统总服务成本，同时保护多参与方的隐私，实现计算卸载优化，此外，为了控制整体系统的服务成本，在卸载过程中的关键因素设置了不同的权重因子，权重因子由系统管理员根据实际应用场景设置。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (10)

1.一种基于联邦学习的卸载智能优化方法，其特征在于，包括如下步骤：
采用多层感知器模型学习计算任务特征，并把任务进行类型划分，采用联邦学习训练模型进行训练；
计算各类型任务的执行得分，将执行得分前N个任务作为集合
Figure 664937DEST_PATH_IMAGE001
，N为正整数；
计算系统总服务成本，当本地服务器的CPU频率小于一定比例的边缘服务器频率且当 前任务不在集合
Figure 348859DEST_PATH_IMAGE002
中，则该任务在本地执行；当本地服务器的CPU频率小于一定比例的 边缘服务器频率且当前任务在集合
Figure 553883DEST_PATH_IMAGE002
中，则该任务在边缘服务器执行；否则该任务在云 服务器执行；
当时隙
Figure 535614DEST_PATH_IMAGE003
时刻的成本低于上一个时隙
Figure 433163DEST_PATH_IMAGE004
的成本时，更新卸载策略
Figure 537254DEST_PATH_IMAGE005
， 其中，
Figure 254674DEST_PATH_IMAGE006
表示
Figure 40097DEST_PATH_IMAGE007
计算节点在时隙
Figure 309928DEST_PATH_IMAGE003
的工作状态，其中
Figure 70074DEST_PATH_IMAGE008
分别代表边缘服务器、本地设备、云 服务器，当
Figure 727320DEST_PATH_IMAGE009
表示
Figure 129483DEST_PATH_IMAGE007
设备执行计算任务，即计算任务卸载到
Figure 985312DEST_PATH_IMAGE007
设备执行；当
Figure 368889DEST_PATH_IMAGE010
表示
Figure 60901DEST_PATH_IMAGE007
设备不执行计算任务。
2.根据权利要求1所述的一种基于联邦学习的卸载智能优化方法，其特征在于，采用多层感知器模型学习计算任务特征，并把任务进行类型划分，采用联邦学习训练模型进行训练；具体包括：
初始化参数；初始化在时隙
Figure 253373DEST_PATH_IMAGE003
时本地设备和边缘服务器的CPU频率以及总本地设备和边 缘服务器的CPU频率；
模型初始化；确定多层感知器模型训练模型后初始化模型参数；本地设备模型参数
Figure 714441DEST_PATH_IMAGE011
、 边缘服务器模型参数
Figure 331236DEST_PATH_IMAGE012
、云服务器模型参数
Figure 510545DEST_PATH_IMAGE013
、特征向量
Figure 175881DEST_PATH_IMAGE014
；确定修正线性单元
Figure 757035DEST_PATH_IMAGE015
作为激活函数；
模型的隐藏层处理和测试模型；隐藏层每一层的输出为
Figure 544732DEST_PATH_IMAGE016
，
Figure 211336DEST_PATH_IMAGE017
为权重，
Figure 480031DEST_PATH_IMAGE018
为偏移量；
Figure 368222DEST_PATH_IMAGE007
为隐藏层的层数；
利用损失函数测试模型训练，损失函数用如下公式表示：
Figure 343131DEST_PATH_IMAGE019
其中，
Figure 480720DEST_PATH_IMAGE020
表示样本，
Figure 769750DEST_PATH_IMAGE021
是样本总数，
Figure 309185DEST_PATH_IMAGE022
表示实际的标签，
Figure 189416DEST_PATH_IMAGE023
表示预测的输出；
代价函数是所有训练数据集的损失函数平均值，用如下公式表示为：
Figure 32212DEST_PATH_IMAGE024
其中，
Figure 639780DEST_PATH_IMAGE020
表示样本，
Figure 518874DEST_PATH_IMAGE025
是样本总数，
Figure 819274DEST_PATH_IMAGE026
表示实际的标签，
Figure 682188DEST_PATH_IMAGE027
表示预测的输出。
3.根据权利要求2所述的一种基于联邦学习的卸载智能优化方法，其特征在于，采用联邦学习训练模型进行任务训练；具体包括：
使用
Figure 359026DEST_PATH_IMAGE028
作为模型参数在物联网设备、边缘服务器和云服务器之间进行通信， 其中
Figure 813666DEST_PATH_IMAGE029
为模型参数；
在每一轮的训练开始时，随机选取P个本地物联网设备参与本轮训练，P为正整数；
对于这P个设备，每个设备从边缘服务器下载模型参数并初始化，训练后更新参数并进行边缘聚合，即所有设备将自己的模型参数上传到边缘服务器；
将边缘服务器的参数进行更新并进行全局聚合，即所有边缘服务器将自己的模型参数上传到全局云服务器，并将云服务器的参数进行更新。
4.根据权利要求1所述的一种基于联邦学习的卸载智能优化方法，其特征在于，把任务进行分类，具体包括：
任务的复杂性低、对延迟敏感，在本地物联网设备中执行；
任务的复杂性高、对延迟敏感，在边缘服务器中执行；
任务的复杂度高、对延迟不敏感，在云服务器上执行；
任务不能在本地物联网设备中执行、对延迟不敏感，在边缘服务器中执行。
5.根据权利要求3所述的一种基于联邦学习的卸载智能优化方法，其特征在于，计算各 类型任务的执行得分，将执行得分前N个任务作为集合
Figure 35699DEST_PATH_IMAGE001
，具体包括：
在边缘服务器中执行的概率为
Figure 900756DEST_PATH_IMAGE030
，则不适合在边缘服务器中执行的概率为
Figure 866438DEST_PATH_IMAGE031
，二者 的比例用
Figure 234971DEST_PATH_IMAGE032
表示；
评分公式为：
Figure 565590DEST_PATH_IMAGE033
其中，
Figure 917943DEST_PATH_IMAGE034
和
Figure 421736DEST_PATH_IMAGE035
是常数。
6.一种基于联邦学习的卸载智能优化系统，其特征在于，包括：
任务分类单元：采用多层感知器模型学习计算任务特征，并把任务进行类型划分，采用联邦学习训练模型进行训练；
计算评分单元：计算各类型任务的执行得分，将执行得分前N个任务作为集合
Figure 913285DEST_PATH_IMAGE001
，N 为正整数；
成本计算单元：计算系统总服务成本，当本地服务器的CPU频率小于一定比例的边缘服 务器频率且当前任务不在集合
Figure 211542DEST_PATH_IMAGE002
中，则该任务在本地执行；当本地服务器的CPU频率小 于一定比例的边缘服务器频率且当前任务在集合
Figure 785612DEST_PATH_IMAGE002
中，则该任务在边缘服务器执行；否 则该任务在云服务器执行；
卸载策略更新单元：当时隙
Figure 545626DEST_PATH_IMAGE003
时刻的成本低于上一个时隙
Figure 373905DEST_PATH_IMAGE004
的成本时，更新卸载策 略
Figure 357911DEST_PATH_IMAGE005
，
Figure 904429DEST_PATH_IMAGE006
表示
Figure 267802DEST_PATH_IMAGE007
计算节点在时隙
Figure 481746DEST_PATH_IMAGE003
的工作状态，其中
Figure 636653DEST_PATH_IMAGE008
分别代表边缘服务 器、本地设备、云服务器，当
Figure 873730DEST_PATH_IMAGE009
表示
Figure 37864DEST_PATH_IMAGE007
设备执行计算任务，即计算任务卸载 到
Figure 840735DEST_PATH_IMAGE007
设备执行；当
Figure 369805DEST_PATH_IMAGE010
表示
Figure 865816DEST_PATH_IMAGE007
设备不执行计算任务。
7.根据权利要求6所述的一种基于联邦学习的卸载智能优化系统，其特征在于，任务分类单元，采用多层感知器模型学习计算任务特征，并把任务进行类型划分，采用联邦学习训练模型进行训练；具体包括：
初始化参数；初始化在时隙
Figure 53215DEST_PATH_IMAGE003
时本地设备和边缘服务器的CPU频率以及总本地设备和边 缘服务器的CPU频率；
模型初始化；确定多层感知器模型训练模型后初始化模型参数；本地设备模型参数
Figure 694280DEST_PATH_IMAGE036
、 边缘服务器模型参数
Figure 659831DEST_PATH_IMAGE012
、云服务器模型参数
Figure 668238DEST_PATH_IMAGE013
、特征向量
Figure 377437DEST_PATH_IMAGE014
；确定修正线性单元
Figure 548043DEST_PATH_IMAGE015
作为激活函数；
模型的隐藏层处理和测试模型；隐藏层每一层的输出为
Figure 684495DEST_PATH_IMAGE016
，
Figure 429466DEST_PATH_IMAGE017
为权重，
Figure 693089DEST_PATH_IMAGE018
为偏移量，
Figure 512009DEST_PATH_IMAGE007
为隐藏层的层数；
利用损失函数测试模型训练，损失函数用如下公式表示：
Figure 556713DEST_PATH_IMAGE019
其中，
Figure 851297DEST_PATH_IMAGE020
表示样本，
Figure 433457DEST_PATH_IMAGE021
是样本总数，
Figure 654354DEST_PATH_IMAGE022
表示实际的标签，
Figure 401117DEST_PATH_IMAGE023
表示预测的输出；
代价函数是所有训练数据集的损失函数平均值，用如下公式表示为：
Figure 58363DEST_PATH_IMAGE024
其中，
Figure 178635DEST_PATH_IMAGE020
表示样本，
Figure 706568DEST_PATH_IMAGE025
是样本总数，
Figure 839214DEST_PATH_IMAGE026
表示实际的标签，
Figure 796806DEST_PATH_IMAGE027
表示预测的输出。
8.根据权利要求7所述的一种基于联邦学习的卸载智能优化系统，其特征在于，采用联邦学习训练模型进行任务训练；具体包括：
使用
Figure 189610DEST_PATH_IMAGE028
作为模型参数在物联网设备、边缘服务器和云服务器之间进行通信， 其中
Figure 368788DEST_PATH_IMAGE029
为模型参数；
在每一轮的训练开始时，随机选取P个本地物联网设备参与本轮训练，P为正整数；
对于这P个设备，每个设备从边缘服务器下载模型参数并初始化，训练后更新参数并进行边缘聚合，即所有设备将自己的模型参数上传到边缘服务器；
将边缘服务器的参数进行更新并进行全局聚合，即所有边缘服务器将自己的模型参数上传到全局云服务器，并将云服务器的参数进行更新。
9.根据权利要求6所述的一种基于联邦学习的卸载智能优化系统，其特征在于，把任务进行分类，具体包括：
任务的复杂性低、对延迟敏感，在本地物联网设备中执行；
任务的复杂性高、对延迟敏感，在边缘服务器中执行；
任务的复杂度高、对延迟不敏感，在云服务器上执行；
任务不能在本地物联网设备中执行、对延迟不敏感，在边缘服务器中执行。
10.根据权利要求8所述的一种基于联邦学习的卸载智能优化系统，其特征在于，计算 评分单元，计算各类型任务的执行得分，将执行得分前N个任务作为集合
Figure 939577DEST_PATH_IMAGE001
，具体包括：
在边缘服务器中执行的概率为
Figure 495717DEST_PATH_IMAGE030
，则不适合在边缘服务器中执行的概率为
Figure 895474DEST_PATH_IMAGE031
，二者 的比例用
Figure 663579DEST_PATH_IMAGE032
表示；
得分公式为：
Figure 61062DEST_PATH_IMAGE033
其中，
Figure 917548DEST_PATH_IMAGE037
和
Figure 183313DEST_PATH_IMAGE038
是常数。
CN202110957576.7A 2021-08-20 2021-08-20 一种基于联邦学习的卸载智能优化方法和系统 Pending CN113408675A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110957576.7A CN113408675A (zh) 2021-08-20 2021-08-20 一种基于联邦学习的卸载智能优化方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110957576.7A CN113408675A (zh) 2021-08-20 2021-08-20 一种基于联邦学习的卸载智能优化方法和系统

Publications (1)

Publication Number Publication Date
CN113408675A true CN113408675A (zh) 2021-09-17

Family

ID=77689023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110957576.7A Pending CN113408675A (zh) 2021-08-20 2021-08-20 一种基于联邦学习的卸载智能优化方法和系统

Country Status (1)

Country Link
CN (1) CN113408675A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114116050A (zh) * 2021-11-16 2022-03-01 天津市英贝特航天科技有限公司 一种边缘计算的选择性卸载方法及系统
CN114143212A (zh) * 2021-11-26 2022-03-04 天津大学 一种面向智慧城市的社会化学习方法
CN114219097A (zh) * 2021-11-30 2022-03-22 华南理工大学 一种基于异构资源之上的联邦学习训练和预测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112181666A (zh) * 2020-10-26 2021-01-05 华侨大学 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、系统、设备和可读存储介质
CN112367353A (zh) * 2020-10-08 2021-02-12 大连理工大学 基于多智能体强化学习的移动边缘计算卸载方法
CN112817653A (zh) * 2021-01-22 2021-05-18 西安交通大学 一种基于云边端的联邦学习计算卸载计算系统及方法
CN113220369A (zh) * 2021-05-27 2021-08-06 北京师范大学珠海校区 一种基于分布式机器学习的智能计算卸载优化方法
CN113238867A (zh) * 2021-05-19 2021-08-10 浙江凡双科技有限公司 一种基于网络卸载的联邦学习方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112367353A (zh) * 2020-10-08 2021-02-12 大连理工大学 基于多智能体强化学习的移动边缘计算卸载方法
CN112181666A (zh) * 2020-10-26 2021-01-05 华侨大学 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、系统、设备和可读存储介质
CN112817653A (zh) * 2021-01-22 2021-05-18 西安交通大学 一种基于云边端的联邦学习计算卸载计算系统及方法
CN113238867A (zh) * 2021-05-19 2021-08-10 浙江凡双科技有限公司 一种基于网络卸载的联邦学习方法
CN113220369A (zh) * 2021-05-27 2021-08-06 北京师范大学珠海校区 一种基于分布式机器学习的智能计算卸载优化方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114116050A (zh) * 2021-11-16 2022-03-01 天津市英贝特航天科技有限公司 一种边缘计算的选择性卸载方法及系统
CN114143212A (zh) * 2021-11-26 2022-03-04 天津大学 一种面向智慧城市的社会化学习方法
CN114219097A (zh) * 2021-11-30 2022-03-22 华南理工大学 一种基于异构资源之上的联邦学习训练和预测方法及系统
CN114219097B (zh) * 2021-11-30 2024-04-09 华南理工大学 一种基于异构资源之上的联邦学习训练和预测方法及系统

Similar Documents

Publication Publication Date Title
Tang et al. Computational intelligence and deep learning for next-generation edge-enabled industrial IoT
CN113408675A (zh) 一种基于联邦学习的卸载智能优化方法和系统
Zhang et al. A real-time and non-cooperative task allocation framework for social sensing applications in edge computing systems
Xu et al. Uav-assisted task offloading for iot in smart buildings and environment via deep reinforcement learning
Abd Elaziz et al. IoT workflow scheduling using intelligent arithmetic optimization algorithm in fog computing
Wang et al. A deep learning based energy-efficient computational offloading method in Internet of vehicles
Zhang et al. New agent-based proactive migration method and system for big data environment (BDE)
CN111027736A (zh) 多目标优化下的微服务组合部署与调度方法
CN110928654A (zh) 一种边缘计算系统中分布式的在线任务卸载调度方法
CN112650585A (zh) 一种新型边缘-云协同边缘计算平台、方法及存储介质
Rui et al. Computation offloading in a mobile edge communication network: A joint transmission delay and energy consumption dynamic awareness mechanism
Liu et al. Fedpa: An adaptively partial model aggregation strategy in federated learning
CN114327889A (zh) 一种面向分层联邦边缘学习的模型训练节点选择方法
Lin et al. Contribution‐based Federated Learning client selection
CN116669111A (zh) 一种基于区块链的移动边缘计算任务卸载方法
Rahbari et al. Fast and fair computation offloading management in a swarm of drones using a rating-based federated learning approach
Wang et al. CoopFL: Accelerating federated learning with DNN partitioning and offloading in heterogeneous edge computing
Chen Design of computer big data processing system based on genetic algorithm
Liu et al. Joint task offloading and dispatching for MEC with rational mobile devices and edge nodes
Zhang et al. Communication-efficient and Byzantine-robust federated learning for mobile edge computing networks
Qiu et al. IEEE transactions on sustainable computing, special issue on smart data and deep learning in sustainable computing
CN113220369B (zh) 一种基于分布式机器学习的智能计算卸载优化方法
Yan et al. Service caching for meteorological emergency decision-making in cloud-edge computing
EP4202676A1 (en) Method and apparatus for multi-task scheduling, device and storage medium
Xie et al. A multiuser manufacturing resource service composition method based on the bees algorithm

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210917