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 PDFInfo
- 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
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
Description
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;
当时隙时刻的成本低于上一个时隙的成本时,更新卸载策略,表示计算节点在时隙的工作状态,其中分别代表边缘服务器、
本地设备、云服务器,当表示设备执行计算任务,即计算任务卸载到
设备执行;当表示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:
利用损失函数测试模型训练,损失函数用如下公式表示:
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:
具体地,采用联邦学习训练模型进行任务训练;具体包括:
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。
评分公式为:
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;
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:当时隙时刻的成本低于上一个时隙的成本时,更新卸
载策略,表示计算节点在时隙的工作状态,其中分别代表边缘
服务器、本地设备、云服务器,当表示设备执行计算任务,即计算任务
卸载到设备执行;当表示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:
利用损失函数测试模型训练,损失函数用如下公式表示:
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:
具体地,采用联邦学习训练模型进行任务训练;具体包括:
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。
得分公式为:
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:
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:
基于联邦学习的训练;使用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,训练后更新参数
为;在经历了次训练轮次后,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:;在经历了次训练轮
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:。
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。
评分公式为:
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:
传输延迟用下式表示为:
计算延迟用下式表示为:
等待延迟用下式表示:
系统的能耗表示为:
S104:当时隙时刻的成本低于上一个时隙的成本时,更新卸载策略,表示i计算节点在时隙的工作状态,其中分别代表边缘服务器、
本地设备、云服务器,当表示设备执行计算任务,即计算任务卸载到
设备执行;当表示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:
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:
基于联邦学习的训练;使用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,训练后更新参数
为;在经历了次训练轮次后,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:;在经历了次训练轮
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:。
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。
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:
传输延迟用下式表示为:
计算延迟用下式表示为:
等待延迟用下式表示:
系统的能耗表示为:
卸载策略更新单元204:当时隙时刻的成本低于上一个时隙的成本时,更新
卸载策略,表示i计算节点在时隙的工作状态,其中分别代表边
缘服务器、本地设备、云服务器,当表示设备执行计算任务,即计算任
务卸载到设备执行;当表示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;
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:
利用损失函数测试模型训练,损失函数用如下公式表示:
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:
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。
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;
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;
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:
利用损失函数测试模型训练,损失函数用如下公式表示:
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:
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。
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)
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)
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 |
-
2021
- 2021-08-20 CN CN202110957576.7A patent/CN113408675A/zh active Pending
Patent Citations (5)
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)
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 |