推荐星级：

动态物联网环境下的联盟学习计算卸载优化

更新时间：2020-01-01 21:05:10 大小：2M 上传用户：songhuahua 查看TA发布的资源 标签：物联网 下载积分：1分评价赚积分（如何评价?）打赏收藏评论(0) 举报

资料介绍

智能城市、智慧工厂等对物联网设备(Internet of Things,IoT)的性能和连接性提出了挑战。边缘计算的出现弥补了这些能力受限的设备,通过将密集的计算任务从它们迁移到边缘节点(Edge Node,EN),物联网设备能够在节约更多能耗的同时,仍保持服务质量。计算卸载决策涉及协作和复杂的资源管理,应该根据动态工作负载和网络环境实时确定计算卸载决策。采用模拟实验的方法,通过在物联网设备和边缘节点上都部署深度强化学习代理来最大化长期效用,并引入联盟学习来分布式训练深度强化学习代理。首先构建支持边缘计算的物联网系统,IoT从EN处下载已有模型进行训练,密集型计算任务卸载至EN进行训练;IoT上传更新的参数至EN,EN聚合该参数与EN处的模型得到新的模型;云端可在EN处获得新的模型并聚合,IoT也可以从EN获得更新的参数应用在设备上。经过多次迭代,该IoT能获得接近集中式训练的性能,并且降低了物联网设备和边缘节点之间的传输成本,实验证实了决策方案和联盟学习在动态物联网环境中的有效性。

部分文件列表

文件名	大小
动态物联网环境下的联盟学习计算卸载优化.pdf	2M

立即下载

【关注视频号领20积分】【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）

Computer Engineering and Applications计算机工程与应用

2019，55（16） 157

动态物联网环境下的联盟学习计算卸载优化

王鹏然¹，任建吉²

1.北京邮电大学国际学院，北京 100876

2.河南理工大学计算机科学与技术学院（软件学院），河南焦作 454000

摘

要：智能城市、智慧工厂等对物联网设备（Internet of Things，IoT）的性能和连接性提出了挑战。边缘计算的出

现弥补了这些能力受限的设备，通过将密集的计算任务从它们迁移到边缘节点（Edge Node，EN），物联网设备能够

在节约更多能耗的同时，仍保持服务质量。计算卸载决策涉及协作和复杂的资源管理，应该根据动态工作负载和网

络环境实时确定计算卸载决策。采用模拟实验的方法，通过在物联网设备和边缘节点上都部署深度强化学习代理

来最大化长期效用，并引入联盟学习来分布式训练深度强化学习代理。首先构建支持边缘计算的物联网系统，IoT

从EN处下载已有模型进行训练，密集型计算任务卸载至EN进行训练；IoT上传更新的参数至EN，EN聚合该参数与

EN处的模型得到新的模型；云端可在EN处获得新的模型并聚合，IoT也可以从EN获得更新的参数应用在设备上。

经过多次迭代，该IoT能获得接近集中式训练的性能，并且降低了物联网设备和边缘节点之间的传输成本，实验证实

了决策方案和联盟学习在动态物联网环境中的有效性。

关键词：联盟学习；计算卸载；物联网（IoT）；边缘计算

文献标志码：A 中图分类号：TP39 doi：10.3778/j.issn.1002-8331.1905-0260

王鹏然，任建吉.动态物联网环境下的联盟学习计算卸载优化.计算机工程与应用，2019，55（16）：157-164.

WANG Pengran, REN Jianji. Computation offloading optimization of federated learning in dynamic Internet of things

environment. Computer Engineering and Applications, 2019, 55（16）：157-164.

Computation Offloading Optimization of Federated Learning in Dynamic Internet of Things

Environment

WANG Pengran¹, REN Jianji²

1.International College, Beijing University of Posts and Telecommunications, Beijing 100876, China

2.College of Computer Science and Technology（Software College）, Henan Polytechnic University, Jiaozuo, Henan

454000, China

Abstract：Smart cities, smart factories pose challenges to the performance and connectivity of Internet of Things（IoT）.

The emergence of edge computing makes up for these limited capabilities. By migrating intensive computing tasks from

them to Edge Nodes（EN）, IoT devices can save more energy while still maintaining their services quality. Computational

offloading decisions involve collaboration and complex resource management, and they should determine it in real time

based on dynamic workloads and network environments. This paper adopts the method of a simulation experiment. Maxi-

mize long-term utility by deploying deep reinforcement learning agents on both IoT devices and edge nodes, and intro-

duce federated learning to distribute training deep reinforcement learning agents. First, build an IoT system that supports

edge computing. IoT downloads existing models from EN to train; they offload intensive computing tasks to EN training;

IoT uploads updated parameters to EN, and EN aggregates the parameters with the model at EN to get a new model. The

cloud can get new models and aggregates at EN, and IoT can also get updated parameters from EN to apply to the device.

After several iterations, IoT can get close to centralized training performance and reduce the transmission cost between

作者简介：王鹏然（1997—），男，研究领域为机器学习、边缘计算，E-mail：；任建吉（1982—），男，副教

授，研究领域为移动边缘计算、物联网。

收稿日期：2019-05-17

修回日期：2019-07-12

文章编号：1002-8331（2019）16-0157-08

CNKI网络出版：2019-07-17, http://kns.cnki.net/kcms/detail/11.2127.TP.20190716.1443.006.html

158

2019，55（16）

Computer Engineering and Applications计算机工程与应用

IoT devices and edge nodes. Experiments verify the effectiveness of decision-making schemes and federated learning in

dynamic IoT environment.

Key words：federated learning; computation offloading; Internet of Things（IoT）; edge computing

随着越来越严格的用户数据隐私保护，谷歌提出数

据保留在本地的联盟学习来分布式训练模型并取得较

好的隐私保护^[8]，但是联盟学习并未考虑更新模型时流

量的使用及压缩模型技术。随后文献[9]考虑了模型的

压缩与小批量更新来减少流量的使用，但是训练时的速

度相对较慢，同时也没有考虑网络环境可能带来的影响。

经分析，相对于集中式云解决方案，分布式学习框

架能减少传输数据时的系统消耗94%，同时精度损失降

低2%^[10]，但分析仅考虑传输数据时的能量，并未考虑本

地计算时消耗的能量。文献[11]在资源受限的边缘计算

系统中，分析了联合学习收敛边界并提出模型聚合控制

策略以最小化损失函数。文献[12]则重点使用了非独

立同分布数据进行联合学习。这些并未考虑到计算卸

载时的决策制定，在边缘计算系统中，卸载决策的优劣

可能决定了设备性能与能耗等。

1 引言

物联网设备广泛应用于工业控制、网络设备系统、

公共安全设备、环境监测等许多领域。为了迎合未来智

能城市、工厂、医疗系统等日益增长的服务需求，大规模

物联网设备将会被普遍部署，用来完成监控、传感数据

收集和预处理以及实时决策等任务。

在工业领域，物联网设备被用来监测工厂设备的正

常运行，或者被用来监测排污是否符合标准；在自动驾

驶中，未来结合5G的物联网系统可以实现车车互联，物

联网设备监测得到车辆数据，车辆的数据经过边缘计算

和云计算给车下达控制指令；智能家居方面，物联网设

备感知家居环境后做出一系列的决策来维持家居环

境。因此，数据完整性、低延迟、自动决策等成为物联网

设备追求的目标。

一般来说，物联网设备是相对性能较差和异构的，

因此用以直接支撑大规模物联网所带来的密集计算量

是不可行的。边缘计算作为一种新兴技术，被设想为用

来承接物联网设备卸载任务的前景很好的架构^[1]。另一

方面，边缘计算系统中的边缘节点被用作它们之间的协

调器，负责它们的通信甚至负载平衡。

Wang等建议将深度强化学习和联盟学习框架与移

动边缘系统相结合，以优化移动边缘计算、缓存和通

信^[13]。Chen 等采用了深度强化学习来处理计算卸载中

的综合资源分配，以最大限度地提高能耗和执行延迟的

长期效益，并且不需要预先了解信道状态信息，只需要

局部信息而不是全局信息即可实现综合资源分配^[14]

。

为了减少物联网设备的延迟，在数据包传输方

这种优化可以解决以下问题：（1）不确定的输入，由于隐

私问题和无线电信道的动态变化，很难获得一些与模型

相关的优化所必需的关键信息；（2）动态条件，要考虑整

个边缘系统的实时动态工作量；（3）时间隔离，不仅要优

化系统的快照，还要考虑系统的长期效用。然而，文

献[14]已经做出了一个未被注意的假设，即物联网设备

被认为是一台功能非常强大的设备，具有独立训练自己

的深度强化学习代理的计算能力。然而，在不久的将

来，物联网设备可能不那么强大，它们可能最多只支持

轻量级神经网络的计算。

面，Qiu 等使用数据包优先级和过期日的 EARS（Data-

[2]

Emergency-Aware Scheduling）；在数据包的调度方面，

物联网背压调度方案 EABS（Event-Aware Backpressure

Scheduling）被提出^[3]；Qiu 等提出应急数据的蛛网传输

机制^[4]。通过改变数据包传输时的优先级能够一定程度

减少延迟，但是数据包的传输延迟受到传输距离的限

制，数据包的紧急级别与调度的优化并不能够从根本上

降低延迟。而边缘计算的出现则可以从根本上大幅度

降低延迟。

通过边缘计算，物联网设备能够减少数据包传输距

离，从而降低延迟。除此之外，物联网设备能够将其密

集型任务卸载到边缘节点，从而利用通信和计算之间的

权衡，赋予它们节能和性能增强的潜力。因此，提出有

用且高效的调度方法是非常有益的^[5]。以往的相关工作

提出用凸优化^[6]和博弈论^[7]来解决卸载过程中的资源分

配问题。然而，这些传统方法需要准确的信道状态信息

或设备和边缘节点的全局信息，而从复杂的环境中获得

这些信息是不切实际的。此外，计算卸载涉及无线通

信、计算和网络的综合资源，并且这些方法在资源约束

或目标函数发生变化时不容易改变，难以解决相关但不

同的优化问题。

因此，本文使用联盟学习来训练深度强化学习代

理，这些代理用于通信和计算资源的联合分配。实验结

果表明，与集中式训练方法相比，该方法具有较好的

效果。

2 系统模型

2.1 系统架构

本文采用图 1 所示的在物联网环境中具有能量收

集的系统模型用于分析。在这种情况下，集合 D=

{1,2,…,D} 中的设备处于集合 N={1,2,…,N} 中边缘节

点（Edge Node，EN）的服务范围内，边缘节点提供通信

全部评论(0)

暂无评论

评论赚积分>>

上传资源上传优质资源有赏金

动态物联网环境下的联盟学习计算卸载优化

资料介绍

部分文件列表

部分页面预览

相关下载

全部评论(0)

热门标签

最新上传

热门下载

推荐下载

专栏首页