ارائه چارچوبی برای استقرار برنامه های کاربردی اینترنت اشیاء با ارتباطات کارآمد در رایانش لبه مبتنی بر یادگیری فدرال

پیشرفت سریع اینترنت اشیا (IoT) و برنامه های کاربردی شبکه های اجتماعی منجر به رشد تصاعدی داده های تولید شده در لبه شبکه می شود. پیش بینی شده است که نرخ تولید داده در آینده نزدیک از ظرفیت اینترنت امروزی فراتر رود. به دلیل نگرانی های محدودیت های پهنای باند شبکه، حفظ حریم خصوصی داده ها و تاخیر در پردازش و ارائه داده ها، ارسال تمام داده ها به یک ابر راه دور غیرعملی و اغلب غیرضروری است. برای تجزیه و تحلیل مقادیر زیادی از داده ها و به دست آوردن اطلاعات مفید برای تشخیص، طبقه بندی و پیش بینی رویدادهای آینده، اغلب از تکنیک های یادگیری ماشین استفاده می شود. یکی از عوامل کلیدی یادگیری ماشینی توانایی یادگیری و آموزش مدل ها با استفاده از حجم بسیار زیاد داده ها است. با افزایش حجم داده هایی که توسط برنامه های کاربردی جدید تولید می شود و برنامه های کاربردی بیشتر مبتنی بر داده ها می شوند، می توان پیش بینی کرد که وظایف یادگیری ماشین در آینده به حجم کاری غالب در سیستم های محاسبات لبه سیار توزیع شده تبدیل خواهد شد. با این حال، انجام یادگیری ماشینی توزیع شده در این سیستم ها با محدودیت منابع چالش برانگیز است. در این مقاله ما با معرفی ساختار سلسله مراتبی مبتنی بر یادگیری فدرال و بکارگیری محاسبات لبه و همچنین استفاده از روش های نوین بهینه سازی، عملکرد یادگیری و آموزش را بهبود بخشیده و نشان می دهیم که چگونه می توان از محاسبات محدود و منابع ارتباطی در لبه برای عملکرد یادگیری بهینه استفاده کرد، به طوری که حریم خصوصی کاربران به طور موثر و محسوسی رعایت شده و داده های کاربران حتی الامکان به سرورهای ابر ارسال نگردد. ما یک معماری محاسباتی لبه مبتنی بر یادگیری فدرال (همبسته) را در نظر می گیریم که در آن گره های لبه از طریق عناصر شبکه مانند دروازه ها و روترها با ابر راه دور به هم متصل می شوند، داده های خام در چندین گره لبه جمع آوری و ذخیره می شوند و یک مدل یادگیری ماشینی از داده های توزیع شده بدون ارسال داده های خام از گره ها به یک مکان مرکزی آموزش داده می شود. همچنین برای فرآیند آموزش در سرورهای لبه به جای استفاده از گرادیان نزولی استاندارد از الگوریتم LION استفاده کرده تا بتوانیم سرعت همگرایی را افزایش دهیم. شبیه سازی و پیاده سازی مدل پیشنهادی و آزمایشات بر روی مجموعه داده های MNIST نشان داده است که مدل پیشنهادی نسبت به مدل های مشابه عملکرد بهتری در زمینه سرعت، همگرایی، تاخیر، دقت و هزینه خواهد داشت.

کلیدواژه ها:

اینترنت اشیاء ، محاسبات لبه ، یادگیری همبسته ، یادگیری فدرال ، یادگیری ماشین