机构名称：
¥ 1.0
摘要 — 云计算提供对计算资源的按需访问，同时外包基础设施和服务维护。边缘计算可以利用单板计算机等低成本硬件将云计算能力扩展到计算资源有限的地区，例如农村地区。云数据中心托管的机器学习算法可能会违反用户隐私和数据保密性要求。联邦学习 (FL) 无需将数据发送到中央服务器即可训练模型并确保数据隐私。使用 FL，多个参与者可以在单个机器学习模型上进行协作而无需共享数据。但是，农村网络中断可能随时发生，并且无线网络的质量因位置而异，这会影响联邦学习应用程序的性能。因此，需要一个能够独立于基础设施状态维护服务质量的平台。我们提出了一种针对农村 FL 的自适应系统，该系统采用基于贪婪提名启发式 (GNH) 的优化来协调构成农村计算环境的多个资源之间的应用程序工作流。GNH 为工作流放置提供分布式优化。GNH 利用资源状态来降低故障风险和成本，同时仍按时完成任务。我们的方法使用模拟农村环境进行了验证 - 由多个共享相同基础设施并运行共享 FL 应用程序的分散控制器组成。结果表明，GNH 在部署 FL 任务方面优于三种算法：随机放置、循环负载平衡器和简单贪婪算法。索引术语 - 计算连续体、联邦学习、无服务器计算。
农村人工智能的自适应边缘云环境 - ORCA
主要关键词
相关文件推荐
