ارائه چارچوبی برای استقرار برنامه های کاربردی اینترنت اشیاء با ارتباطات کارامد در رایانش لبه مبتنی بر یادگیری فدرال
ارائه چارچوبی برای استقرار برنامه های کاربردی اینترنت اشیاء با ارتباطات کارامد در رایانش لبه مبتنی بر یادگیری فدرال
حامد امیرخسرو1 سید حمید حاج سید جوادی2 محمد فرجی مهماندار3 سام جبه داری4
1) دانشجوی دکتری مهدسی کامپیوتر گرایش نرم افزار دانشگاه آزاد اسلامی واحد تهران شمال، ایران-
2) استاد, گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی دانشگاه شاهد، ایران-
3) استادیار گروه مهندسی کامپیوتر، واحد پرند ، دانشگاه آزاد اسلامی ، پرند ، ایران-
4) استاد گروه مهندسی کامپیوتر، واحد تهران شمال ، دانشگاه آزاد اسلامی ، تهران ، ایران-
کد IOI مقاله
:
AAHD-ABKGBG
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
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 محدودیتهای پهنای باند شبکه، حفظ حریم خصوصی داده ها و تأخیر در پردازش و ارائه داده ها، ارسال تمام داده ها به یک ابر راه دور غیرعملی و اغلب غیر ضروری 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 میشود. یکی از عوامل کلیدی یادگیری ماشینی، توانایی یادگیری (آموزش) مدل ها با استفاده از حجم بسیار زیاد داده است. با افزایش حجم دادههایی که توسط برنامههای کاربردی جدید تولید میشود و برنامههای کاربردی بیشتر مبتنی بر دادهها میشوند، میتوان پیشبینی کرد که وظایف یادگیری ماشین در آینده به حجم کاری غالب در سیستمهای محاسبات لبه سیار توزیعشده تبدیل خواهد شد. با این حال، انجام یادگیری ماشینی توزیع شده در این سیستمهابا 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 روشهای نوین بهینهسازی عملکرد یادگیری و آموزش را بهبود بخشیده و نشان میدهیم که چگونه می توان از محاسبات محدود و منابع ارتباطی در لبه برای عملکرد یادگیری بهینه استفاده کرد بطوریکه حریم خصوصی کاربران بطور مؤثر 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. .دادههای خام در چندین گره لبه جمعآوری و ذخیره میشوند و یک مدل یادگیری ماشینی از دادههای توزیعشده بدون ارسال دادههای خام از گرهها به یک مکان مرکزی آموزش داده میشود. همچنین برای فرآیند آموزش در سرورهای لبه بجای 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 دادههای MNIST نشان داده است که مدل پیشنهادی نسبت به مدلهای مشابه عملکرد بهتری در زمینه سرعت همگرایی، تأخیر، دقت و هزینه خواهد داشت.
کلمات کلیدی : اینترنت اشیاء محاسبات لبه یادگیری همبسته یادگیری فدرال یادگیری ماشین