جستجو
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
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
زبان مقاله : فارسی
محور مقاله : هوش مصنوعی و اینترنت اشیاء
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری
آدرس وب سایت کنفرانس : itnaf.ir
کد IOI مقاله : AAHD-ABKGBG
لینک مستقیم مقاله : https://isnac.ir/AAHD-ABKGBG
نمایش چکیده انگلیسی
: https://isnac.ir/SA/AAHD-ABKGBG
سایر مقالات محل انتشار
- A Study on Design Understandability and Interaction of the therapy-specific Robots
- طراحی و مهندسی یک حسگر زیستی نوری چند مدی پلاسمونیک مبتنی بر تشدیدگرهای حلقه شکاف برای سنجش جامع آنتیژن
- طراحی یک اسیلاتورکنترل شونده با ولتاژ با نویز فاز بسیار پایین و بازه وسیع فرکانسی با تکنولوژی نانولوله کربنی برای کاربردهای PLL
- یک چارچوب هوشمند آگاه به زمینه برای ارتباطات V2V و V2Iدر شبکههای خودرویی شهرهای هوشمند با استفاده از دادههای ترافیکی شبکه سلولی
- An Ensemble Non-Dominated Feature Selection Method: A Case Study on Prostate Cancer
- تشخیص زودهنگام پوسیدگی دندان با استفاده از شبکههای عصبی
- Simulation and Performance Comparison of Torque Tube and LVDT Sensors in Displacer-Based Level Measurement Systems
- ارتقا سامانه ناوبری پهپاد مهاجر ۶ با استفاده از فناوری
- کاربرد نانوذرات مگنتیت (Fe3O4) در پزشکی (از سنتز تا عملکرد)
- Simulation and Modeling of Floating-Gate Non-Volatile Memory Performance: Focus on Oxide Thickness, Programming Speed, and Charge Transport Mechanisms
- Fraud Analytics with Big Data: A Literature Review on Machine Learning Algorithms in Bankruptcy Prediction and Financial Fraud Detection
- تحلیل آیندهپژوهانه همگرایی هوش مصنوعی، فناوری نانو و فناوری اطلاعات در مسیر تحول صنعتی آینده
- نقش تحول دیجیتال در خدمات کتابخانههای عمومی برای توانیابان جسمی و ذهنی
- Prediction and Optimization of Oxygen Production under Microgravity Conditions Using Machine Learning
- Simulation and Performance Comparison of Ultrasonic, Non-Contact Radar, and Guided Wave Radar Sensors in Level Measurement Systems