- Полуфедеративное обучение для совместного анализа в массивных сетях IoT (arXiv)
Автор: Ваньли Ни, Цзинхэн Чжэн, Хуэй Тянь.
Аннотация: Реализация существующего федеративного обучения в крупных сетях Интернета вещей (IoT) сталкивается с серьезными проблемами, такими как несбалансированные и статистически неоднородные данные и разнообразие устройств. С этой целью мы предлагаем структуру полуфедеративного обучения (SemiFL), чтобы предоставить потенциальное решение для реализации интеллектуального IoT. Бесшовно интегрируя централизованную и федеративную парадигмы, наша среда SemiFL демонстрирует высокую масштабируемость с точки зрения количества устройств IoT даже при наличии датчиков с ограниченными вычислительными возможностями. Кроме того, по сравнению с традиционными подходами к обучению, предлагаемый SemiFL может лучше использовать распределенные данные и вычислительные ресурсы благодаря совместному обучению модели между пограничным сервером и локальными устройствами. Результаты моделирования показывают эффективность нашей платформы SemiFL для крупных сетей IoT. Код можно найти по адресу https://github.com/niwanli/SemiFL_IoT.
2. Произвольный доступ на основе LSTM-ACB для сетей IoT со смешанным трафиком (arXiv)
Автор: Херман Л. душ Сантуш, Жоао Х. И. Соуза, Хосе Карлос Маринелло, Тауфик Абрао.
Аннотация: Мы предлагаем новый протокол произвольного доступа (RA), который учитывает сетевой трафик в смешанных сценариях URLLC-mMTC. Рассматривая среду IoT с высоким спросом на трафик mMTC, мы моделируем трафик каждой службы с использованием реалистичных статистических моделей, при этом режимы использования mMTC и URLLC демонстрируют долгосрочную регулярность трафика. Нейронная сеть (NN) с долговременной памятью (LSTM) используется в качестве предсказателя сетевого трафика, что позволяет использовать схему разделения ресурсов (RS) с учетом трафика, которой помогает процедура на основе запрета управления доступом (ACB). Предлагаемый метод сочетает в себе схему RA на основе грантов, где вводится промежуточный этап в RA без грантов для устранения коллизий. Протокол имеет небольшие накладные расходы, поддерживая большее количество пакетов в кадре благодаря уменьшению перегрузки, обеспечиваемому процедурой ACB. Численные результаты показывают эффективность объединения трех процедур с точки зрения точности прогнозирования трафика, использования ресурсов и загрузки канала для RS, а также увеличения пропускной способности в % для предлагаемого протокола RA на основе LSTM-ACB. Сравнение с безвозмездным бенчмарком показывает существенное улучшение производительности системы.
