本论文着重研究的是联邦学习应用于需求预测类问题。算法
通常来讲,FL存在的一些问题:服务器
本论文提出了一种混合云MEC网络方案,考虑了位于网络边缘ED、考进边缘设备的网络元素NE上部署大多数请求应用程序的虚拟机副本VRC。网络
以命中率AHP来进行适当的VRC分配,AHP表示查找设备在其附近的NE上请求组的应用程序时的命中率。架构
本研究的主要贡献是框架
网络结构:工具
每一个须要任务计算的ED主要在一个附近的NEs上查找一个所需应用程序的VRC。(咱们假设每一个ED将任务发送到最近的NE,若是它不包含ED请求的应用程序,则将任务转发到包含该应用程序的最近的NE。最后,咱们假设每一个NE都知道其余NE包含的VRCs,而且每一个NE都存储了一个路由表,其中为每对NEs保存了这些NEs之间的最短路径。)若是没有一个NE拥有所需应用程序的VRC,任务被发送到全部应用程序类型都存在的云。
性能
ED j在执行计算时所经历的总计算成本(OCC)由学习
给出,3d
其中 和 分别表示任务j在NE i和云上花费的时间。须要注意的是, 和 ,都表示为在NE和云的CPU中花费的任务执行时间的总和,以及任务在这些站点上等待执行所经历的排队时间。(假定CPU队列采用先进先出的服务策略)此外, 表示将任务从ED j发送到其最近的NE i*时的传输成本。若是任务j是在NEi上计算的,则 的二进制值为1,不然为0。blog
算法:
提出的FL框架由负责本地数据训练的客户端和服务器端(一般为基站)组成,所述基站由旨在经过合并和聚合EDs更新的本地模型来改进全局学习模型的中央服务器表示。该方法基于客户端和服务器端的交互过程,在每轮算法迭代过程当中,训练过程当中涉及的EDs是整个EDs集的子集,其元素数等于y。
实验采用的数据集为MovieLens 1M数据集,如下称为数据集1,以及MovieLens 100K数据集[34]在这篇论文中称做数据集2。
为了验证所提出方法的有效性,比较了用CT方法、经过相空间重构方法和提出的基于深度学习的方法得到的预测值的准确性。
原文见论文题目