联邦学习在边缘计算场景中应用研究进展

• 全文链接
• 请求原文

作   者：

张依琳;  陈宇翔;  田晖;  王田; 

作者机构：

华侨大学计算机科学与技术学院;  北京师范大学人工智能与未来网络研究院; 

关键词：

边缘计算;  边缘缓存;  计算卸载;  物联网;  联邦学习; 

期刊名称：

小型微型计算机系统

i s s n：

1000-1220

年卷期：

2021 年 012 期

页   码：

2645-2653

摘   要：

随着物联网设备迅猛激增,其收集的数据上传至云计算中心会造成网络延迟、计算资源浪费等问题.为了解决上述问题,边缘计算作为新的计算范式应运而生,但也面临用户隐私、数据安全等诸多挑战.联邦学习作为时下热点人工智能技术,可以解决隐私数据以及"数据孤岛"问题,将联邦学习应用在边缘计算领域能够有效地处理隐私数据等难题.通过大量调研,本文介绍了边缘计算场景中的联邦学习技术和训练模型,对比分析了联邦学习在边缘聚合、边缘缓存和计算卸载中的应用方案,指明现有方案存在的问题并提出解决思路,探讨了联邦学习在边缘计算中应用的未来研究方向和挑战.