异构物联网下资源高效的分层协同联邦学习方法

来源：电子与信息学报杂志2023年第8期北京时间：

作者：王汝言, 陈伟, 张普宁, 吴大鹏, 杨志刚

单位：1.重庆邮电大学通信与信息工程学院 重庆 4000652.先进网络与智能互联技术重庆市高校重点实验室 重庆 4000653.泛在感知与互联重庆市重点实验室 重庆 400065

摘要：物联网(IoT)设备资源存在高度异构性，严重影响联邦学习(FL)的训练时间和精度。已有研究未充分考虑物联网设备资源的异构性，且缺乏异构设备间协同训练机制的设计，导致训练效果有限且设备的资源利用率较低。为此，该文提出资源高效的分层协同联邦学习方法(HCFL)，设计了端边云分层混合聚合机制，考虑边缘服务器的差异化参数聚合频率，提出自适应异步加权聚合方法，提高模型参数聚合效率。提出资源重均衡的客户端选择算法，考虑模型精度与数据分布特征动态选取客户端，缓解资源异构性对联邦学习性能的影响。设计自组织联邦协同训练算法，充分利用空闲物联网设备资源加速联邦学习训练进程。仿真结果表明，在不同资源异构状态下，与基线方法相比，模型训练时间平均降低15％，模型精度平均提高6％，设备平均资源利用率提高52％。

关键词：异构物联网, 边缘智能, 分层联邦学习, 客户端选择

基金资助：国家自然科学基金(61901071, 61871062, 61771082, U20A20157)，重庆市自然科学基金(cstc2020jcyj-zdxmX0024)，重庆市高校创新研究群体(CXQT20017)，重庆高校创新团队建设计划(CXTDX201601020)