論文の概要: Peer Offloading with Delayed Feedback in Fog Networks

• arxiv url: http://arxiv.org/abs/2011.11835v2
• Date: Wed, 7 Apr 2021 07:30:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 14:13:59.457285
• Title: Peer Offloading with Delayed Feedback in Fog Networks
• Title（参考訳）: フォグネットワークにおける遅延フィードバックによるピアオフロード
• Authors: Miao Yang, Hongbin Zhu, Hua Qian, Yevgeni Koucheryavy, Konstantin Samouylov, and Haifeng Wang
• Abstract要約: 未知のダイナミクスを持つフォグネットワークにおけるピアオフロード問題について検討する。 オフロードのレイテンシは、すぐにタスクディスパッチに返せなかった。 遅延した情報フィードバックに対処するオンライン学習ポリシーを構築した。
• 参考スコア（独自算出の注目度）: 25.64100503309238
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Comparing to cloud computing, fog computing performs computation and services at the edge of networks, thus relieving the computation burden of the data center and reducing the task latency of end devices. Computation latency is a crucial performance metric in fog computing, especially for real-time applications. In this paper, we study a peer computation offloading problem for a fog network with unknown dynamics. In this scenario, each fog node (FN) can offload their computation tasks to neighboring FNs in a time slot manner. The offloading latency, however, could not be fed back to the task dispatcher instantaneously due to the uncertainty of the processing time in peer FNs. Besides, peer competition occurs when different FNs offload tasks to one FN at the same time. To tackle the above difficulties, we model the computation offloading problem as a sequential FN selection problem with delayed information feedback. Using adversarial multi-arm bandit framework, we construct an online learning policy to deal with delayed information feedback. Different contention resolution approaches are considered to resolve peer competition. Performance analysis shows that the regret of the proposed algorithm, or the performance loss with suboptimal FN selections, achieves a sub-linear order, suggesting an optimal FN selection policy. In addition, we prove that the proposed strategy can result in a Nash equilibrium (NE) with all FNs playing the same policy. Simulation results validate the effectiveness of the proposed policy.
• Abstract（参考訳）: クラウドコンピューティングと比較すると、フォグコンピューティングはネットワークの端で計算とサービスを実行し、データセンターの計算負荷を軽減し、エンドデバイスのタスクレイテンシを削減する。 計算レイテンシは、特にリアルタイムアプリケーションにおいて、フォグコンピューティングにおいて重要なパフォーマンス指標である。 本稿では,未知のダイナミクスを持つフォグネットワークにおけるピア計算オフロード問題について検討する。 このシナリオでは、各フォグノード(FN)は計算タスクをタイムスロット方式で隣のFNにオフロードすることができる。 しかし、オフロード遅延は、ピアFNにおける処理時間の不確実性のため、タスクディスパッチに即時に返されることができなかった。 さらに、異なるFNがタスクを同時に1つのFNにオフロードする場合にピア競合が発生する。 上記の問題に対処するため,計算オフロード問題を遅延情報フィードバックを用いた逐次FN選択問題としてモデル化する。 敵のマルチアームバンディットフレームワークを用いて,遅延情報フィードバックに対応するオンライン学習ポリシーを構築する。 異なる競合解決アプローチがピアコンペティションを解決すると考えられている。 性能解析により,提案アルゴリズムの後悔,あるいは準最適FN選択による性能損失が線形下順序を達成し,最適FN選択ポリシーを提案する。 さらに,提案手法がnash平衡(ne)となり,すべてのfnが同一の方針を持つことを証明した。 シミュレーション結果は,提案手法の有効性を検証する。

関連論文リスト

• Client Orchestration and Cost-Efficient Joint Optimization for NOMA-Enabled Hierarchical Federated Learning [55.49099125128281]
  半同期クラウドモデルアグリゲーションの下で非直交多重アクセス(NOMA)を実現するHFLシステムを提案する。 提案手法は,HFLの性能改善と総コスト削減に関するベンチマークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-03T13:34:44Z)
• Gradient Sparsification for Efficient Wireless Federated Learning with Differential Privacy [25.763777765222358]
  フェデレートラーニング(FL)により、分散クライアントは、生データを互いに共有することなく、機械学習モデルを協調的にトレーニングできる。 モデルのサイズが大きくなるにつれて、送信帯域の制限によるトレーニングのレイテンシが低下し、個人情報が劣化すると同時に、差分プライバシ(DP)保護を使用する。 我々は、収束性能を犠牲にすることなく、トレーニング効率を向上させるために、FLフレームワーク無線チャネルのスペース化を提案する。
  論文  参考訳（メタデータ） (2023-04-09T05:21:15Z)
• Differentially Private Deep Q-Learning for Pattern Privacy Preservation in MEC Offloading [76.0572817182483]
  攻撃者は、エッジサーバ(ES)のキュー情報とユーザの使用パターンを推測するために、オフロードの決定を盗み取ることができる。 パターンプライバシ(PP)を維持しつつ,レイテンシ,ESのエネルギー消費,タスク削減率を両立させるオフロード戦略を提案する。 そこで我々はDP-DQOアルゴリズムを開発し,PP問題にノイズを注入することでこの問題に対処する。
  論文  参考訳（メタデータ） (2023-02-09T12:50:18Z)
• Semi-Synchronous Personalized Federated Learning over Mobile Edge Networks [88.50555581186799]
  我々は,モバイルエッジネットワーク上での半同期パーソナライズフェデレーション(PerFedS$2$)と呼ばれる半同期PFLアルゴリズムを提案する。 我々は、グローバルラウンド当たりの参加者数とラウンド数の観点から、PerFedS2の収束率の上限を導出する。 PerFedS2はトレーニング時間を節約し、トレーニング損失の収束を保証する。
  論文  参考訳（メタデータ） (2022-09-27T02:12:43Z)
• Predictive GAN-powered Multi-Objective Optimization for Hybrid Federated Split Learning [56.125720497163684]
  無線ネットワークにおけるハイブリッド・フェデレーション・スプリット・ラーニング・フレームワークを提案する。 ラベル共有のないモデル分割のための並列計算方式を設計し,提案方式が収束速度に与える影響を理論的に解析する。
  論文  参考訳（メタデータ） (2022-09-02T10:29:56Z)
• Time-triggered Federated Learning over Wireless Networks [48.389824560183776]
  無線ネットワーク上での時系列FLアルゴリズム(TT-Fed)を提案する。 提案したTT-Fedアルゴリズムは, それぞれ最大12.5%, 5%の収束試験精度を向上する。
  論文  参考訳（メタデータ） (2022-04-26T16:37:29Z)
• Learning-based decentralized offloading decision making in an adversarial environment [1.9978675755638664]
  Vehicular fog Computing (VFC) は、クラウドコンピューティング機能をインターネットの端にある分散フォグノードにプッシュする。 本稿では,対戦型マルチアームバンディット理論に基づく,バンドリットフィードバックを用いた新しい逆オンラインアルゴリズムを開発する。 理論的には、入力サイズ依存選択規則は、準最適動作を探索することなく、適切な霧ノードを選択することができる。
  論文  参考訳（メタデータ） (2021-04-26T19:04:55Z)
• Straggler-aware Distributed Learning: Communication Computation Latency Trade-off [56.08535873173518]
  ストラグワーカーは冗長な計算を割り当て、データと計算をまたいでコーディングすることで許容できる。 既存のほとんどのスキームでは、各非ストラグリングワーカーは、全ての計算を完了した後、1イテレーションごとに1つのメッセージをパラメータサーバ(PS)に送信する。 このような制限を課すことで、ストレグリング動作の不正確な予測による過剰計算と、ストレグラー/非ストレグラーとしての作業員の処理による未使用の2つの主な欠点が生じる。
  論文  参考訳（メタデータ） (2020-04-10T08:39:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。