边缘计算下的联邦学习应用研究

翟孟冬　陈宇　林榕健　李军

摘要：随着移动设备自身存储和计算能力的提升，越来越多移动设备在本地进行数据处理，如传感器，智能穿戴设备和车载应用等。当前机器学习技术在计算机视觉，自然语言处理，模式识别等领域取得了巨大成功，然而当前机器学习方法是中心化的，数据中心或者云服务器能够对数据进行访问。联邦学习作为新型的分布式机器学习范式，借助设备本身的存储和计算能力，能够在数据不出本地的情况下进行机器学习中的模型共建，从而保护数据隐私，从而有效解决数据孤岛问题。邊缘计算能够在靠近设备端提供计算，存储和网络资源，为高带宽低时延的应用提供基础。在联邦学习训练中，设备数量增加，设备网络情况复杂多变等均为联邦学习中的联合训练上带来了巨大挑战，如设备选择，网络通信开销大等状况。本文首先介绍了边缘计算的基础，以及联邦学习的联合训练流程，通过对联邦学习和边缘计算的融合应用进行分析研究，进一步我们对基于边缘计算的联邦学习做了分析，最后我们对当前的主要挑战以及未来的研究方向做了总结。

关键词：边缘计算;联邦学习;数据隐私

中图分类号：G424        文献标识码：A

文章编号：1009-3044（2021）07-0001-04

1背景介绍

1.1 边缘计算概述

目前世界上有70亿物联网设备[1]，设备收集的数据在云数据中心之外[2]。边缘计算在靠近数据源的一侧，可以为设备的数据处理其自身的网络、计算和储资源[3]，在多个设备联合进行机器学习训练时可以将模型靠近数据端[4]，在智能家居、智能医疗和智慧城市等领域具有广阔的应用前景[5-6]。……