МОДЕЛЬ РОЗПОДІЛУ НАВАНТАЖЕННЯ В ТУМАННІЙ ОБЧИСЛЮВАЛЬНІЙ СИСТЕМІ З ВИКОРИСТАННЯМ ФЕДЕРАТИВНОГО НАВЧАННЯ

Oleksii Liashenko; Vladislav Bashilov

doi:10.26906/SUNZ.2026.2.134

Автор(и)

Oleksii Liashenko
Vladislav Bashilov

DOI:

https://doi.org/10.26906/SUNZ.2026.2.134

Ключові слова:

інтернет речей, розподіл навантаження, федеративне навчання, глибока Q-мережа, туманні мережі, федеративна агрегація середніх значень, машинне навчання

Анотація

Актуальність. Поширення Інтернету речей дедалі більше вимагає близькості між хмарними сервісами та кінцевими користувачами. Це стимулювало розширення хмарних ресурсів на периферію в тому, що називається туманними обчисленнями. Останнє проявляється як екосистема пов'язаних хмар, розподілених та з різною потужністю. У таких умовах розподіл робочого навантаження між туманними сервісами стає нетривіальним завданням через складність компромісів. Попит користувачів на периферії дуже різноманітний, що не сприяє простому плануванню ресурсів. І навпаки, запуск сервісів на периферії може використовувати близькість, але це пов'язано з вищими експлуатаційними витратами, не кажучи вже про швидке збільшення ризику перевантаження розріджених ресурсів. Отже, існує потреба в інтелектуальних, але масштабованих рішеннях для розподілу, які протидіють несприятливому попиту на периферії, одночасно ефективно розподіляючи навантаження між периферією та віддаленими хмарами. Об’єкт дослідження: процеси розподілу навантаження в туманних обчислювальних системах. Мета статті: розробка моделі розподілу робочого навантаження в туманній обчислювальній системі з використанням федеративного навчання та глибокого навчання з підкріпленням. Результати дослідження. У статті пропонується федеративна система глибокого навчання з підкріпленням, заснована на мережі глибокого Q-навчання (DQN), для розподілу робочого навантаження в туманній системі. Запропоноване рішення адаптує DQN для оптимізації локального розподілу робочого навантаження, що здійснюється окремими шлюзами. Вбудовано федеративне навчання, що дозволяє кільком шлюзам у мережі спільно накопичувати знання про потреби користувачів. Це використовується для досягнення консенсусу щодо частки робочого навантаження, розподіленого між різними вузлами туману, використовуючи менший обсяг даних та обчислювальних ресурсів. Висновки. Федеративний підхід у поєднанні з глибоким навчанням з підкріпленням дозволяє ефективно вирішувати задачу розподілу навантаження в туманних обчисленнях. Запропонована модель забезпечує масштабованість, зменшує потребу в централізованих обчислювальних ресурсах і підвищує ефективність використання інфраструктури за умов динамічного попиту. Сфера використання отриманих результатів: інтелектуальні системи планування та балансування навантаження в розподільних обчислювальних системах.

Завантажити

Дані для завантаження поки недоступні.

Посилання

1. Bonomi, Flavio. Fog computing and its role in the Internet of Things [Text] / Flavio Bonomi, Rodolfo Milito, Jiang Zhu, Sateesh Addepalli // Proceedings of the First Edition of the MCC Workshop on Mobile Cloud Computing. – 2012. – P. 13–16. DOI: https://doi.org/10.1145/2342509.2342513

2. Costa, João B. Jr. Computational resource allocation in fog computing: A comprehensive survey [Text] / João B. Costa Jr., Luís R. Carvalho, Mário J. Rosa, António Araújo // ACM Computing Surveys. – 2022. DOI: https://doi.org/10.1145/3507906

3. Shaik, Sameer. Distributed service placement in hierarchical fog environments [Text] / Sameer Shaik, S. Baskiyar // Sustainable Computing: Informatics and Systems. – 2022. – Vol. 34. – P. 100744. DOI: https://doi.org/10.1016/j.suscom.2022.100744

4. Andrae, Anders S. G. On global electricity usage of communication technology: trends to 2030 [Text] / Anders S. G. Andrae, Tomas Edler // Energies. – 2017. – Vol. 10, no. 10. – P. 1470. DOI: https://doi.org/10.3390/en10101470

5. Cao, Keyan. An overview on edge computing research [Text] / Keyan Cao, Yefeng Liu, Gongjie Meng, Qimeng Sun // IEEE Access. – 2020. – Vol. 8. – P. 85714–85728. DOI: https://doi.org/10.1109/ACCESS.2020.2982434

6. Luong, Nguyen Cong. Applications of deep reinforcement learning in communications and networking: A survey [Text] / Nguyen Cong Luong [et al.] // IEEE Communications Surveys & Tutorials. – 2019. – Vol. 21, no. 4. – P. 3133–3174. DOI: https://doi.org/10.1109/COMST.2019.2904478

7. Abdulkareem, K. H. A review of fog computing and machine learning: Concepts, applications, challenges, and open issues [Text] / K. H. Abdulkareem [et al.] // IEEE Access. – 2019. – Vol. 7. – P. 153123–153140. DOI: https://doi.org/10.1109/ACCESS.2019.2947542

8. Abdelmoniem, A. M. Empirical analysis of federated learning in heterogeneous environments [Text] / A. M. Abdelmoniem, C.-Y. Ho, P. Papageorgiou, M. Canini // Proceedings of the 2nd European Workshop on Machine Learning and Systems (EuroMLSys). – 2022. – P. 1–9. DOI: https://doi.org/10.1145/3517206.3526267

9. Wang, Peng. A fog-based architecture and programming model for IoT applications in the smart grid [Text] / Peng Wang, Shuliang Liu, Fei Ye, Xiaojun Chen // arXiv preprint. – 2018. DOI: https://doi.org/10.48550/arXiv.1804.01239

10. Lee, Jae-Woo. An online optimization framework for distributed fog network formation with minimal latency [Text] / JaeWoo Lee, Salah Eddine Saad, Mohsen Bennis // IEEE Transactions on Wireless Communications. – 2019. – Vol. 18, no. 4. – P. 2244–2258. DOI: https://doi.org/10.1109/TWC.2019.2901445

11. Hossain, Md. R. A scheduling-based dynamic fog computing framework for augmenting resource utilization [Text] / Md. R. Hossain [et al.] // Simulation Modelling Practice and Theory. – 2021. – Vol. 111. – P. 102336. DOI: https://doi.org/10.1016/j.simpat.2021.102336

12. Talaat, F. M. Effective scheduling algorithm for load balancing in fog environment using CNN and MPSO [Text] / F. M. Talaat, H. A. Ali, M. S. Saraya, A. I. Saleh // Knowledge and Information Systems. – 2022. – Vol. 64, no. 3. – P. 773–797. DOI: https://doi.org/10.1007/s10115-021-01636-9

13. Yang, Yang. Maximal energy efficient task scheduling for homogeneous fog networks [Text] / Yang Yang, Ke Wang, Guoliang Zhang, Xianbin Chen, Xiaojun Luo, M.-T. Zhou // IEEE INFOCOM Workshops. – 2018. – P. 274–279. DOI: https://doi.org/10.1109/INFCOMW.2018.8406848

14. Huang, Xin. Energy-efficient resource allocation in fog computing networks with the candidate mechanism [Text] / Xin Huang, Wei Fan, Qiang Chen, Jian Zhang // IEEE Internet of Things Journal. – 2020. – Vol. 7, no. 9. – P. 8502–8512. DOI: https://doi.org/10.1109/JIOT.2020.2981790

15. Abedi, M. Resource allocation in combined fog-cloud scenarios by using artificial intelligence [Text] / M. Abedi, M. Pourkiani // 2020 Fifth International Conference on Fog and Mobile Edge Computing (FMEC). – IEEE, 2020. – P. 218–222. DOI: https://doi.org/10.1109/FMEC49853.2020.9144881

16. Abedi, M. Resource allocation in combined fog-cloud scenarios by using artificial intelligence [Text] / M. Abedi, M. Pourkiani // 2020 Fifth International Conference on Fog and Mobile Edge Computing (FMEC). – IEEE, 2020. – P. 218–222. DOI: https://doi.org/10.1109/FMEC49853.2020.9144881

17. Dinh, C. T. Federated learning over wireless networks: Convergence analysis and resource allocation [Text] / C. T. Dinh, N. H. Tran, M. N. Nguyen [et al.] // IEEE/ACM Transactions on Networking. – 2020. – Vol. 29, no. 1. – P. 398–409. DOI: https://doi.org/10.1109/TNET.2020.3034879

18. Dinh, C. T. Federated learning over wireless networks: Convergence analysis and resource allocation [Text] / C. T. Dinh, N. H. Tran, M. N. Nguyen [et al.] // IEEE/ACM Transactions on Networking. – 2020. – Vol. 29, no. 1. – P. 398–409. DOI: https://doi.org/10.1109/TNET.2020.3034879

19. Saha, R. FogFL: Fog-assisted federated learning for resource-constrained IoT devices [Text] / R. Saha, S. Misra, P. K. Deb // IEEE Internet of Things Journal. – 2021. – Vol. 8, no. 10. – P. 8456–8463. DOI: https://doi.org/10.1109/JIOT.2020.3044025

20. Nguyen, V.-D. FedFog: Network-aware optimization of federated learning over wireless fog-cloud systems [Text] / V.-D. Nguyen, S. Chatzinotas, B. Ottersten, T. Q. Duong // IEEE Transactions on Wireless Communications. – 2022. – Vol. 21, no. 10. – P. 8581–8599. DOI: https://doi.org/10.1109/TWC.2022.3152703