MEC利用了現代設備在存儲和計算能力方面的進步,將處理和存儲過程本地地推導設備本身。
MEC作用:對大數據的高效處理將數據集中隱藏的信息和統計特徵挖掘出來,對於資源規劃、系統條件預測、分類等應用領域非常有用。
所以,爲了在用戶隱私方面操作大數據,聯邦學習方法作爲一組ML技術出現,直接在設備上執行統計和數學訓練模型。FL框架包括在設備幾倍本地培訓的ML模型,然後將這些結果聚合到一箇中心服務器上,例如一個基站。
VRC:部署虛擬機複製副本
**本篇的中心觀點:
FL框架對VRCs的部署問題的上下文化,利用(1)分散的訓練數據是一個強大的工具,在VRCs(虛擬機複製副本)的分配問題中追求有效的結果。
(2)檢測和應用基本方法來執行分散的數據培訓,而不消耗EDS(邊緣設備)的硬件資源
(3)廣泛的數值模擬與混沌理論(CT)方法的比較,驗證了所提出的方法應用於VRCS的部署問題所產生的顯著性能
本篇待解決的問題:
(1)非獨立同分布的數據。客戶端訓練數據集彼此不同,給定的局部訓練數據集不能代表總體分佈。
(2)不平衡的數據集。每個客戶的本地培訓數據量是不同的。
這意味着不同的客戶對訓練值的可靠性不同,因爲可能會出現太短的訓練過程
(3)大規模的發佈。FL框架的客戶機數量遠遠大於本地處理的數據數量。
(4)有限的交流。移動設備並不總是可用來訓練數據,它們通常可能很慢或者通信條件很差
目前的MEC進展
大部分運用了機器學習,因爲機器學習方法已經變成了MEC網絡的一個廣泛的分支
注: 上下文感知是指系統能夠有效地利用上下文信息(如用戶位置,時間, 環境參數,鄰近的設備和人員,用戶活動等)進行對未來事情的推斷
(1)ML(以下機器學習的簡稱)檢測MEC
網絡中惡意攻擊的有效性
(2)最小化執行計算卸載時的總網絡成本
(3)MEC區塊鏈網絡的拍賣解決方案來執行邊緣資源分配
(4)基於拍賣解決方案的神經網絡
(5)採用多模式多層卷積神經網絡進行數據認證
(6)採用k近鄰和決策樹方法解決了MEC系統中基於位置的機密性問題
(7)分佈式向量機在物聯網環境評價系統性能實現分佈式毫升
(8)分佈式隨機方案減少梯度應用
(9)分佈式深度學習來處理移動邊緣計算的擁擠感知問題
(10)控制人羣感知問題
(11)分佈式Q學習算法用於考慮異構網絡的上下文最小化用戶的中斷
(12)基於無線信道的信號疊加提出了用於空中計算的新型聚合數據框架
(13)最小化聚合誤差,使聚合過程中涉及的設備數量最大化
(14)分佈式梯度下降法來確定局部更新和全局更新的最佳權衡
(15)堆疊編碼器應用混合過濾來預測內容緩存問題中文件受歡迎程度
(16)聯合平均算法與隨機梯度下降算法相結合,避免高水平的通信成本
(17)用上下文感知優化算法的FL框架來解決多任務學習問題
(18)對塊鏈端對端時延的分析,提出了一種分佈式一致性策略
(19)神經網絡與長短時記憶策略相結合,解決了用電量預測問題
(20)考慮到具有異構異構應用程序延遲需求的MEC環境
(21)解決VRC放置問題,旨在最小化部署VRCs所需的硬件資源消耗
(22)最小化平均系統響應時間和服務提供成本的最優虛擬機副本放置問題
(23)VRCs中,考慮最小化系統功耗,改善系統在故障情況下的行爲
(24)基於分治方法的放置策略,以獲得接近最優的解決方案