大连理工大学在智能边缘计算领域研究取得新进展

近日，软件学院在智能边缘计算领域的研究再次取得突破性进展。

成果一：Energy or Accuracy? Near-Optimal User Selection and Aggregator Placement for Federated Learning in MEC

此成果由徐子川教授、李东瑞（2020级硕士研究生）与香港城市大学、四川大学、卡迪夫大学、华中科技大学和中国煤炭研究院合作完成。该项工作研究具有不确定UE可用性的MEC网络中FL的能耗最小化问题。首先考虑MEC网络中单个FL请求的能耗最小化问题。然后，针对具有单个FL请求的问题提出一种新的优化框架，该框架包括通过考虑影响能量消耗的各种上下文，具有遗憾界的在线学习算法来选择参与FL训练的用户设备；以及具有用于单个FL请求的聚合器放置的近似比率的近似算法。最后，针对处理多个FL请求的问题，设计出一个具有遗憾界的在线学习算法。最后通过大量实验评估所提出算法的性能。实验结果表明，所提出的算法在实现相同精度的同时，降低至少13%的总能耗，优于同类算法。该成果被计算机网络领域CCF A类顶级期刊IEEE Transactions on Mobile Computing录用。


成果二：Stateful Serverless Application Placement in MEC with Function and State Dependencies

此成果由徐子川教授、周丽贞（2021级博士研究生）与香港城市大学、四川大学、华中科技大学合作完成。该项工作基于无服务器边缘计算研究有状态人工智能应用程序的放置问题，首次考虑复杂训练及时间敏感型推理任务面临的复杂函数关联问题，以及无服务器计算“存算分离”模式下由于存储状态数据的外部服务远离无服务器函数导致延迟敏感智能应用程序面临的状态数据传输高延迟问题。该研究首先针对该问题提出了有效的启发式算法得到有状态无服务器函数及状态数据的放置方案，并针对其特殊情况设计了一种具有性能保障的近似算法。针对请求数据量和网络延迟不确定的在线场景，基于多臂老虎机（MAB）设计了有遗憾界证明的在线学习算法动态接收推理请求。最后文章通过仿真实验及实验床验证了算法的优越性。该成果被并行与分布式计算领域CCF A类顶级期刊IEEE Transactions on Computers录用。


成果三：HierFedML: aggregator placement and UE assignment for hierarchical federated learning in mobile edge computing

此成果由徐子川教授、赵大鹏（2020级硕士研究生）与香港城市大学、卡迪夫大学、华中科技大学、四川大学合作完成。该项工作研究了移动边缘计算网络中多层联邦学习从属聚合器放置和用户设备分配问题相关的成本最小化。提出了多层联邦学习的优化框架和具有近似比的近似算法，用于解决单个联邦学习请求准入问题。另外通过提出一种具有有限遗憾的在线学习算法，来研究具有不确定神经网络模型的动态联邦请求接收方案中在线从属聚合器放置和用户设备分配。最后，通过仿真和测试平台两种对比实验方法表明，在MEC网络中分层FL架构使用解决FL请求准入的实施问题，所提出的算法降低成本至少15%，并在图像识别和文本识别应用中也能具有良好的性能。该成果被并行与分布式计算领域CCF A类顶级期刊IEEE Transactions on Parallel and Distributed Systems录用。


近年来，软件学院徐子川教授研究小组在相关方向中做出了有国际影响力的成果130余项，其中录用/发表中国计算机学会（CCF）A、B类国际期刊和国际会议69篇，包括IEEE/ACM Transactions汇刊（ToN、TMC、TPDS、TC、TCOM、TCC）47篇、计算机学会A、B类国际学术会议IEEE INFOCOM、ACM Multimedia、AAAI、ICDCS、ICPP等。研究成果得到国内外学者的广泛关注与积极评价。