CC BY
25
Обзорная статья
УДК 004.75:519.687.1+004.85
ББК 32.972.5+32.818.1
Д 58
DOI: 10.53598/2410-3225-2022-4-311-60-65
Анализ реализации федеративного обучения в граничных вычислениях с помощью FL-протокола
(Рецензирована)
Виталий Анатольевич Довгаль
Майкопский государственный технологический университет, Адыгейский государственный университет, Майкоп, Россия, urmia@mail.ru
Аннотация. Целью данного исследования являяются обзор и анализ применения сравнительно новой методики машинного обучения в распределенной системе сбора и обработки информации - искусственно-интеллектуальных граничных вычислений, хорошо зарекомендовавшей себя для реализации роя дронов, выполняющих самостоятельный полет с точки зрения передачи собранных данных и обучения модели искусственного интеллекта. Особое внимание уделено одной из парадигм этой методики - федеративного машинного обучения.
Ключевые слова: беспроводные сети, Интернет вещей, беспилотные летательные аппараты, федеративное обучение, граничные вычисления, устройства Интернета вещей с элементами искусственного интеллекта, граничный искусственный интеллект
Review Paper
Analysis of the implementation of federated learning in boundary computing using the FL protocol
Vitaliy А. Dovgal
Maikop State University of Technology, Adyghe State University, Maikop, Russia, urmia@mail.ru
Abstract. The purpose of this study is to review and analyze the application of a relatively new machine learning technique in a distributed information collection and processing system - artificially intelligent boundary computing, which has proven itself well for the implementation of a swarm of drones performing independent flight in terms of transmitting collected data and training an artificial intelligence model. Special attention is paid to one of the paradigms of this technique - federated machine learning.
Keywords: wireless networks, Internet of Things, unmanned aerial vehicles, federated learning, edge computing, intelligent edge, edge AI
Введение
Граничные вычисления (Edge Computing, EC) - новая архитектура, расширяющая возможности облачных вычислений (Cloud Computing, CC), расположенная ближе к источникам данных. В сочетании с глубоким обучением (Deep Learning, DL) является многообещающей технологией и широко используется во множестве приложений. В качестве примера можно привести группу беспилотных летательных аппаратов (БПЛА), которые все чаще и чаще используются для выполнения некоторого задания (например, поисковой операции или мониторинговой миссии) в составе организованной группы, которую можно назвать роем (или стаей) [1]. Информация об окружающей обстановке регистрируется датчиками, установленными на дронах, а затем собирается в единый информационный массив с целью дальнейшей обработки информации и принятия какого-либо решения. Однако в обычных архитектурах DL с включенным EC ис-
точникам данных часто приходится отправлять данные и обмениваться ими с третьими сторонами, пограничными или облачными серверами, для обучения своих моделей. Эта архитектура часто непрактична из-за высоких требований к пропускной способности, легализации и уязвимостей конфиденциальности.
Для уменьшения проблем, связанных со снижением пропускной способности каналов связи, обеспечения конфиденциальности данных и их легализации используется несколько методик машинного обучения совокупности объектов, реализующих модель искусственного интеллекта. Одной из таких методик является концепция федеративного обучения (Federated Learning, FL), которую компания Google предлагает как альтернативный подход и многообещающее решение для распределенных клиентов, таких как стая беспилотных летательных аппаратов [2].
Целью данной статьи является проведение анализа методики федеративного обучения интеллектуальной модели для обработки данных на границе вычислительной системы, которой является распределенная вычислительная система, использующая искусственно-интеллектуальные граничные вычисления, как комбинации туманных вычислений и искусственного интеллекта [3].
1. Основы граничных вычислений и федеративного обучения
Федеративное обучение - это концепция распределенного машинного обучения, обеспечивающая решение проблем затрат на связь, конфиденциальность данных во время процесса обучения и их легализации, при котором модели обучаются на конечных устройствах с централизованным контролем без совместного использования локальных наборов данных [4]. Выделенный пограничный сервер или облачный сервер осуществляет агрегирование устройств, периодически собирая обученные параметры для создания и обновления лучшей и более точной модели. Уточненная модель отправляется обратно на граничные устройства для локального обучения.
Как правило, процесс федеративного обучения состоит из пяти этапов:
1. Сначала сервер FL определяет ML-модель (machine learning model) для обучения в локальной базе данных клиентов;
2. Подмножество текущих клиентов выбирается случайным образом или с использованием алгоритмов выбора клиентов, таких как Federated Client Selection (FedCS) [5];
3. Начальная или обновленная глобальная модель отправляется сервером с помощью многоадресной рассылки выбранным клиентам, которые загружают текущие параметры глобальной модели и обучают модель локально;
4. Каждый клиент в подмножестве отправляет обновления на сервер;
5. FL-сервер получает обновления и агрегирует их, используя алгоритмы агрегации (например, FedAvg [6]), для создания новой глобальной модели без доступа к каким-либо данным клиентов.
FL-сервер организует процесс обучения и передает обновления глобальной модели выбранным клиентам в каждой итерации цикла, который повторяется до тех пор, пока не будет достигнут желаемый уровень точности.
На рисунке 1 показана схема федеративного обучения в контексте пограничных вычислений, на которой представлено три типа FL-структур [7]:
а) пограничная структура FL включает в себя группу устройств, находящихся в непосредственной близости, что позволяет рассчитывать глобальную модель обучения на пограничном сервере. Для агрегирования локальные модели после локального обучения затем отправляются на пограничный сервер, расположенный рядом с пограничными устройствами. Пограничный сервер агрегирует и обновляет модель, а затем транслирует ее на конечные устройства. Пограничные серверы часто ограничены в ресурсах, что снижает их вычислительную эффективность;
Рис. 1. Схема федеративного машинного обучения Fig. 1. Scheme of federated machine learning
б) облачная структура FL рассчитывает параметры глобальной модели обучения для граничных географически распределенных систем: клиенты в пределах диапазона пограничного сервера будут сотрудничать в обучении модели DL, а пограничный сервер будет сервером параметров для FL с поддержкой edge;
в) иерархическая (облачная с поддержкой клиента) - структура, в которой сервер параметров обычно расположен рядом с конечным пользователем, что сокращает задержку связи.
Преимущества федеративного обучения как методики заключения модели в защищенную среду и ее последующего обучения без перемещения данных куда-либо, по сравнению с традиционным централизованным обучением ML:
а) время и пропускная способность, необходимые для обучения и вывода, значительно сокращаются, так как методика использует локальные данные, нечасто отправляемые на удаленный сервер (таким образом, обновленная модель может быть использована для прогнозирования на устройстве пользователя, для чего FL обеспечивает конфиденциальность и безопасность пользователя, поскольку данные остаются на персональном устройстве);
б) совместное обучение с использованием FL является простым и потребляет меньше энергии, поскольку модели обучаются на периферийных устройствах (типа беспилотных летающих аппаратов), что делает пограничные вычисления подходящей средой для обучения модели в мобильных пограничных сетях.
Недостатки этих систем обусловлены их звездообразной топологией, в которой отсутствует центральная структура и возникает необходимость согласования передаваемых данных для совместного их использования. Кроме того, узким местом в сети федеративного обучения является низкая скорость коммуникации, обусловленная взаимодействиями между центральным сервером и клиентами, а каждый сервер может поддерживать только ограниченное число клиентов, что приводит к снижению производительности обучения с течением времени.
2. Обзор и анализ реализации федеративного обучения в граничных вычислениях с помощью FL-протокола
Для общего представления об архитектуре системы федеративного обучения в граничных вычислениях необходимо проанализировать сетевой протокол, использующийся на системном уровне и повышающий общую производительность системы. Одним из наиболее подходящих для этих целей можно назвать протокол связи FL, имеющий дело с общим процессом обучения [8]. Протокол учитывает состояние связи между сервером и устройствами, что обеспечивает безопасность связи, зависящую от неста-
бильного подключения устройства и его доступности. Описываемый протокол реализуется на FL-сервере, являющимся распределенным сервисом на основе облака, и конечными устройствами (типа телефонов). Сервер, получив сообщение от устройства о его готовности выполнить FL-операцию для заданной совокупности федеративного обучения, выполняет запрошенную операцию. Проблемы, связанные с обучением или приложением, идентифицируются по глобально уникальному имени в FL-популяции. Задачи, связанные с совокупностью федеративного обучения, включают обучение с использованием предоставленных и-мерных параметров или тестирование обученных моделей на основе локальных данных. В заданном временном окне сервер обычно выбирает из потенциально десятков тысяч доступных ему устройств подмножество из нескольких сотен устройств, которые и используются для обработки конкретной FL-задачи. Взаимодействие между устройствами и сервером называется раундом, на протяжении которого устройства остаются подключенными к серверу. Сервер определяет, какие вычисления следует выполнять на выбранных устройствах, для чего он использует FL-план, содержащий график тензорного потока и инструкции о том, как его выполнить.
Как только раунд настроен, сервер отправляет каждому участнику контрольную FL-точку с текущими параметрами глобальной модели и любой другой необходимой информацией. Каждый участник отправляет контрольную FL-точку на сервер на основе своего локального набора данных и глобального состояния.
Сервер параметров федеративного обучения обновляет свое глобальное состояние, и процесс повторяется. Рисунок 2 иллюстрирует протокол связи, используемый для разработки глобальной одноэлементной модели в каждом раунде обучения, который состоит из трех этапов.
Рис. 2. Протокол федеративного машинного обучения (FL) Fig. 2. Protocol of federated learning (FL)
1. Выбор: устройства, соответствующие критериям приемлемости, регулярно подключаются к серверу через двунаправленные потоки связи. Доступность клиентов отслеживается через поток: является ли устройство доступным или включено в процесс многоступенчатой коммуникации. Кроме того, сервер FL-параметров выбирает подмножество активных клиентов для участия в раунде обучения, и они выполняют ука-
занную FL-задачу на основе определенного алгоритма выбора клиента (например, FedCS [9]);
2. Конфигурация: для выбранных устройств конфигурация FL-сервера варьируется в зависимости от выбранного метода агрегации (например, простого метода, описанного в [2], или безопасного, представленного в [2]). FL-план и FL-контрольная точка отправляются на каждое выбранное устройство вместе с глобальной моделью;
3. Передача сообщений: сервер FL-параметров ожидает обновлений от клиентов, принимающих участие в обучении. По мере поступления обновлений сервер агрегирует их с использованием предопределенных алгоритмов (например, FedAvg [2]), и уведомляет подключенные устройства о времени повторного подключения. С течением времени к серверу подключается достаточное количество клиентов и федеративное обучение выполняется под его контролем - глобальная модель сервера обновляется; в противном случае раунд будет отменен. Параметры обновления модели часто отправляются на сервер по зашифрованной связи. В целях устранения объективной несогласованности локальных обновлений, выполняемых каждым клиентом в каждом коммуникационном раунде, может быть применен метод FedNova [10], используемый для нормализованного усреднения при сохранении сходимости быстрой ошибки. Существуют и другие методы компенсации неоднородности локальных наборов данных клиентов и скорости их обработки, которые влияют на архитектуру соединения FL-устройств и на дизайн FL-сервера.
Заключение
В данной работе рассмотрена концепция федеративного обучения, которая отлично подходит для приложений граничных вычислений, поскольку она может использовать преимущества периферийных серверов обработки и высоко распределенных периферийных устройств, генерирующих данные. Федеративное обучение позволяет использовать совместную структуру модели глубокого обучения для оптимизации сети граничных вычислений, что может существенно повысить эффективность этой технологии в периферийных вычислительных сетях. В этой статье представлены основы граничных вычислений и федеративного обучения. А также выполнен обзор и анализ реализации федеративного обучения в граничных вычислениях с помощью одноименного протокола FL.
Примечания
1. Довгаль В.А., Довгаль Д.В. Модель взаимодействия анализирующих туманно-облачных вычислений для обработки информации о положении беспилотных летательных аппаратов // Осенние математические чтения в Адыгее: материалы III Международной научной конференции.2019. С.149-154.
2. Jakub Konecny, H. Brendan Mc Mahan, Felix X. Yu, Ananda TheerthaSuresh&DaveBacon. Federated Learning: Strategies for Improving Communication Efficiency [Электронный ресурс] URL: https://arxiv.org/pdf/1610.05492.pdf
3. Warnat-Herresthal, Stefanie & Schultze, Hartmut & Shastry, Krishna & Manamohan, Sathyanarayanan & Mukherjee, Saikat & Garg, Vishesh & Sarveswara, Ravi & Händler, Kristian & Pickkers, Peter & Aziz, N. Ahmad & Ktena, Sofia & Siever, Christian & Kraut, Michael & Desai, Milind & Monet, Bruno & Saridaki, Maria & Siegel, Charles & Drews, Anna & Nuesch Germano, Melanie & Schultze, Joachim. (2020). Swarm Learning as a privacy-preserving machine learning approach for disease classification. 10.1101/2020.06.25.171009.
4. Federated Learning: Challenges, Methods and Future Directions / T. Li, A.K. Sahu, A. Talwalkar, V. Smith // IEEE Signal Process. Mag. 2020. No. 37. P. 50-60.
5. Nishio T., Yonetani R. Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge // 2019 IEEE International Conference on Communications (ICC), Shanghai, China, 20-24 May 2019. P. 1-7.
6. Communication-efficient learning of deep networks from decentralized data / B. McMahan, E. Moore, D. Ramage, S. Hampson, B. Aguera y Arcas // 20th International Conference on Artificial Intelligence and Statistics, PMLR. 2017. No. 54. P. 1273-12В2.
7. Dovgal V.A. Swarm learning based on the artificially intelligent edge // CEUR Workshop Proceedings. Ser.: DLT 2021 - Selected Papers of the 6th International Scientific and Practical Conference "Distance Learning Technologies", 2021. P. 260-265.
8. Towards Federated Learning at scale: System design. K. Bonawitz, H. Eichner, W. Grieskamp, D. Huba, A. Ingerman, V. Ivanov // J Roselander. arXiv 2019. arXiv:1902.01046.
9. Nishio T., Yonetani R. Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge. In Proceedings of the ICC 2019 // IEEE International Conference on Communications (ICC) - 2019, Shanghai, China, 20-24 May 2019. P. 1-7.
10. A Novel Framework for the Analysis and Design of Heterogeneous Federated Learning / J. Wang, Q. Liu, H. Liang, J. Gauri, H.V. Poor // IEEE Transport Signal Processing. 2021. No. 69. P.5234-5249.
References
1. Dovgal V.A., Dovgal D.V. Model of interaction of analyzing fog-cloud computing for processing information about the position of unmanned aerial vehicles // Autumn Mathematical Readings in Adyghea: Materials of the 3rd International Scientific Conference. 2019. P. 149-154.
2. Jakub Konecny, H. Brendan Mc Mahan, Felix X. Yu, Ananda TheerthaSuresh&DaveBacon. Federated Learning: Strategies for Improving Communication Efficiency [Electronic resource]. URL: https://arxiv.org/pdf/1610.05492.pdf
3. Warnat-Herresthal, Stefanie & Schultze, Hartmut & Shastry, Krishna & Manamohan, Sathyanarayanan & Mukherjee, Saikat & Garg, Vishesh & Sarveswara, Ravi & Händler, Kristian & Pickkers, Peter & Aziz, N. Ahmad & Ktena, Sofia & Siever, Christian & Kraut, Michael & Desai, Milind & Monet, Bruno & Saridaki, Maria & Siegel, Charles & Drews, Anna & Nuesch Germano, Melanie & Schultze, Joachim. (2020). Swarm Learning as a privacy-preserving machine learning approach for disease classification. 10.1101/2020.06.25.171009.
4. Federated Learning: Challenges, Methods and Future Directions / T. Li, A.K. Sahu, A. Talwalkar, V. Smith // IEEE Signal Process. Mag. 2020. No. 37. P. 50-60.
5. Nishio T., Yonetani R. Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge // 2019 IEEE International Conference on Communications (ICC), Shanghai, China, 20-24 May 2019. P. 1-7.
6. Communication-efficient learning of deep networks from decentralized data / B. McMahan, E. Moore, D. Ramage, S. Hampson, B. Aguera y Arcas // 20th International Conference on Artificial Intelligence and Statistics, PMLR. 2017. No. 54. P. 1273-1282.
7. Dovgal V.A. Swarm learning based on the artificially intelligent edge // CEUR Workshop Proceedings. Ser.: DLT 2021 - Selected Papers of the 6th International Scientific and Practical Conference "Distance Learning Technologies", 2021. P. 260-265.
8. Towards Federated Learning at scale: System design. K. Bonawitz, H. Eichner, W. Grieskamp, D. Huba, A. Ingerman, V. Ivanov // J Roselander. arXiv 2019. arXiv:1902.01046.
9. Nishio T., Yonetani R. Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge. In Proceedings of the ICC 2019 // IEEE International Conference on Communications (ICC) - 2019, Shanghai, China, 20-24 May 2019. P. 1-7.
10. A Novel Framework for the Analysis and Design of Heterogeneous Federated Learning / J. Wang, Q. Liu, H. Liang, J. Gauri, H.V. Poor // IEEE Transport Signal Processing. 2021. No. 69. P. 5234-5249.
Статья поступила в редакцию 27.11.2022; одобрена после рецензирования 20.12.2022; принята к публикации 21.12.2022.
The article was submitted 27.11.2022; approved after reviewing 20.12.2022; accepted for publication 21.12.2022.
© В.А. Довгаль, 2022
