基于主从博弈的分层联邦学习激励机制研究

为了优化分层联邦学习(FL)全局模型的训练时延,针对实际场景中终端设备存在自私性的问题,该文提出一种基于博弈论的激励机制。在激励预算有限的条件下,得到了终端设备和边缘服务器之间的均衡解和最小的边缘模型训练时延。考虑终端设备数量不同,设计了基于主从博弈的可变激励训练加速算法,使得一次全局模型训练时延达到最小。仿真结果显示,所提出的算法能够有效降低终端设备自私性带来的影响,提高分层联邦学习全局模型的训练速度。     

边缘视频处理的细粒度划分与重组部署算法

随着视频数据的迅速增长,大规模视频处理业务需求急剧增加.如何及时处理视频数据获取有效信息,进而向用户快速提供视频分析业务是亟待解决的重要问题.针对此问题,提出一种面向大规模视频处理的边缘功能模块化及重组部署方法(EFMR).该方法将视频处理业务下沉到网络边缘,利用网络功能虚拟化,将边缘服务器中的视频业务请求根据其内在相关性进行功能细粒度划分,按需匹配并最大化复用资源,实现重组部署,从而以较小代价实现边缘视频业务处理功能的平滑扩展.实验结果表明,EFMR方法不仅降低了边缘服务器的接入与响应时延、业务的推理时间,而且还节省了大量的计算资源,提高了视频处理业务部署速度.     

机器类通信流量建模与过载控制

机器类通信(或MTC通信)定义为通过蜂窝网络进行数据传输的机器通信,作为未来泛在网络的重要组成部分,具有广阔的应用前景和市场潜力。为评估MTC接入时的网络性能,以3GPP参考流量模型和G/M/1队列模型的通解为基础,为MTC通信建立Beta/M/1队列模型;通过推导形状参数为任意正整数的Beta分布的概率生成函数的解析解,给出Beta/M/1模型性能评估的求解过程;利用数值分析,给出Beta/M/1模型的主要特征。为解决MTC接入时系统面临的过载问题,提出了3个解决办法,分别是:1)不同属性终端间聚类;2)改变MTC终端到达时间间隔分布;3)分段均匀随机退避算法。所提Beta/M/1模型及分段均匀随机退避算法可作为物联网/MTC通信/海量终端入网性能分析及过载控制的参考模型。     

一种分布式网络环境下基于挑战-响应模型的可信评估方法

运用信任模型进行可信评估是解决分布式网络安全问题的重要手段。然而,目前大部分研究工作把研究重点放在如何收集更完整的信任证据,以及如何利用一些新手段如机器学习、区块链等评估节点信任值,很少对如何获取节点可靠的初始信任值进行研究。实际上,针对分布式网络提出的很多信任模型都依赖于历史信任证据,而初次对网络进行可信评估时并不具备相关历史信息。基于此,该文面向分布式网络环境的安全问题,提出了基于挑战-响应模型的可信评估方法。首先利用挑战-响应模型获取节点可靠的初始信任值,并利用此初始信任值对网络中的节点进行分簇,在簇内进行信任值计算和信任值更新,完成分布式网络环境下完整的可信评估流程。仿真结果表明,相较于统一设置初始信任值的方式,该文所提方法能对恶意节点、自私节点的信任值有较准确的预测,同时对恶意节点的检测率也更高。