La tecnología de gemelos digitales (DT) se está volviendo cada vez más popular como un método que brinda a los dispositivos de Internet de las cosas (IoT) un mapeo dinámico de la topología y actualizaciones de estado en tiempo real. Sin embargo, existen dificultades para implementar DT en redes de IoT industriales, especialmente cuando se requiere un soporte de datos dispersos y significativos. Esto con frecuencia da como resultado la creación de silos de datos, donde los datos se encuentran dentro de ciertos sistemas o dispositivos, lo que dificulta la recopilación y el examen de datos de toda la red. Además, debido a que la información confidencial puede ser objeto de abuso o divulgación, la recopilación y el uso de datos dispersos crean graves problemas de privacidad.
Para abordar estos problemas, un equipo de investigadores ha creado una técnica de programación dinámica de recursos, especialmente para una red de IoT asincrónica y liviana habilitada para DT que utiliza aprendizaje federado (FL). El objetivo de este método es minimizar una función multiobjetivo que tenga en cuenta la latencia y el uso de energía para maximizar el rendimiento de la red. Al hacer esto, el equipo se ha asegurado de que la potencia de transmisión se gestione y los dispositivos de IoT se elijan de una manera que satisfaga los requisitos de rendimiento del modelo FL.
La estrategia se basa en el algoritmo de Lyapunov, probado matemáticamente, que garantiza la estabilidad del sistema. Mediante esta técnica, el difícil problema de optimización se ha dividido en varios problemas de optimización de una sola ranura más sencillos. Luego, para llegar a los mejores planes para programar dispositivos IoT y controlar la potencia de transmisión, el equipo ha creado un método de optimización de dos etapas.
El equipo primero construyó soluciones de formato cerrado para la potencia de transmisión óptima del dispositivo IoT. Este paso garantiza que cada dispositivo transmita datos de manera efectiva y con la menor energía posible, manteniendo al mismo tiempo la calidad de comunicación requerida. El problema de selección del dispositivo IoT se ha abordado en la segunda etapa, que se ve agravado por la información de estado desconocida de la potencia de transmisión y la frecuencia computacional.
El servidor de borde utiliza un marco de trabajo de bandido multiarmado (MAB), un modelo de toma de decisiones que ayuda a seleccionar la opción óptima entre una serie de opciones confusas para manejar esto. El problema de selección de dispositivos se ha resuelto mediante el uso de una técnica en línea eficaz denominada límite superior de confianza basado en la utilidad del cliente (CU-UCB).
Los resultados numéricos han verificado la utilidad de esta técnica, demostrando su rendimiento superior a los esquemas de referencia actuales. Las simulaciones realizadas en conjuntos de datos como Fashion-MNIST y CIFAR-10 han demostrado que este enfoque logra velocidades de entrenamiento más rápidas en la misma cantidad de tiempo, lo que indica su potencial para mejorar la efectividad y la eficiencia de las redes DT basadas en FL en escenarios de IoT industrial.
El equipo ha resumido sus principales contribuciones de la siguiente manera.
- Se ha diseñado una técnica de programación dinámica de recursos para el aprendizaje federado asincrónico en una red de IoT liviana impulsada por Digital Twin (DT), abordando los problemas de los silos de datos y las preocupaciones sobre privacidad en la IoT industrial.
- El objetivo del algoritmo es minimizar una función multiobjetivo para mejorar el rendimiento general de FL asincrónica. Esta función optimiza la selección de dispositivos IoT y la regulación de la potencia de transmisión, respetando al mismo tiempo los límites de rendimiento del modelo FL al considerar tanto el uso de energía como la latencia.
- El complicado problema de optimización se ha dividido en tareas de optimización de una sola ranura más sencillas en el artículo utilizando el enfoque de Lyapunov. Se han utilizado pruebas y optimizaciones rígidas para derivar soluciones de forma cerrada para una potencia de transmisión óptima en el lado de los dispositivos IoT.
- Se ha utilizado un marco de trabajo de bandido multiarmado (MAB) para representar el problema de selección de dispositivos IoT en el lado del servidor de borde, donde se desconoce cierta información de estado. Este problema se ha abordado utilizando un algoritmo en línea eficaz, el límite de confianza superior basado en la utilidad del cliente.
- El estudio ha demostrado además que el método logra un arrepentimiento sublineal en las rondas de comunicación al derivar la brecha de optimalidad teórica. Dentro de la misma duración de entrenamiento, los conjuntos de datos Fashion-MNIST y CIFAR-10 han demostrado que el método CU-UCB propuesto logra velocidades de entrenamiento más rápidas que los enfoques de referencia, como lo validan los hallazgos numéricos.
Echa un vistazo a la Papel. Todo el crédito por esta investigación corresponde a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y únete a nuestro Canal de Telegram y LinkedIn Gr¡Arriba!. Si te gusta nuestro trabajo, te encantará nuestro hoja informativa..
No olvides unirte a nuestro Subreddit con más de 50 000 millones de usuarios
A continuación se muestra un seminario web muy recomendado por nuestro patrocinador: ‘Desbloquee el poder de sus datos de Snowflake con LLM’
Tanya Malhotra es una estudiante de último año de la Universidad de Estudios de Petróleo y Energía, Dehradun, que cursa BTech en Ingeniería Informática con una especialización en Inteligencia Artificial y Aprendizaje Automático.
Es una entusiasta de la ciencia de datos con un buen pensamiento analítico y crítico, junto con un gran interés en adquirir nuevas habilidades, liderar grupos y gestionar el trabajo de manera organizada.