面向6G的时间敏感异构联邦边缘智能

与人工智能技术深度融合并实现智能内生是6G网络的重要演进趋势之一。联邦边缘智能是一种新兴的分布式协同训练架构,能够在为用户提供智能化服务的同时有效保护本地数据隐私。然而,由于算力网络中不同边缘节点的数据特征、可用的通信与计算资源等差异巨大,呈现出高度异构性,传统的联邦学习架构全局模型收敛速率较低,服务响应时延高。介绍了一种时间敏感异构联邦边缘智能系统架构,该架构采用异步的方式进行模型协同,可有效避免落后者效应对时延的影响,同时在对数据进行贡献度分析的基础上,采用低性能边缘节点数据丢弃与负载转发相结合的策略,进一步降低异步协同机制下陈旧性效应对服务响应时延的影响。基于树莓派的异构联邦边缘智能原型系统中的测试实验表明,所提方案可有效降低服务响应时延。