面向异构流式数据的高性能联邦持续学习算法

为了缓解提供智能服务的AI模型训练流式数据存在模型性能差、训练效率低等问题,在具有隐私数据的分布式终端系统中,提出了一种面向异构流式数据的高性能联邦持续学习算法(FCL-HSD)。为了缓解当前模型遗忘旧数据问题,在本地训练阶段引入结构可动态扩展模型,并设计扩展审核机制,以较小的存储开销来保障AI模型识别旧数据的能力;考虑到终端的数据异构性,在中央节点侧设计了基于数据分布相似度的全局模型定制化策略,并为模型的不同模块执行分块聚合方式。在不同数据集下多种数据增量场景中验证了所提算法的可行性和有效性。实验结果证明,相较于现有工作,所提算法在保证模型对新数据具有分类能力的前提下,可以有效提升模型对旧数据的分类能力。

面向大规模确定性网络的全局循环排队与转发机制

时延抖动敏感的工业控制和远程驾驶应用驱动网络由尽力而为服务向确定性转发服务转变。为满足确定性应用时延抖动的有界需求,工业界和学术界在逐流过滤整形和队列转发控制方面进行了大量研究,实现了小规模以太网环境下轻载稳定流的微秒级时延和亚微秒级抖动保障。多数研究因较少考虑长距离网络拓扑变化、传输时延波动和短时突发流量过载等影响,难以满足大规模骨干网场景下的确定性要求。在循环排队转发(cyclic queuing and forwarding,CQF)基础上,考虑了源目的路径特性和确定性流量强度因素,提出了全局循环排队转发三队列(global cyclic queuing and forwarding 3-queue,GCQF-3),并在基于OMNeT++搭建的确定性网络仿真系统中,比较了CQF、CQF-3和GCQF-3的转发控制机制,实验表明GCQF-3能根据确定性流量状态及时调整门控时机和排队优先级,在时延、抖动和网络利用率等方面都达到最佳。