Αναζήτηση

Πλοήγηση

• Κοινότητες
• Συγγραφείς
• Έτος
• Τίτλοι
• Θέματα

Ο Χώρος μου

• Είσοδος

Ομοσπονδιακή μάθηση σε Flower και NS3 ενσωματώνοντας τη γεωμετρική προσέγγιση για αποδοτικό συγχρονισμό

Sklavos Panagiotis

Πλήρης Εγγραφή

---

Περίληψη

Η ταχεία εξέλιξη του υπολογιστικού περιβάλλοντος αιχµής (edge computing) και του ∆ιαδικτύου των Πραγµάτων (IoT) έχει οδηγήσει σε εκθετική αύξηση του παραγώµενου όγκου δεδοµένων, επισηµαίνοντας την ανάγκη για µεθόδους αποκεντρωµένης µηχανικής µάθησης που διασφαλίζουν ιδιωτικότητα και απόδοση. Η παρούσα διπλωµατική εργασία ανταποκρίνεται σε αυτές τις ανάγκες, εφαρμόζοντας Οµοσπονδιακή Μάθηση (FL) υπό ϱεαλιστικές δικτυακές συνθήκες, συνδυάζοντας το πλαίσιο Flower µε τον προσωµοιωτή δικτύου NS3 και ενσωματώνοντας τη Γεωµετρική Μέθοδο για ϐελτιωµένο συγχρονισµό και επιδόσεις. Η προσέγγισή µας περιλαµβάνει πολλαπλά ϐασικά ϐήµατα. Αρχικά, αναπτύχθηκε ένας ορχηστρωτής Οµοσπονδιακής Μάθησης χρησιµοποιώντας το πλαίσιο Flower για τη δηµιουργία ενός κατανεµηµένου δικτύου µε έναν κεντρικό διακοµιστή και πολλαπλούς πελάτες συνδεδεµένους σε τοπολογία αστέρα. Για τη ϐελτιστοποίηση των ενηµερώσεων των νευρωνικών δικτύων και τον περιορισµό των επικοινωνιακών εξόδων, εφαρµόστηκε µια µέθοδος συγχρονισµού ϐασισµένη στη γεωµετρική παρακολούθηση, γνωστή ως Functional Dynamic Averaging (FDA). Επιπλέον, χρησιµοποιήθηκε ο προσοµοιωτής δικτύου NS3 για την εξοµείωαη ϱεαλιστικών συνθηκών δικτύου και εφαρµόστηκε ένα πρωτόκολλο ∆ιαδιεργασιακής Επικοινωνίας (IPC) µε χρήση Unix Sockets για την απρόσκοπτη αλληλεπίδραση µεταξύ του πλαισίου Οµοσπονδιακής Μάθησης και του προσοµοιωτή δικτύου. Το ολοκληρωµένο πλαίσιο Οµοσπονδιακής Μάθησης που υλοποιήθηκε παρουσιάζει ανθεκτικότητα και αποτελεσµατικό συγχρονισµό σε ποικιλόµορφες εξοµοιωµένες συνθήκες δικτύου. Η Γεωµετρική προσέγγιση που εφαρµόζεται από τον αλγόριθµο FDA εξισορροπεί αποτελεσµατικά τον λόγο υπολογισµού προς το επικοινωνιακό κόστος, διατηρώντας υψηλά επίπεδα ακρίβειας. Εξονυχιστικές δοκιµές σε ποικίλα σύνολα δεδοµένων, τεχνητά νευρωνικά δίκτυα (ΑΝΝ), συνθήκες δικτύου και κατανοµές δεδοµένων (δεδοµένα ανεξάρτητα και οµοιόµορφα κατανεµηµένα και µη) αποκαλύπτουν σηµαντικές ϐελτιώσεις στην αποδοτικότητα επικοινωνίας και την ακρίβεια του µοντέλου σε σύγκριση µε έναν ϐασικό κατανεµηµένο αλγόριθµο. Συµπερασµατικά, αυτή η έρευνα παρουσιάζει ένα καινοτόµο και αποδοτικό πλαίσιο Οµοσπονδιακής Μάθησης που γεφυρώνει τα υπάρχοντα κενά σε υποδοµές ανάπτυξης και προσωµοίωσης, εξασφαλίζοντας ανθεκτική απόδοση και αποτελεσµατικό συγχρονισµό σε πραγµατικές ϱεαλιστικές συνθήκες δικτύου.

Διαθέσιμα αρχεία

Υπηρεσίες