27463

تخصيص منابع براي كمينه‌سازي توان مصرفي يادگيري ماشين همكارانه در لبه شبكه مخابرات بيسيم با درنظرگرفتن قيود كيفيت سرويس

كارشناسي ارشد

مهندسي برق -مخابرات سيستم

1401/8/25

دكتر شاهرخ فرهمند

برق

هدف اين پايان‌نامه پيشنهاد يك تاكتيك زير بهينه تخصيص منابع براي انجام وظايف يادگيري ماشين در لبه شبكه بي‌سيم، باهدف بررسي مصالحه‌هاي موجود بين انرژي مصرفي، تأخير در پردازش و دقت يادگيري است. سناريو موردنظر از مجموعه‌اي از دستگاه‌ها تشكيل شده است كه داده‌هاي پيوسته‌اي را استخراج كرده و بعد از گسسته‌سازي به يك سرور لبه ارسال مي‌كنند تا اطلاعات داده را با استفاده از الگوريتم‌هاي يادگيري ماشين آنلاين استخراج كنند. با درنظرگرفتن محدوديت‌هاي پردازشي سرور لبه و كمبود منابع انرژي و مخابراتي دستگاه‌هاي متصل به سرور لبه بر تخصيص كارآمد منابع راديويي و محاسباتي تمركز مي‌كنيم. منابع، براي ايجاد بهترين مصالحه بين مصرف انرژي و كيفيت خدمات، از جمله تأخير سرويس انتها به انتها و دقت كار الگوريتم يادگيري ماشين بررسي مي‌شوند. براي رسيدن به اين نتيجه، مي‌توان تاكتيك‌هاي مختلفي اعمال كرد. روش مدنظر اين پايان‌نامه به‌حداقل‌رساندن مصرف انرژي حسگرها، تحت محدوديت‌هاي تأخير انتها به انتها و دقت سرويس است هم چنين براي حل مسائل بهينه‌سازي مطرح شده يك چارچوب تخصيص منبع پويا بر اساس بهينه‌سازي تصادفي لياپانوف ارائه مي‌شود.الگوريتم بهينه‌سازي تصادفي لياپانوف داراي پيچيدگي پايين بوده و به هيچ‌دانش قبلي درمورد توزيع احتمال داده‌ي ورودي به دستگاه‌ها نياز ندارد. علاوه بر اين، تاكتيك‌ به‌كارگرفته‌شده مي‌تواند دانش قبلي را در مورد مدل زيربناي داده‌هاي مشاهده‌ شده با اطلاعات خود داده‌ها تركيب كند، يا مي‌تواند به روشي كاملاً مبتني بر داده كار كند. روش پيشنهادي ما مبتني بر يادگيري ماشين همكارانه است بدين معني كه فرض مي‌شود همه دستگاه‌ها يك هدف يكسان را دنبال مي‌كنند. شبيه‌سازي‌هاي ما نشان مي‌دهد كه در مقايسه با روش‌هاي غيرهمكارانه در انجام يك مسئوليت يادگيري ماشين، روش پيشنهادي ما عملكرد بهتري از نظر مصرف انرژي، تأخير انتها به انتها و كيفيت انجام مسئوليت يادگيري دارد.

1401/09/15

Resource Allocation for Minimizing Consumed Power for Cooperative Edge Machine Learning with QoS Constraints

11/16/2023 12:00:00 AM

This thesis aims to propose an optimal resource allocation strategy for performing machine learning tasks at the edge of the wireless network. Our goal is the trade off between energy consumption, processing delay and learning accuracy. The intended scenario consists of a set of devices that collect continuous data and send it to an edge server after discretization to extract the data’s information using online machine learning algorithms. Considering the limited processing power of the edge server and the lack of energy and communication resources of the devices, we focus on the efficient allocation of radio and computing resources. Resources are optimized to create the best tade off between energy consumption and quality of service, including end-to-end service latency and machine learning algorithm performance. The method considered in this thesis is to minimize the energy consumption of the sensors, under the constraints of end-to-end delay and service accuracy. To solve the proposed optimization problems, a dynamic resource allocation framework based on Lyapunov random optimization is presented. The Lyapunov random optimization algorithm has low complexity. Furthermore The devices do not require any prior knowledge about the probability distribution of the input data. Subsequently, the strategy employed can combine prior knowledge about the model underlying the observed data with information from the data itself, or it can work in a purely data-driven manner. Our proposed method is based on cooperative machine learning, which means that all devices are assumed to follow the same goal. Our simulations show that compared to non-cooperative methods in performing a machine learning task, our proposed method performs better in terms of energy consumption, end-to-end delay, and quality of performing the learning task.

يادگيري ماشين لبه , بهينه‌سازي تصادفي , تخصيص منابع، معاوضه انرژي - تأخير - دقت.

: Edge machine learning , multi-access edge computing

Saeed Nasiri

Shahrokh Farahmand