«`html
Решение проблем внедрения технологии Digital Twin (DT) в промышленных сетях Интернета вещей (IoT)
Технология Digital Twin (DT) становится все более популярной как метод, обеспечивающий динамическое отображение топологии устройств Интернета вещей (IoT) и обновление статуса в реальном времени. Однако существуют трудности в развертывании DT в промышленных сетях IoT, особенно когда требуется значительная и распределенная поддержка данных. Часто это приводит к созданию «силосов данных», где данные содержатся в определенных системах или устройствах, что затрудняет их сбор и анализ по всей сети. Кроме того, сбор и использование распределенных данных создают серьезные проблемы конфиденциальности из-за возможного злоупотребления или разглашения чувствительной информации.
Решение проблем
Для решения этих проблем исследовательская группа разработала динамическую технику планирования ресурсов, специально для асинхронной легкой сети IoT, использующей DT, с применением федеративного обучения (FL). Цель этого метода — минимизировать многокритериальную функцию, учитывающую задержку и энергопотребление, чтобы максимизировать производительность сети. Это позволяет управлять передающей мощностью и выбирать IoT-устройства таким образом, чтобы удовлетворять требованиям производительности модели FL.
Стратегия основана на математически доказанном алгоритме Ляпунова, который гарантирует стабильность системы. Используя эту технику, сложная задача оптимизации была разбита на несколько более простых задач оптимизации на один временной слот. Затем для нахождения лучших планов планирования устройств IoT и управления передающей мощностью был создан двухэтапный метод оптимизации.
Команда сначала разработала аналитические решения для оптимальной передающей мощности устройства IoT. Этот шаг гарантирует, что каждое устройство передает данные эффективно и с минимальным энергопотреблением, сохраняя необходимое качество связи. Проблема выбора устройства IoT была решена на втором этапе, что осложнено неизвестной информацией о состоянии передающей мощности и вычислительной частоты.
Для решения проблемы выбора устройства на стороне сервера использовалась многорукий бандит (MAB), модель принятия решений, которая помогает выбрать оптимальный вариант из нескольких нечетких вариантов. Проблема выбора устройства была решена с использованием эффективного онлайн-алгоритма под названием CU-UCB (client utility-based upper confidence bound).
Числовые результаты подтвердили полезность этой техники, демонстрируя ее превосходную производительность по сравнению с текущими бенчмарк-схемами. Симуляции, проведенные на наборах данных Fashion-MNIST и CIFAR-10, показали, что этот подход достигает более быстрой скорости обучения за то же время, что указывает на его потенциал улучшить эффективность и эффективность сетей DT на основе FL в промышленных сценариях IoT.
Основные выводы
Команда подвела итоги своих основных достижений:
- Разработана динамическая техника планирования ресурсов для асинхронного федеративного обучения в легкой сети IoT, использующей Digital Twin (DT), решающая проблемы силосов данных и конфиденциальности в промышленном IoT.
- Цель алгоритма — минимизировать многокритериальную функцию для улучшения общей производительности асинхронного FL. Эта функция оптимизирует выбор устройств IoT и регулирование передающей мощности, учитывая как энергопотребление, так и задержку.
- Сложная задача оптимизации была разбита на более простые задачи оптимизации на один временной слот с использованием метода Ляпунова. Для нахождения аналитических решений оптимальной передающей мощности устройств IoT использовались строгие доказательства и оптимизации.
- Для решения проблемы выбора устройства на стороне сервера использовалась модель многорукого бандита (MAB), где некоторая информация о состоянии неизвестна. Эта проблема была решена с использованием эффективного онлайн-алгоритма CU-UCB.
- Исследование также показало, что метод достигает сублинейного регрета по числу раундов общения, определяя теоретическую разницу в оптимальности. На наборах данных Fashion-MNIST и CIFAR-10 было показано, что предложенный метод CU-UCB достигает более быстрых скоростей обучения, чем базовые подходы, что подтверждается числовыми результатами.
Подробнее ознакомьтесь с исследованием. Вся заслуга за это исследование принадлежит исследователям этого проекта. Также не забудьте подписаться на наш Twitter и присоединиться к нашему каналу в Telegram и группе в LinkedIn. Если вам понравилась наша работа, вам понравится наш новостной бюллетень.
Не забудьте присоединиться к нашему сообществу в Reddit
Рекомендованный вебинар от нашего спонсора: «Разблокируйте потенциал ваших данных Snowflake с LLMs»
Статья опубликована на портале MarkTechPost.
«`
