Optimización de la descarga de cómputo basada en aprendizaje federado en el Internet de las Cosas soportado por computación en el borde

Recientemente, las ciudades inteligentes, los hogares inteligentes y los sistemas médicos inteligentes han desafiado la funcionalidad y conectividad de los dispositivos de Internet de las Cosas (IoT) a gran escala. Así, con la idea de descargar tareas intensivas de cómputo de estos a nodos de borde (EN), la computación en el borde surgió para complementar estos dispositivos limitados. Beneficiándose de esta ventaja, los dispositivos IoT pueden ahorrar más energía y aún mantener la calidad de los servicios que deben proporcionar. Sin embargo, las decisiones de descarga computacional implican federación y gestión compleja de recursos y deben determinarse en tiempo real frente a cargas de trabajo dinámicas y entornos de radio. Por lo tanto, en este trabajo, utilizamos múltiples agentes de aprendizaje por refuerzo profundo (DRL) desplegados en múltiples nodos de borde para indicar las decisiones de los dispositivos IoT. Por otro lado, con el objetivo de hacer que las decisiones basadas en DRL sean factibles y reducir aún más los costos de transmisión entre los dispositivos IoT y los nodos de borde, se utiliza el aprendizaje federado (FL) para entrenar a los agentes DRL de manera distribuida. Los resultados experimentales demuestran la efectividad del esquema de decisión y del aprendizaje federado en el sistema IoT dinámico.