औद्योगिक एज इंटेलिजेंस के लिए डिजिटल ट्विन-सहायता प्राप्त अर्ध-फेडरेटेड लर्निंग ढांचा

उभरती प्रौद्योगिकियों, जैसे एज इंटेलिजेंस और डिजिटल ट्विन्स, का तेजी से विकास औद्योगिक इंटरनेट ऑफ थिंग्स (IIoT) के विकास की दिशा में गति प्रदान कर रहा है। हालाँकि, IIoT द्वारा उत्पन्न भारी मात्रा में डेटा, IIoT उपकरणों के बीच विषम गणना क्षमता और उपयोगकर्ताओं की डेटा गोपनीयता के मुद्दों के कारण औद्योगिक एज इंटेलिजेंस (IEI) प्राप्त करना चुनौतीपूर्ण हो गया है। IEI प्राप्त करने के लिए, इस पत्र में, हम एक अर्ध-फेडरेटेड लर्निंग ढांचा प्रस्तावित करते हैं जहां उच्च गोपनीयता वाले डेटा का एक हिस्सा स्थानीय रूप से रखा जाता है और कम गोपनीयता वाले डेटा का एक हिस्सा संभावित रूप से एज सर्वर पर अपलोड किया जा सकता है। इसके अतिरिक्त, हम IIoT उपकरणों की गणना क्षमता की विषमता की समस्या को भौतिक संस्थाओं के मानचित्रण के माध्यम से हल करने के लिए डिजिटल ट्विन्स का उपयोग करते हैं। हम एक समकालिकता विलंभ न्यूनतमकरण समस्या को सूत्रबद्ध करते हैं जो एज संघ और अपलोड किए गए गैर-गोपनीय डेटा के अनुपात का संयोजित अनुकूलन करता है। चूंकि संयुक्त समस्या NP-कठिन और संयोजनात्मक है और बड़े पैमाने पर उपकरण प्रशिक्षण की वास्तविकता को ध्यान में रखते हुए, हम एक बहु-एजेंट हाइब्रिड क्रिया गहन पुनर्बलन शिक्षा (DRL) एल्गोरिदम विकसित करते हैं ताकि एक आदर्श समाधान ढूंढा जा सके। सिमुलेशन परिणाम प्रदर्शित करते हैं कि हमारा प्रस्तावित DRL एल्गोरिदम विलंभ को कम कर सकता है और बेंचमार्क एल्गोरिदम की तुलना में अर्ध-फेडरेटेड लर्निंग के लिए बेहतर समागम प्रदर्शन कर सकता है।