面向风电场景的联邦学习平台高性能通信优化

作     者：于航 周继威 张涵 孔祥锋 张玉会 YU Hang;ZHOU Ji-Wei;ZHANG Han;KONG Xiang-Feng;ZHANG Yu-Hui

作者机构：中能电力科技开发有限公司北京100034 中国科学院信息工程研究所北京100093 中国科学院大学网络空间安全学院北京100049 

出 版 物：《计算机系统应用》 (Computer Systems & Applications)

年 卷 期：2023年第32卷第3期

页      码：116-124页

摘      要：风能作为清洁能源为改善我国能源结构发挥着越来越重要的作用.风电场机组及设备的数据可能会包含机组或风场的隐私敏感信息,这些隐私数据一旦被泄露,将会为风电场带来巨大的经济风险和法律风险.联邦学习作为重要的隐私计算手段,能够保证原始数据不出本地的情况下完成模型的建模和推理,实现各参与方在互不泄露隐私的前提下实现联合计算,从而有效应对风电数据分析面临的挑战.但是,联邦学习计算过程中存在大量的通信开销,这成为限制联邦学习技术在风电场景下应用的关键性能瓶颈.因此,本文以经典的联邦学习算法XGBoost为例,深入分析了联邦学习计算过程中的通信问题,提出采用RDMA作为底层传输协议的解决方案,设计并实现了一套高性能联邦学习平台通信库,有效提升了联邦学习系统的性能.

主 题 词：风电 联邦学习 通信优化 RDMA 

学科分类：12[管理学] 1201[管理学-管理科学与工程类] 08[工学] 081104[081104] 0807[工学-电子信息类] 0835[0835] 0811[工学-水利类] 0812[工学-测绘类] 

D　O　I：10.15888/j.cnki.csa.008983

馆 藏 号：203118602...