雾计算中用于自适应资源管理的联邦预测式负载均衡

《Scientific Reports》：Federated predictive load balancing for adaptive resource management in fog computing

　　

尽管雾计算在提供低时延物联网(Internet of Things, IoT)应用方面的优势已被充分理解，但由于节点能力多样性和工作负载不确定性，高效负载均衡仍是持续挑战。当前调度方法通常是被动式的，仅在检测到拥塞后才采取行动，并且需要集中收集数据，这会带来隐私与带宽敏感问题。研究人员提出一种联邦预测式负载均衡(Federated Predictive Load Balancing, FPLB)框架，将长短期记忆网络(Long Short-Term Memory, LSTM)工作负载预测与联邦学习(Federated Learning, FL)结合，雾节点无需共享运行数据。预测工作负载输入一个归一化负载指数用于主动任务分配，而带Rényi记账器的差分隐私(Differential Privacy, DP)机制在联邦聚合时保护模型更新。所有实验均来自自包含模拟器。在中等至高负载下8个独立随机种子实验中，FPLB取得最低平均任务时延149.2 ms，显著低于深度Q网络(Deep Q-Network, DQN)调度（降低1.6%；p < 0.01，Wilcoxon符号秩检验）和联邦DQN对照，并远低于被动启发式（比轮询低24.3%）。优势随负载扩大，在10 tasks/s时较DQN高2.9%，且FPLB时延方差始终最低，调度更可预测。消融实验确认工作负载预测是改进主因，且联邦化降低预测误差。联邦通信开销在50节点时占网络流量0.4%，500节点时仅升至3.7%，且在每轮30%节点掉线时性能稳健。论文还刻画了隐私预算从ε = 3.2收紧到0.5时的隐私—效用包络。低负载时拥塞少，DQN相当，因此该框架对经常经历动态或峰值繁重需求的部署最有价值。

论文解读：《Scientific Reports》刊载的FPLB框架研究

研究背景方面，雾计算(Fog Computing)作为把计算资源靠近数据源、支撑时延敏感物联网(Internet of Things, IoT)应用的范式，面临节点CPU能力、内存、连接差异大以及工作负载随应用与环境变化的难题。现有方法里，轮询(round-robin)、最少负载(least-loaded)等启发式以及基于优化或混合元启发式的方法多为被动式，即拥塞发生后才反应，时延已经升高；深度强化学习(Deep Reinforcement Learning, DRL)类调度可适应变化，但多数依赖集中训练数据，重新带来通信开销与隐私暴露；联邦学习(Federated Learning, FL)在雾/边环境多用于分析或预测模型，并未直接驱动任务放置决策；而云—雾工作流调度中的混合元启发式针对离线有向无环图(Directed Acyclic Graph, DAG)，不适用于任务连续到达、需在毫秒内决策的在线场景。因此，同时具备预测性、去中心化、隐私保护且面向在线任务流的调度器未被充分研究，这正是本研究出发点。

研究人员开展的研究是提出联邦预测式负载均衡(Federated Predictive Load Balancing, FPLB)框架，用联邦长短期记忆网络(Long Short-Term Memory, LSTM)预测近未来负载，以预测值参与负载指数计算实现主动放置，并在聚合更新时加入基于Rényi差分隐私(Rényi Differential Privacy, RDP)记账器的噪声机制，再用自包含离散时间雾模拟器与轮询、最少负载、粒子群优化(Particle Swarm Optimization, PSO)、DQN、联邦DQN比对。

主要关键技术方法上，研究人员采用每节点本地两层的LSTM（隐藏单元64、回看窗口W=10）预测负载，以均方误差损失做随机梯度下降(Stochastic Gradient Update, SGD)；协调器按样本数加权联邦平均(Weighted Federated Averaging, FedAvg)聚合并广播；上传前更新做L2裁剪并加高斯噪声，用Rényi记账器把目标ε、δ=10^-5映射为噪声乘子；负载指数L_i=α·CPU_i+β·Q_i+γ·W_i（α=0.4、β=0.35、γ=0.25），超参由网格搜索确定；评估在N=50雾节点、200 IoT设备、1000 s时域、8个随机种子的自研模拟器中进行，工作负载由共享周期项+节点本地周期项+AR(1)噪声生成，无外部样本队列。

研究结果如下。系统模型：节点状态含到达率λ_i、队列长Q_i、CPU利用率CPU_i、网络时延N_i；目标为最小化端到端时延并保持利用均衡，超时任务溢至云。联邦工作负载预测：节点本地训LSTM，仅传参数更新，因负载有共享时间结构，联邦使各节点借他处模式而不见原始数据。联邦聚合：每轮本地E个epoch，协调器按n_i/n_total加权平均，原始迹不离开节点，每100 s模拟时间一轮。隐私保护更新：更新L2裁到C=1后加N(0,σ²I)噪声，得(ε,δ)-DP。差分隐私记账器：RDP下每轮代价α/(2σ²)，T轮线性组合，再极小化得(ε,δ)保证，如ε=3.2时σ≈5.06。威胁模型：诚实但好奇协调器与被动窃听者可见更新但未见原始迹，成员推断或重构受DP约束；主动投毒/恶意协调器不在范围。负载均衡策略：取最小L_i放任务，L_i超阈值τ=0.75则转最闲节点或云；N_i不进指数因排队已间接反映时延。算法与复杂度：在线放置每任务O(N)，训练与通信开销不随原始监控数据量增长。整体性能：默认下FPLB平均149.2 ms，Wilcoxon检验p<0.01优于全部对照，比最少负载低3.0%、比轮询低24.3%，利用率为65.5%而非最大化，方差最低。工作负载依赖行为：2 tasks/s时DQN略好；10 tasks/s时FPLB 167 ms、DQN 172 ms、PSO 179 ms，优势随负载扩大且方差最小。消融研究：加预测从147.2 ms降至142.7 ms；联邦化把预测误差0.28降至0.23、时延140.1 ms，证明预测为主因、联邦助泛化。隐私—效用权衡：ε从无穷到3.2预测MAE由0.23升至1.68，ε=0.5时10.25；但时延仍近148 ms，因负载指数仍用实时CPU与队列，框架优雅退化。可扩展性：50到500节点时延151.8 ms降至121.5 ms，通信占比0.38%升至3.71%，墙钟时间近似线性。部分参与鲁棒性：0%–30%掉线时延不变149.2 ms、预测误差0.26 MAE，加权FedAvg容忍缺失。敏感性：W=10足够，γ=0带来153.7 ms，τ在[0.6,0.9]不敏感。负载指数网络时延项：加入N_i时延149.2升至151.3 ms，证实省略合理。成员推断抵抗：损失型攻击AUC 0.49–0.50，与随机猜无差，联邦平均防记忆单节点迹。

讨论部分总结：研究人员指出FPLB非万能——低负载时预测与聚合开销不划算，DQN相当，最少负载利用略高；中等至高负载、突发/峰值场景才凸显低时延、低方差、掉线鲁棒与免原始迹共享价值。相比集中DQN，FPLB通信仅传约3.5×10⁴参数、原始数据不出节点，虽绝对时延增益中等，但可预测性、隐私性与故障容忍更重要。局限含模拟器未含真实网络抖动与硬件效应，用普通加权FedAvg未做客户端选择/压缩/个性化/异步，隐私上仅做成员推断攻击、模型反演留待未来，负载指数为全局权重未做逐节点自适应。

结论部分翻译：本文提出FPLB，将联邦LSTM预测、预测式负载指数与(ε,δ)-差分隐私用于在线雾负载均衡。中等至高负载下，其取得比对方法中最低且最可预测时延，显著低于DQN与联邦DQN（p<0.01），优势随负载增大，500节点时通信开销仅几个百分点。消融把收益归于预测，联邦改善预测泛化，框架对30%节点掉线鲁棒且隐私预算收紧时优雅退化。其优势依赖工作负载，最适合动态或峰值繁重部署。未来工作将推进异步与个性化聚合、形式化隐私攻击评估、自适应负载指数加权，以及在物理雾测试床验证。