Federated Learning Over Wireless Channels: Dynamic Resource Allocation and Task Scheduling
随着联邦学习（FL）的发展，移动设备（MD）能够用私有数据训练它们的本地模型，并将它们发送到中央服务器进行聚合，从而防止敏感的原始数据泄漏。在本文中，我们的目标是提高FL系统的训练性能的背景下，无线信道和随机能量到达的MD。为此，我们动态优化MD的发射功率和训练任务调度。我们首先将这个动态规划问题建模为一个约束马尔可夫决策过程（CMDP）。由于我们的CMDP问题的高维度，我们提出了在线随机学习方法来简化CMDP和设计在线算法，以获得一个有效的政策，为所有MD。由于CMDP中存在长期约束，我们利用拉格朗日乘数法来解决这个问题。此外，我们证明了所提出的在线随机学习算法的收敛性。数值结果表明，所提出的算法可以获得更好的性能比基准算法。
2021-06-13 cs.DC
Eventually-Consistent Federated Scheduling for Data Center Workloads
本文扩展联邦式去中心化调度架构 Megha，利用并行性与最终一致全局状态缓解大规模数据中心的次优放置问题，并通过仿真和123节点集群实验证明其可持续降低作业完成延迟。
2023-08-20 cs.DC
Fair non-monetary scheduling in federated clouds
在混合云中，各个云服务提供商（CSP）通常有动机使用彼此的资源来卸载峰值负载或将负载放置在更靠近最终用户的地方。然而，社区服务提供商必须跟踪捐款和收益，以遏制长期搭便车的行为。我们展示了CloudShare，一个分布式版本的负载均衡算法DirectCloud的基础上Shapley值-一个强大的公平概念，从博弈论。CloudShare通过基于ZooKeeper的协调层协调CSP;每个CSP运行一个与本地资源（如Kubernetes管理的集群）交互的代理。我们定量评估我们的实现模拟。结果证实，CloudShare生成的平均时间表比流行的FairShare算法更公平。我们相信，我们的研究结果显示了一种可行的替代货币方法，例如，现货市场。
2018-03-16 cs.DC
Blockchain Assisted Federated Learning over Wireless Channels: Dynamic Resource Allocation and Client Scheduling
区块链技术已被广泛研究，以实现联邦学习（FL）中的分布式和防篡改数据处理。大多数现有的区块链辅助FL（BFL）框架都采用了第三方区块链网络来分散模型聚合过程。然而，去中心化的模型聚合容易受到来自第三方区块链网络的池化和共谋攻击。在这个问题的驱动下，我们提出了一个新的BFL框架，其特点是在客户端集成训练和挖掘。为了优化FL的学习性能，我们提出了最大化的长期时间平均（LTA）训练数据大小的约束下的LTA能量消耗。为此，我们用公式表示训练客户端选择和资源分配的联合优化问题（即，客户端的发射功率和计算频率），并基于李雅普诺夫技术求解长期混合整数非线性规划。特别地，所提出的动态资源分配和客户端调度（DRACS）算法可以实现[ $\mathcal{O}(1/V)$，$\mathcal{O}(\sqrt{V})$ ]的折衷，以利用控制参数$V$来平衡LTA训练数据大小的最大化和LTA能量消耗的最小化。我们的实验结果表明，建议的DRACS算法实现了更好的学习精度比基准客户端调度策略有限的时间或能源消耗。
2022-10-31 cs.DC
A Knowledge Distillation-empowered Adaptive Federated Reinforcement Learning Framework for Multi-Domain IoT Applications Scheduling
针对异构云边IoT环境中的多域应用调度难题，本文提出KD-AFRL框架，融合自适应双区网络、差分隐私环境聚类联邦学习与跨架构知识蒸馏，显著提升收敛、调度性能与可扩展性。
2025-08-29 cs.DC
Nautilus: A Verifiable Hierarchical Federated Learning Framework for Vehicular-Edge-Cloud Systems
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Beihang University（北京航空航天大学）
针对车联网中资源极端异构导致联邦学习效率低下的问题，提出Nautilus框架，通过多维资源感知调度算法和零知识证明机制，在保护隐私的同时实现高效且可验证的联邦学习。
2026-07-29 cs.DC
Integrated user scheduling and beam steering in over-the-air federated learning for mobile IoT
针对移动物联网联邦学习中无线资源稀缺导致的通信效率问题，提出用户调度与接收波束成形集成方案及低复杂度调度策略，有效降低聚合误差、提升学习性能。
2025-08-01 cs.DC
Blockchain-aided wireless federated learning: Resource allocation and client scheduling
针对无线网络中区块链辅助去中心化联邦学习面临的资源受限与训练延迟问题，提出DRC-BDFL算法联合优化资源分配与客户端调度，在保证准确率相当的同时显著降低了训练延迟。
2024-06-02 cs.DC
Update Estimation and Scheduling for Over-the-Air Federated Learning with Energy Harvesting Devices
Dept. of Electrical and Electronics Engineering, Bilkent University（电子与电子工程系，比尔肯特大学）；Dept. of Electrical and Electronic Engineering, Imperial College London（电子与电子工程系，帝国理工学院伦敦分校）
针对无线衰落MAC下能量收集设备的OTA联邦学习中低能量到达和数据异构性问题，提出熵基调度（已知分布）和最小二乘用户表示估计调度（未知分布）两种策略，通过选择多样化用户提升学习性能并节约能量。
2025-01-30 cs.DC cs.LG
Bringing Inter-Thread Cache Benefits to Federated Scheduling -- Extended Results & Technical Report
硬实时任务的多处理器调度模型的有向无环图（DAG）利用固有的并行模型。对于DAG任务，节点表示在其中一个可用处理器上执行对象的请求。在一个DAG任务中，可能存在针对一个对象的多个执行请求，每个执行请求由不同的节点表示。这些不同的执行请求提供了一个机会，通过协调调度对象作为并行任务中的线程来减少它们的组合缓存开销。这项工作的目标是实现这一机会，将缓存感知捆绑调度算法到零星DAG任务集的联邦调度。这是第一个将指令缓存共享纳入联邦调度的工作。结果是对DAG模型的修改，名为具有对象和线程的DAG（DAG-OT）。在DAG-OT模型下，节点的描述显式地包括其底层可执行对象和线程数量。如果可能，分配了相同可执行对象的节点将折叠成单个节点;在BUNDLE调度时加入它们的线程。与DAG模型相比，具有缓存感知调度的DAG-OT模型在综合评估中将分配给各个任务的核心数量减少了约20%，在新型并行计算平台实现中减少了高达50%。通过减少分配的核的数量，DAG-OT模型能够调度先前不可行的任务集的子集。
2020-02-28 cs.DC cs.OS
Efficient Data Labeling and Optimal Device Scheduling in HWNs Using Clustered Federated Semi-Supervised Learning
针对HWNs中设备缺乏真实标签导致收敛慢、资源消耗大的问题，提出CFSL框架，利用专门模型进行半监督数据标注并优化设备调度，实现高达51%节能。
2024-12-22 cs.DC
Age Aware Scheduling for Differentially-Private Federated Learning
Institute of Communications Engineering, National Yang Ming Chiao Tung University（国立阳明交通大学通信工程研究所）；Simula UiB（西挪威应用科技大学西蒙研究所）；Department of Communication Engineering, National Taipei University（国立台北大学通信工程学系）
本文研究时变数据库下差分隐私联邦学习中的年龄、准确性与隐私权衡问题，提出年龄感知调度方案以最小化模型损失差异，并通过仿真验证其优于经典差分隐私联邦学习。
2024-07-05 cs.CR cs.DC cs.LG
Adaptive Determinantal Client Scheduling in Federated Learning
University of Toronto（多伦多大学）；Ericsson（爱立信）
针对联邦学习中客户端调度忽视多样性的问题，提出基于行列式点过程的自适应调度算法ADCS，实现质量-多样性权衡，并给出收敛性分析，实验证明其优于现有算法。
2026-09-22 cs.DC cs.LG
Scheduling and Communication Schemes for Decentralized Federated Learning
Arab Academy for Science, Technology & Maritime Transport（阿拉伯科学、技术与海运学院）；University of Vigo（维戈大学）
本文提出一种采用SGD算法的去中心化联邦学习（DFL）模型，并设计了三种调度策略用于客户端与并行服务器间的通信，实验证明这些策略对收敛速度和最终全局模型有显著影响。
2023-11-27 cs.DC cs.LG
Version age-based client scheduling policy for federated learning
ZJU-UIUC Institute, Zhejiang University（浙江大学ZJU-UIUC联合学院）
针对联邦学习中客户端调度导致的过时更新问题，提出基于版本年龄信息（VAoI）的调度策略，兼顾时效与内容，最小化平均VAoI，提升系统稳定性。
2024-02-08 cs.DC cs.LG
Data-Aware Device Scheduling for Federated Edge Learning
Université de Sherbrooke（舍布鲁克大学）
联邦边缘学习（FEEL）涉及边缘设备之间的机器学习模型的协作训练，以及无线边缘网络中服务器的编排。由于频繁的模型更新，FEEL需要适应有限的通信带宽，边缘设备的稀缺能源，以及边缘设备的数据分布的统计异质性。因此，有必要仔细调度用于训练和上传模型的设备子集。与FEEL以前的工作相比，数据方面的探索不足，我们认为数据属性的心脏所提出的调度算法。为此，我们提出了一个新的调度方案，非独立和同分布（非IID）和不平衡的数据集FEEL。由于数据是学习的关键组成部分，我们提出了一套新的考虑因素，在FEEL无线调度算法的数据特性。事实上，设备收集的数据取决于本地环境和使用模式。因此，数据集在设备之间的大小和分布不同。在所提出的算法中，我们考虑数据和资源的角度。除了最小化FEEL的完成时间以及参与设备的传输能量之外，该算法还优先考虑具有丰富多样数据集的设备。我们首先定义了一个数据感知调度的总体框架和多样性评估的主轴和要求。然后，我们讨论多样性方面和一些可利用的技术和指标。接下来，我们制定的问题，并提出我们的FEEL调度算法。在不同的情况下的评估表明，我们提出的FEEL调度算法可以帮助实现高精度，在几轮降低成本。
2022-01-27 cs.DC cs.LG
Safe Serializable Secure Scheduling: Transactions and the Trade-off Between Security and Consistency
现代应用程序通常对多个管理域中的数据进行操作。在这种联合设置中，参与者可能不完全信任彼此。这些分布式应用程序使用事务作为核心机制，以确保持久数据的可靠性和一致性。然而，交易所需的协调机制可能会泄露机密信息，并允许未经授权的影响。通过实施一个简单的攻击，我们表明这些侧通道可以被利用。但是，我们的重点是防止这种攻击。我们探索原子，可序列化的事务在联邦设置的安全调度。虽然我们证明，没有协议可以保证在所有设置的安全性和活性，我们建立的条件下，可以安全地完成安全调度的事务集。基于这些条件，我们介绍了分阶段提交，一个安全的联邦事务调度协议。该协议通过将事务划分为不同的阶段来避免不安全的信息通道。我们实现了一个编译器，静态检查代码，以确保它符合我们的条件，和一个系统，使用分阶段提交协议调度这些事务。实验结果表明，该实现能够安全、原子、高效地调度真实的联邦事务。
2016-08-21 cs.CR cs.DC
Device Scheduling and Update Aggregation Policies for Asynchronous Federated Learning
Linköping University（林雪平大学）
联邦学习（FL）是一种新出现的分散式机器学习（ML）框架，它将设备上的本地训练与基于服务器的模型同步相结合，以在分布式节点上训练集中式ML模型。在本文中，我们提出了一个异步FL框架与定期聚集，以消除在FL系统中的掉队者的问题。对于所提出的模型，我们研究了几种设备调度和更新聚合策略，并比较它们的性能时，设备具有异构的计算能力和训练数据分布。从模拟结果中，我们得出结论，异步FL的调度和聚合设计可以是相当不同的同步情况。例如，基于范数的重要性感知调度策略在异步FL设置中可能不是有效的，并且用于模型聚合的适当的“年龄感知”加权设计可以极大地提高这样的系统的学习性能。
2021-07-23 cs.DC cs.IT cs.LG
Multi-Job Intelligent Scheduling with Cross-Device Federated Learning
Baidu Inc.（百度公司）；Soochow University（苏州大学）；Auburn University（奥本大学）；North Carolina State University（北卡罗来纳州立大学）
近年来，在终端用户的各种（边缘）设备中出现了大量分散的数据，而由于法规和法律的原因，分散的数据聚合对于机器学习工作仍然很复杂。作为一种处理分散数据的实用方法，联邦学习（FL）支持协作式全局机器学习模型训练，而无需共享敏感的原始数据。在FL的训练过程中，服务器将设备调度到作业。相比之下，FL中多个作业的设备调度仍然是一个关键和开放的问题。在本文中，我们提出了一种新的多任务外语框架，它使多个工作的训练过程中并行。多任务FL框架由系统模型和调度方法组成。该系统模型实现了多个作业的并行训练过程，并基于并行训练过程中不同设备的数据公平性和训练时间建立了成本模型。提出了一种新的基于多种调度方法的智能调度方法，包括一种基于强化学习的调度方法和一种基于贝叶斯优化的调度方法。我们对不同的工作和数据集进行了广泛的实验。实验结果表明，我们提出的方法在训练时间（快12.73倍）和准确性（高46.4%）方面明显优于基线方法。
2022-11-24 cs.AI cs.DC cs.LG
Multi-Criteria Client Selection and Scheduling with Fairness Guarantee for Federated Learning Service
University of Memphis（孟菲斯大学）；Shenzhen University（深圳大学）
针对联邦学习中的客户端选择与调度问题，提出一种多准则公平性保证方案，通过两阶段贪心与启发式算法，在预算内最大化得分并确保每个客户端至少被选一次，实验证明在非独立同分布数据下能提升模型质量。
2023-12-05 cs.DC cs.LG
Fairness-Aware Job Scheduling for Multi-Job Federated Learning
Nanyang Technological University（南洋理工大学）；DSO National Laboratories（DSO国家实验室）；Alibaba Group（阿里巴巴集团）；Alibaba-NTU Singapore Joint Research Institute（阿里巴巴-新加坡南洋理工大学联合研究院）
针对多服务器联邦学习中的客户端竞争问题，提出基于李雅普诺夫优化的公平性感知调度方法FairFedJS，兼顾需求与出价，显著提升调度公平性并缩短收敛时间。
2024-02-08 cs.AI cs.DC cs.LG
Device Scheduling and Assignment in Hierarchical Federated Learning for Internet of Things
School of Computer Science and Engineering at Nanyang Technological University（南洋理工大学计算机科学与工程学院）
针对分层联邦学习中的设备调度与分配问题，本文提出改进的K-Center算法和深度强化学习方法，实验表明调度50%或30%设备可显著降低时延与能耗。
2024-02-04 cs.DC cs.LG
Channel and Gradient-Importance Aware Device Scheduling for Over-the-Air Federated Learning
The Hong Kong University of Science and Technology（香港科技大学）；The Hong Kong Polytechnic University（香港理工大学）；Southeast University（东南大学）
本文提出用于空中联邦学习的概率设备调度框架PO-FL，通过基于信道与梯度重要性优化设备调度概率以减轻信道噪声影响，实现了更快的收敛和更优的模型性能。
2023-11-23 cs.DC cs.LG
Scheduling for On-Board Federated Learning with Satellite Clusters
University of Bremen（不来梅大学）；Gauss-Olbers Space Technology Transfer Center, University of Bremen（不来梅大学高斯-奥尔伯斯空间技术转移中心）；Aalborg University（奥尔堡大学）
本文提出一种面向通过轨道内星间链路连接的卫星星座的星载联邦学习调度方案，利用卫星与地面站的可预测可见性模式，通过两种协同调度器分别协调轨道间和轨道内的FL过程，合理分配全局更新时机与本地训练时长，在更短时间内实现了更高的测试准确率。
2024-02-14 cs.DC cs.LG
Privacy-preserving Chunk Scheduling in a BitTorrent Implementation of Federated Learning
IMDEA Networks Institute（IMDEA网络研究所）；Delft University of Technology（代尔夫特理工大学）；University of Turku（图尔库大学）
本文提出FLTorrent，一种基于BitTorrent的去中心化传播层，用于无服务器联邦学习，通过预热阶段实现传输属性的隐私保护，同时保持高效和低开销。
2026-05-14 cs.DC
KCES: A Workflow Containerization Scheduling Scheme Under Cloud-Edge Collaboration Framework
针对云边协同场景下工作流容器化调度的资源协调与应用协同难题，提出KubeEdge云边调度方案KCES，通过设计调度引擎、资源混合管理算法及水平漫游与垂直卸载策略，有效提升资源利用率并优化调度性能。
2024-01-02 cs.DC
Towards Scheduling Federated Deep Learning using Meta-Gradients for Inter-Hospital Learning
University of Oxford（牛津大学）
鉴于当今个人数据的丰富和容易访问，个人隐私已变得至关重要，特别是在医疗保健领域。在这项工作中，我们的目标是利用从多个医院数据中心提取的患者数据来训练机器学习模型，而不牺牲患者隐私。我们开发了一个调度算法，结合学生-教师算法，部署在一个联邦的方式。这允许中心模型从每个联邦节点的批量数据中学习。教师在数据中心之间操作，以使用存储在各个数据中心中的数据来更新主任务（学生）算法。我们表明，使用元梯度训练的调度程序可以有效地组织训练，并因此在不同的数据集上训练机器学习模型，而无需显式访问患者数据。训练。我们实现了最先进的性能，并展示了我们的方法如何克服联邦学习中面临的一些问题，如节点中毒。我们进一步展示了调度程序如何可以用作迁移学习的机制，允许不同的教师一起训练学生的最先进的性能。
2021-07-04 cs.CR cs.DC cs.LG
Dynamic Scheduling for Federated Edge Learning with Streaming Data
Linköping University（林雪平大学）
针对流式数据下联邦边缘学习的设备调度约束问题，提出基于Lyapunov优化框架的动态调度策略，在能耗与延迟约束下最大化时间平均数据重要性，性能优于未考虑时变数据重要性的方法。
2023-05-02 cs.DC cs.IT cs.LG
Distributed and Application-aware Task Scheduling in Edge-clouds
边缘计算是一种新兴技术，它将计算置于网络边缘以提供超低延迟。计算卸载是一种将计算从移动设备迁移到远程服务器的范例，现在可以通过将计算卸载到边缘云中的云来使用边缘计算的力量。然而，边缘云计算卸载的任务调度面临着双重挑战。首先，由于微云在地理上是分布式的，因此在没有集中控制的情况下，每个微云很难执行负载均衡。第二，由于计算卸载的任务具有多种类型，因此在任务类型方面保证用户体验质量（QoE）是具有挑战性的。在本文中，我们提出了Petrel，一个分布式和应用程序感知的边缘云任务调度框架。Petrel实现了基于样本的负载均衡技术，并根据任务类型采用自适应调度策略。这种应用感知调度不仅提供了QoE保证，而且提高了整体调度性能。跟踪驱动的模拟表明，Petrel实现了显着的改善，现有的调度策略。
2019-02-12 cs.DC
FedTeddi: Temporal Drift and Divergence Aware Scheduling for Timely Federated Edge Learning
School of Electronic and Information Engineering, Beijing Jiaotong University（电子信息工程学院，北京交通大学）；Beijing National Research Center for Information Science and Technology（北京信息科学国家研究中心）；Department of Electronic Engineering, Tsinghua University（电子工程系，清华大学）
针对联邦边缘学习中的数据动态演变，提出时间漂移与发散感知调度算法FedTeddi，联合优化调度与带宽分配，显著提升收敛速度与准确率。
2025-09-09 cs.DC cs.LG
Bottleneck Time Minimization for Distributed Iterative Processes: Speeding Up Gossip-Based Federated Learning on Networked Computers
我们提出了一种新的任务调度方案，用于加速涉及在网络计算资源上执行的分布式迭代过程的计算应用程序。这样的应用程序由多个任务组成，每个任务在每次迭代时输出数据，由相邻的任务处理;这些任务之间的依赖关系可以表示为有向图。我们首先在数学上将问题表示为二进制二次规划（BQP），同时考虑计算和通信成本。我们证明了该问题是NP-困难的。然后，我们放松的问题，作为一个半定规划（SDP），并利用随机舍入技术的基础上，从一个适当制定的多变量高斯分布抽样。此外，我们得到了瓶颈时间的期望值。最后，我们将我们提出的方案应用于基于流言的联邦学习作为迭代过程的应用。通过对MNIST和CIFAR-10数据集的数值评估，我们表明，我们提出的方法优于众所周知的调度技术，从分布式计算。特别是，对于任意设置，我们表明，它减少了瓶颈时间相比，HEFT和$84\%$相比，吞吐量HEFT的$91\%$。
2021-06-29 cs.DC
Federated Learning for Edge Networks: Resource Optimization and Incentive Mechanism
近年来，智能物联网（IoT）设备迅速普及。具有智能的物联网设备需要使用有效的机器学习范例。联邦学习是一种很有前途的解决方案，可以支持基于物联网的智能应用程序。在本文中，我们提出了在网络边缘实现联邦学习的主要设计方面。我们通过Stackelberg博弈对全球服务器和参与联邦学习的设备之间基于激励的交互进行建模，以激励设备参与联邦学习过程。我们提出了几个开放的研究挑战与他们可能的解决方案。最后，我们对未来的研究进行了展望。
2020-09-07 cs.DC
Prioritizing Modalities: Flexible Importance Scheduling in Federated Multimodal Learning
University of Florida（佛罗里达大学）
针对多模态联邦学习中均匀分配计算资源效率低的问题，提出FlexMod方法，结合原型学习、Shapley值与DDPG自适应分配训练资源，在三个真实数据集上显著提升模型性能与资源利用率。
2024-08-13 cs.DC cs.LG
Enhancing Convergence, Privacy and Fairness for Wireless Personalized Federated Learning: Quantization-Assisted Min-Max Fair Scheduling
School of Information and Communication Engineering, Beijing University of Posts and Telecommunications（信息与通信工程学院，北京邮电大学）；School of Computing, Macquarie University（计算学院，麦考瑞大学）；Department of Broadband Communication, Peng Cheng Laboratory（宽带通信部，鹏城实验室）；China Telecom, Sichuan Branch（中国电信四川分公司）
本文针对无线个性化联邦学习中的隐私与公平性问题，提出量化辅助高斯差分隐私机制，并通过最小化收敛上界设计最小-最大公平调度策略，实验表明其在准确率、最大测试损失和公平性上显著优于其他方法。
2025-06-03 cs.DC cs.LG
Scheduling and Aggregation Design for Asynchronous Federated Learning over Wireless Networks
Department of Electrical Engineering (ISY), Linköping University（电气工程系（ISY），林奈大学）
本文提出了一种基于无线网络的异步联邦学习调度与聚合设计，通过信道感知数据重要性调度策略和年龄感知聚合设计，提升模型收敛性能和学习效果。
2025-12-03 cs.DC cs.IT cs.LG
FIRST: Federated Inference Resource Scheduling Toolkit for Scientific AI Model Access
Argonne National Laboratory（阿贡国家实验室）；The University of Chicago（芝加哥大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
该研究提出联邦推理资源调度工具包FIRST，通过兼容OpenAI的API实现跨分布式HPC集群的推理即服务，支持多种AI模型与推理后端，自动扩缩资源并维护低延迟节点，满足科学工作流对私有安全AI推理的需求。
2025-10-15 cs.AI cs.DC cs.SE
HFEL: Joint Edge Association and Resource Allocation for Cost-Efficient Hierarchical Federated Edge Learning
联邦学习（FL）已经被提出作为一种有吸引力的方法来处理移动设备的数据隐私问题，与在远程云处的具有原始用户数据上传的传统机器学习相比。通过利用边缘服务器作为中介来执行邻近的部分模型聚合并减轻核心网络传输开销，它在低延迟和节能的FL中具有很大的潜力。因此，我们引入了一种新的分层联邦边缘学习（HFEL）框架，其中模型聚合部分从云中迁移到边缘服务器。在HFEL框架下，提出了一个计算与通信联合的资源分配和边关联问题，以实现全局代价最小化.为了解决这个问题，我们提出了一个高效的资源调度算法在HFEL框架。它可以分解为两个子问题：给定每个边缘服务器的一组预定设备的\emph{resource allocation}和跨所有边缘服务器的设备用户的\emph{edge association}。利用单个边缘服务器下的一组设备的凸资源分配子问题的最优策略，通过迭代的全局代价降低调整过程，可以得到一个有效的边缘关联策略，并证明该策略收敛到一个稳定的系统点.广泛的性能评估表明，我们的HFEL框架在全局成本节省方面优于所提出的基准，并且与传统的联邦学习相比，实现了更好的训练性能。
2020-06-06 cs.DC
DPBalance: Efficient and Fair Privacy Budget Scheduling for Federated Learning as a Service
UM-SJTU Joint Institute, Shanghai Jiao Tong University（上海交通大学密西根学院）；Cooperative Medianet Innovation Center (CMIC), Shanghai Jiao Tong University（上海交通大学合作媒体创新中心）；School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University（上海交通大学电子信息与电气工程学院）
本文提出DPBalance，一种面向联邦学习即服务的隐私预算调度机制，通过综合效用函数和顺序分配机制联合优化效率与公平性，在理论上满足帕累托效率等性质，实验证明其显著优于现有方案。
2024-02-15 cs.CR cs.DC cs.LG
A Survey on Scheduling Techniques in the Edge Cloud: Issues, Challenges and Future Directions
本文综述边缘云中的调度技术，分类启发式与元启发式算法，评估其优劣、QoS与容错性，并指出问题、挑战及未来方向。
2025-10-18 cs.DC
DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning
本文提出DeFRiS框架，通过去中心化联邦强化学习解决物联网应用在异构孤岛间协作调度中的隐私保护与效率问题，实验表明其在响应时间、能耗和延迟风险方面均有显著提升。
2026-03-16 cs.DC cs.LG
Convergence of Update Aware Device Scheduling for Federated Learning at the Wireless Edge
Princeton University（普林斯顿大学）；Imperial College London（帝国理工学院）
我们在无线边缘研究联邦学习（FL），其中具有本地数据集的功率受限设备在远程参数服务器（PS）的帮助下协作训练联合模型。我们假设设备通过带宽受限的共享无线信道连接到PS。在FL的每次迭代时，调度设备的子集以通过正交信道资源向PS发送它们的本地模型更新，而每个参与设备必须压缩其模型更新以适应其链路容量。我们设计了新的调度和资源分配政策，决定在每一轮的设备的子集进行传输，以及如何在参与设备之间分配资源，不仅基于他们的信道条件，而且对他们的本地模型更新的意义。然后，我们建立收敛的无线FL算法与设备调度，设备有有限的能力来传达他们的消息。数值实验的结果表明，所提出的调度策略，基于信道条件和本地模型更新的重要性，提供了一个更好的长期性能比调度策略的基础上，只有单独的两个指标。此外，我们观察到，当数据是独立同分布（i.i.d.）在设备之间，在每一轮选择单个设备提供了最佳性能，而当数据分布是非I.I.D.时，在每一轮调度多个设备提高了性能。收敛结果验证了这一观察结果，这表明，调度设备的数量应该增加较少的多样性和更有偏见的数据分布。
2020-05-08 cs.DC cs.IT cs.LG
Mobility-Aware Joint User Scheduling and Resource Allocation for Low Latency Federated Learning
Shanghai Jiao Tong University（上海交通大学）；Nanjing University of Science and Technology（南京理工大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织Data61部门）
针对移动场景下联邦学习因用户移动性导致训练延迟高的问题，提出考虑用户移动性的多基站FL模型及延迟感知贪心搜索算法，联合优化用户调度与资源分配以降低训练延迟，性能优于现有基准，且适度移动性可提升训练效果。
2023-07-18 cs.DC cs.LG
Efficient Device Scheduling with Multi-Job Federated Learning
Baidu Inc.（百度公司）
近年来，在终端用户的多个（边缘）设备中出现了大量分散的数据，而由于法律或法规的原因，分散的数据的聚合对于机器学习工作仍然很困难。联邦学习（FL）是一种处理分散数据的有效方法，无需共享敏感的原始数据，同时协作训练全局机器学习模型。FL中的服务器需要在训练过程中选择（和调度）设备。然而，调度设备的多个作业与FL仍然是一个关键的和开放的问题。在本文中，我们提出了一种新型的多职位外语框架，以实现多个职位的并行培训过程。该框架包括一个系统模型和两种调度方法。在系统模型中，提出了一种多作业并行训练过程，并基于不同作业训练过程中各设备的训练时间和数据公平性构建了成本模型。我们提出了一个基于强化学习的方法和贝叶斯优化的方法来调度多个作业的设备，同时最小化成本。我们对多个作业和数据集进行了广泛的实验。实验结果表明，我们提出的方法在训练时间（快8.67倍）和准确率（高44.6%）方面明显优于基线方法。
2021-12-15 cs.AI cs.DC cs.SY
KubeDSM: A Kubernetes-based Dynamic Scheduling and Migration Framework for Cloud-Assisted Edge Clusters
本文提出KubeDSM框架，通过批量调度与实时迁移机制减少云辅助边缘集群中的资源碎片化，提升边缘pod分配比率和服务质量保障能力。
2025-09-18 cs.DC
Collaborative Learning-Based Scheduling for Kubernetes-Oriented Edge-Cloud Network
针对Kubernetes边缘-云网络缺乏专用调度框架的问题，提出基于协作学习的KaiS框架，通过多智能体actor-critic、图神经网络嵌入和双时间尺度调度，提升长期吞吐率并降低调度成本。
2023-05-10 cs.DC
Analysis and Optimization of Wireless Multimodal Federated Learning on Modal Heterogeneity
针对模态异构性下无线多模态联邦学习面临的挑战，本文提出基于决策级融合并添加单模态损失函数的JCSBA算法，通过推导并最小化性能上界，显著提升了多模态与单模态准确率。
2025-09-16 cs.DC
FedFog: Resource-Aware Federated Learning in Edge and Fog Networks
本文提出FedFog仿真框架，通过自适应FL调度、隐私数据流和资源感知编排，在边缘-雾无服务器环境中加速模型收敛、降低延迟并提升能效。
2025-07-05 cs.DC
Online Client Scheduling and Resource Allocation for Efficient Federated Edge Learning
The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
本文研究移动边缘网络中资源受限与不确定性下的联邦学习优化问题，提出基于Lyapunov优化的在线客户端调度与资源分配方案，在保证模型准确度的同时有效降低训练延迟并提升资源效率。
2024-09-29 cs.AI cs.DC cs.LG
FedCGD: Collective Gradient Divergence Optimized Scheduling for Wireless Federated Learning
本文针对无线联邦学习中的数据异构与带宽受限问题，提出FedCGD调度算法，通过平衡设备级WEMD和样本级采样方差最小化集体梯度散度，以更少设备实现更高准确率。
2025-06-09 cs.AI cs.DC cs.LG
Scheduling IoT Applications in Edge and Fog Computing Environments: A Taxonomy and Future Directions
雾计算作为一种分布式模式，在网络边缘提供云服务，具有低延迟和高访问带宽，以支持各种物联网应用场景。为了充分利用这种计算模式的潜力，需要可扩展的，自适应的和准确的调度机制和算法，以有效地捕获用户，物联网应用，环境属性和优化目标的动态和需求。本文介绍了在雾计算中调度物联网应用程序的最新文献分类。基于我们的新的分类方案，目前的工作在文献中进行了分析，每个类别的研究差距，并描述各自的未来发展方向。
2022-04-26 cs.DC
ElfStore: A Resilient Data Storage Service for Federated Edge and Fog Resources
随着物联网部署的广泛应用，边缘和雾计算越来越受欢迎。虽然正在探索这些资源上的应用程序组合和调度，但在边缘和雾层上的分布式数据存储服务中存在差距，而仅仅依赖于云来实现数据持久化。这样的服务应该可靠地存储和管理雾和边缘设备上的数据，即使在出现故障的情况下也是如此，并提供透明的发现和对数据的访问，以供边缘计算应用程序使用。在这里，我们介绍了Elfstore，这是第一个用于数据块流的边缘本地联合存储。它使用可靠的雾设备作为超级对等覆盖来监控边缘资源，使用Bloom过滤器提供联合元数据索引，在2跳内定位数据，并维护有关边缘可靠性和存储容量的近似全局统计数据。边缘托管实际的数据块，我们使用一个独特的差异复制方案来选择边缘上复制块，以保证最低的可靠性和平衡存储利用率。我们在20台和272台设备的两个物联网虚拟部署上进行的实验表明，ElfStore具有低开销，仅受网络带宽限制，具有可扩展的性能，并提供可调的弹性。
2019-05-22 cs.DC
TRAIL: Trust-Aware Client Scheduling for Semi-Decentralized Federated Learning
Zhejiang Normal University（浙江师范大学）；Wuhan University of Science and Technology（武汉科技大学）；Dalian University of Technology（大连理工大学）
针对半去中心化联邦学习中客户端动态状态影响训练的问题，提出信任感知调度机制TRAIL，利用自适应隐半马尔可夫模型评估客户端状态与贡献，通过贪婪算法优化客户端调度，显著提升了模型测试准确率并降低了训练损失。
2024-12-19 cs.AI cs.DC cs.LG
Federated Learning Framework in Fogbus2-based Edge Computing Environments
联邦学习是指在多个分布式设备上进行训练，并从它们收集模型权重以导出共享的机器学习模型。这使得模型能够从多个站点提供的丰富数据源中获益。此外，由于仅从分布式设备收集模型权重，因此这些数据的隐私受到保护。在机器学习模型的协作训练是必要的同时训练数据是高度敏感的情况下，它是有用的。本研究旨在研究轻量级联邦学习的实现，以部署在各种分布式资源，包括资源受限的边缘设备和资源丰富的云服务器。作为一个资源管理框架，FogBus2框架，这是一个容器化的分布式资源管理框架，被选为实现的基础框架。该研究提供了一个联邦学习的框架和轻量级实现在FogBus 2。此外，提出并实现了一种工人选择技术。工人选择算法选择一组合适的工人参加训练，以达到更高的训练时间效率。此外，本研究整合了联邦学习的同步与异步模式，并结合了以经验主义为基础的工作者选择演算法。事实证明，与同步联邦学习或顺序机器学习训练相比，异步联邦学习更具时间效率。性能评估显示了联邦学习机制的有效性，并与FogBus 2框架实现集成。与顺序训练相比，工人选择策略达到80%准确率的时间减少了33.9%，而异步进一步将同步联邦学习训练时间提高了63.3%。
2022-11-14 cs.DC
Collaborative Policy Learning for Dynamic Scheduling Tasks in Cloud-Edge-Terminal IoT Networks Using Federated Reinforcement Learning
Kyungnam University（庆南大学）；Sejong University（世宗大学）
本文针对云-边-端IoT网络动态调度任务，提出基于联邦强化学习的协作策略学习框架，通过聚合边缘经验构建中心策略，显著提升学习速度并加速新边缘适应任务。
2023-07-02 cs.AI cs.DC cs.LG
