Efficacité calculatoire des techniques d'apprentissage fédéré sur infrastructure edge-cloud

Efficacité calculatoire des techniques d'apprentissage fédéré sur infrastructure edge-cloud, Strasbourg

Topic description

Contexte scientifique

L’intégration du numérique dans le bâtiment est une opportunité pour répondre aux ambitions d’efficacité énergétique. L’instrumentation massive des bâtiments par des capteurs interconnectés et l’agrégation dans la maquette numérique BIM des données mesurées par les senseurs, ouvre la voie à une gestion optimisée de l’énergie. L’ambition du projet est de traiter l’information collectée via une plateforme numérique capable de réduire la consommation énergétique des bâtiments d’habitation, tertiaires ou industriels, tout en garantissant l’exploitabilité des infrastructures et le confort des usagers. Pour aboutir, les données recueillies par les terminaux sont dans un premier temps préparées pour transmission. Elles sont ensuite propagées afin d'alimenter des modèles d'apprentissage fédéré (FL) entraînés sur une infrastructure distribuée. Sur base de ces modèles, des systèmes de prise de décision génèrent les actions locales adéquates afin d’optimiser les flux d’énergie. Dans le cadre de ce projet, nous nous intéressons à l'orchestration de l'exécution des opérations de manière à minimiser les temps de communication et de calcul des nœuds d'apprentissage fédéré.

Sujet de thèse

La collecte des données du bâtiment et leur mise à disposition dans la maquette numérique rendent l'application de nouvelles stratégies d'économie d'énergie possible. En particulier, ce gisement d'information peut être exploité pour prédire la consommation énergétique et les usages afin d'adapter la consommation énergétique des bâtiments sans en détériorer, ni le confort, ni la fonctionnalité [1-3]. Qui plus est, les informations issues de plusieurs bâtiments peuvent être agrégées et consolidées pour étoffer les modèles et exploiter leur complémentarité. Pour utiliser les sources de données de manière collaborative et assurer le passage à l'échelle des traitements, nous proposons de mettre en œuvre une architecture distribuée afin de répartir la charge de calcul.

La topologie hiérarchique d'une infrastructure d'edge computing [4] en fait une candidate appropriée au déploiement de ce type de traitements. L'intégration de ressources de calcul en bord de réseau, à proximité des périphériques générateurs de données et en amont des datacenters cloud, permet d'établir une continuité des ressources de calculs sur le réseau. Concrètement, les données produites par les capteurs sont transmises à des serveurs à proximité de la source de données où elles alimentent des modèles d’apprentissage locaux. L’information brute est alors consommée par des algorithmes d’entraînement distribués pour raffiner les modèles. Après convergence, ces derniers sont envoyés et consolidés à leur tour sur des serveurs distants pour établir des prédictions des besoins en énergie des bâtiments. Les modèles sont alors repropagés sur les serveurs locaux pour assurer un contrôle automatique des bâtiments. En raison de l'hétérogénéité des ressources à disposition et de leur puissance de calcul limitée, les traitements doivent être orchestrés de manière à exploiter efficacement les infrastructures edge-cloud [5-7] mais également de cloisonner les données sensibles. On veillera par exemple à trouver la ou les ressources les plus adaptées [8] et répartir la charge de sorte à minimiser les temps de calcul. Une attention particulière sera portée à la réduction de l'empreinte énergétique du système [9].

Aussi, pour aboutir à un système performant deux éléments complémentaires seront ainsi à élaborer au cours de la thèse. En premier lieu, il s'agit d'établir un modèle prédictif de la consommation énergétique des bâtiments à la fois fiable et peu gourmand en calculs et échange d'informations. Dans un second temps, l'objectif sera de répartir la charge de calcul sur des ressources hétérogènes, potentiellement massivement parallèles et distribuées pour minimiser les temps d'exécution.

Topic description

Contexte scientifique

L’intégration du numérique dans le bâtiment est une opportunité pour répondre aux ambitions d’efficacité énergétique. L’instrumentation massive des bâtiments par des capteurs interconnectés et l’agrégation dans la maquette numérique BIM des données mesurées par les senseurs, ouvre la voie à une gestion optimisée de l’énergie. L’ambition du projet est de traiter l’information collectée via une plateforme numérique capable de réduire la consommation énergétique des bâtiments d’habitation, tertiaires ou industriels, tout en garantissant l’exploitabilité des infrastructures et le confort des usagers. Pour aboutir, les données recueillies par les terminaux sont dans un premier temps préparées pour transmission. Elles sont ensuite propagées afin d'alimenter des modèles d'apprentissage fédéré (FL) entraînés sur une infrastructure distribuée. Sur base de ces modèles, des systèmes de prise de décision génèrent les actions locales adéquates afin d’optimiser les flux d’énergie. Dans le cadre de ce projet, nous nous intéressons à l'orchestration de l'exécution des opérations de manière à minimiser les temps de communication et de calcul des nœuds d'apprentissage fédéré.

Sujet de thèse

La collecte des données du bâtiment et leur mise à disposition dans la maquette numérique rendent l'application de nouvelles stratégies d'économie d'énergie possible. En particulier, ce gisement d'information peut être exploité pour prédire la consommation énergétique et les usages afin d'adapter la consommation énergétique des bâtiments sans en détériorer, ni le confort, ni la fonctionnalité [1-3]. Qui plus est, les informations issues de plusieurs bâtiments peuvent être agrégées et consolidées pour étoffer les modèles et exploiter leur complémentarité. Pour utiliser les sources de données de manière collaborative et assurer le passage à l'échelle des traitements, nous proposons de mettre en œuvre une architecture distribuée afin de répartir la charge de calcul.

La topologie hiérarchique d'une infrastructure d'edge computing [4] en fait une candidate appropriée au déploiement de ce type de traitements. L'intégration de ressources de calcul en bord de réseau, à proximité des périphériques générateurs de données et en amont des datacenters cloud, permet d'établir une continuité des ressources de calculs sur le réseau. Concrètement, les données produites par les capteurs sont transmises à des serveurs à proximité de la source de données où elles alimentent des modèles d’apprentissage locaux. L’information brute est alors consommée par des algorithmes d’entraînement distribués pour raffiner les modèles. Après convergence, ces derniers sont envoyés et consolidés à leur tour sur des serveurs distants pour établir des prédictions des besoins en énergie des bâtiments. Les modèles sont alors repropagés sur les serveurs locaux pour assurer un contrôle automatique des bâtiments. En raison de l'hétérogénéité des ressources à disposition et de leur puissance de calcul limitée, les traitements doivent être orchestrés de manière à exploiter efficacement les infrastructures edge-cloud [5-7] mais également de cloisonner les données sensibles. On veillera par exemple à trouver la ou les ressources les plus adaptées [8] et répartir la charge de sorte à minimiser les temps de calcul. Une attention particulière sera portée à la réduction de l'empreinte énergétique du système [9].

Aussi, pour aboutir à un système performant deux éléments complémentaires seront ainsi à élaborer au cours de la thèse. En premier lieu, il s'agit d'établir un modèle prédictif de la consommation énergétique des bâtiments à la fois fiable et peu gourmand en calculs et échange d'informations. Dans un second temps, l'objectif sera de répartir la charge de calcul sur des ressources hétérogènes, potentiellement massivement parallèles et distribuées pour minimiser les temps d'exécution.

Bibliographie

[1] A. Abboud, A. Brahmia, R. Mazeranny, A. Abouaissa and A. Shahin, “A Hybrid Aggregation Approach for Federated Learning to Improve Energy Consumption in Smart Buildings”, In: In: International Wireless Communications and Mobile Computing (IWCMC), .

[2] M. Savi and F. Olivadese. « Short-term energy consumption forecasting at the edge: "A federated learning approach" ». In: IEEE Access 9 , p. -.

[3] A. Taïk and S. Cherkaoui. « Electrical load forecasting using edge computing and federated learning ». In: ICC - IEEE international conference on communications (ICC). IEEE. , p. 1-6.

[4] A. Yousefpour et al. « All one needs to know about fog computing and related edge computing paradigms: A complete survey ». In: Journal of Systems Architecture 98 (sept.
), p. -.

[5] L. Liu et al. « Dependent Task Placement and Scheduling with Function Configuration in Edge Computing ». In: Proceedings of the International Symposium on Quality of Service. IWQoS ’19. Phoenix, Arizona: Association for Computing Machinery, . isbn : .

[6] S. Wang et al. « Adaptive federated learning in resource constrained edge computing systems ». In: IEEE journal on selected areas in communications 37.6 , p. -.

[7] M. Abadi et al. « TensorFlow: A System for Large-Scale Machine Learning ». In: Proceedings of the 12th USENIX Conference on Operating Systems Design and Implementation. OSDI’16. Savannah, GA, USA: USENIX Association, , p. -.

[8] C. Peng. « Intelligent Device Selection in Federated Edge Learning with Energy Efficiency ». PhD thesis. .

[9] Y. G. Kim and C.J. Wu. « Autofl: Enabling heterogeneity-aware energy efficient federated learning ». In: MICRO-54: 54th Annual IEEE/ACM International Symposium on Microarchitecture. , p. -.

Starting date

-10-02

Funding category

Public/private mixed funding

Funding further details

Cofinancement Région Grand-Est et CESI Région Est