Federated gradient boosting for the edge

Abstract

As mobile devices gain on popularity and see an increase in computing power as well as computational requirements, the limited energy capacity of the devices becomes more of a problem. A solution to this problem can be found in code offloading, where code computation is remotely executed in order to save energy and increase the processing speed. The most common offloading concept of cloud computing is ever more struggling to keep up with the demand of low latency and data privacy. This has started a shift in the computational paradigm where the computation centers are moved closer to the mobile devices and into the edge of the network. This thesis evaluates the efficiency of federated gradient boosted decision tree approaches, SimFL and FedTree, as classifiers for the offloading problem. The evaluation is based on real-world data about applications like decision tree classification, speech detection and photo filters. Multiple data distribution scenarios are tested to simulate a real-world scenario. The approaches are compared to a federated reinforcement learning approach as a performance comparison. The evaluation concludes, that currently FedTree is the most complete approach to the problem. Da mobile Geräte immer beliebter werden und sowohl die Rechenleistung als auch der Rechenbedarf steigen, wird die begrenzte Energiekapazität der Geräte zunehmend zu einem Problem. Eine Lösung für dieses Problem findet man in Form von Code-Offloading, bei dem die Code-Berechnung extern ausgeführt wird, um Energie zu sparen und die Verarbeitungsgeschwindigkeit zu erhöhen. Das am häufigsten genutzte Offloading-Konzept ist Cloud-Computings, welches zunehmend Schwierigkeiten hat, den Anforderungen an niedrige Latenzzeiten und Datenschutz gerecht zu werden. Dies hat zu einem Wandel im rechnerischen Paradigma geführt, bei dem die Rechenzentren näher an die mobilen Geräte und an den Rand des Netzwerks verlagert werden. Diese Arbeit bewertet die Effizienz der federated Gradient-Boosted-Decision-Tree-Ansätze SimFL und FedTree als Klassifikatoren für das Offloading-Problem. Die Bewertung basiert auf realen Daten zu Anwendungen wie Decision Tree Klassifizierung, Spracherkennung und Fotofiltern. Es werden mehrere Datenverteilungsszenarien getestet, um ein reales Szenario zu simulieren. Die Ansätze werden mit einem Federated Reinforcement-Learning-Ansatz als Leistungsvergleich verglichen. Die Auswertung kommt zu dem Schluss, dass FedTree derzeit kommt zu dem Schluss, dass derzeit FedTree der vollständigste Ansatz für das Problem ist.