面向视频监控基于联邦学习的智能边缘计算技术

doi:10.11959/j.issn.1000-436x.2020192

通信学报 ›› 2020, Vol. 41 ›› Issue (10): 109-115.doi: 10.11959/j.issn.1000-436x.2020192

所属专题：边缘计算

面向视频监控基于联邦学习的智能边缘计算技术

赵羽,杨洁,刘淼,孙金龙,桂冠

南京邮电大学通信与信息工程学院，江苏南京 210003

修回日期:2020-07-07 出版日期:2020-10-25 发布日期:2020-11-05
作者简介:赵羽（1996- ），男，江苏泰州人，南京邮电大学博士生，主要研究方向为基于深度学习的智能视频分析|杨洁（1980- ），女，江苏南京人，博士，南京邮电大学讲师，主要研究方向为基于深度学习的智能视频分析|刘淼（1988- ），男，江苏淮安人，博士，南京邮电大学讲师，主要研究方向为基于深度学习的智能通信|孙金龙（1988- ），男，河南洛阳人，博士，南京邮电大学讲师，主要研究方向为基于深度学习的智能通信|桂冠（1982- ），男，安徽枞阳人，博士，南京邮电大学教授，主要研究方向为基于深度学习的物理层无线通信技术
基金资助:
工信部重大专项基金资助项目(TC190A3WZ-2);国家自然科学基金资助项目(61901228)

Federated learning based intelligent edge computing technique for video surveillance

Yu ZHAO,Jie YANG,Miao LIU,Jinlong SUN,Guan GUI

College of Telecommunications and Information Engineering,Nanjing University of Posts and Telecommunications,Nanjing 210003,China

Revised:2020-07-07 Online:2020-10-25 Published:2020-11-05
Supported by:
The Major Project of the Ministry of Industry and Information Technology of China(TC190A3WZ-2);The National Natural Science Foundation of China(61901228)

摘要/Abstract

摘要：

随着全球数据量的激增，集中式云计算无法提供低时延、高效率的视频监控服务。基于此，提出分布式边缘计算模型，在边缘端直接处理视频数据，减少网络的传输压力，缓解中央云服务器的计算负担，降低视频监控系统的处理时延。结合联邦学习算法，采用轻量级神经网络，分场景训练模型，并将其部署于计算能力受限的边缘设备上。实验结果表明，对比通用神经网络模型，所提方法检测准确度提高18%，模型训练时间有效减少。

关键词: 联邦学习, 深度学习, 边缘计算, 轻量级神经网络, 目标检测

Abstract:

With the explosion of global data,centralized cloud computing cannot provide low-latency,high-efficiency video surveillance services.A distributed edge computing model was proposed,which directly processed video data at the edge node to reduce the transmission pressure of the network,eased the computational burden of the central cloud server,and reduced the processing delay of the video surveillance system.Combined with the federated learning algorithm,a lightweight neural network was used,which trained in different scenarios and deployed on edge devices with limited computing power.Experimental results show that,compared with the general neural network model,the detection accuracy of the proposed method is improved by 18%,and the model training time is reduced.

Key words: federated learning, deep learning, edge computing, lightweight neural network, object detection

中图分类号:

TP391

赵羽,杨洁,刘淼,孙金龙,桂冠. 面向视频监控基于联邦学习的智能边缘计算技术[J]. 通信学报, 2020, 41(10): 109-115.

Yu ZHAO,Jie YANG,Miao LIU,Jinlong SUN,Guan GUI. Federated learning based intelligent edge computing technique for video surveillance[J]. Journal on Communications, 2020, 41(10): 109-115.

图/表 11

图1

图2

图3

图4

图5

表1

表2

图6

图7

表3

图8

参考文献 17

[1]	Al-FUQAHA A , GUIZANI M , MOHAMMADI M . Internet of things:a survey on enabling technologies,protocols,and applications[J]. IEEE Communications Surveys ＆ Tutorials, 2015,17(4): 2347-2376.
[2]	SADOOGHI I , MARTIN J H , LI T L . Understanding the performance and potential of cloud computing for scientific applications[J]. IEEE Transactions on Cloud Computing, 2017,5(2): 358-371.
[3]	张平, 陶运铮, 张治 . 5G 若干关键技术评述[J]. 通信学报, 2016,37(7): 15-29.
	ZHANG P , TAO Y Z , ZHANG Z . Survey of several key technologies for 5G[J]. Journal on Communications, 2016,37(7): 15-29.
[4]	桂冠, 王禹, 黄浩 . 基于深度学习的物理层无线通信技术:机遇与挑战[J]. 通信学报, 2019,40(2): 19-23.
	GUI G , WANG Y , HUANG H . Deep learning based physical layer wireless communication techniques:opportunities and challenges[J]. Journal on Communications, 2019,40(2): 19-23.
[5]	施巍松, 孙辉, 曹杰 . 边缘计算:万物互联时代新型计算模型[J]. 计算机研究与发展, 2017,54(5): 907-924.
	SHI W S , SUN H , CAO J . Edge computing:an emerging computing model for the internet of everything era[J]. Journal of Computer Research and Development, 2017,54(5): 907-924.
[6]	SHI W S , CAO J , ZHANG Q . Edge computing:vision and challenges[J]. IEEE Internet of Things Journal, 2016,3(5): 637-646.
[7]	MHALLA A , CHATEAU T , GAZZAH S . An embedded computer-vision system for multi-object detection in traffic surveillance[J]. IEEE Transactions on Intelligent Transportation Systems, 2019,20(11): 4006-4018.
[8]	HU L , NI Q . IoT-driven automated object detection algorithm for urban surveillance systems in smart cities[J]. IEEE Internet of Things Journal, 2018,5(2): 747-754.
[9]	ZHANG X Y , ZHOU X Y , LIN M X . ShuffleNet:an extremely efficient convolutional neural network for mobile devices[C]// 2018 IEEE Conference on Computer Vision and Pattern Recognition,Piscataway:IEEE Press, 2018: 6848-6856.
[10]	HOWARD A , ZHU M L , CHEN B . MobileNets:efficient convolutional neural networks for mobile vision applications[J]. arXiv Preprint,arXiv:1704.04861, 2017
[11]	TAN M X , CHEN B , PANG R M . MnasNet:platform-aware neural architecture search for mobile[C]// 2018 IEEE Conference on Computer Vision and Pattern Recognition,Piscataway:IEEE Press, 2019: 2815-2823.
[12]	吕华章, 陈丹, 范斌 . 边缘计算标准化进展与案例分析[J]. 计算机研究与发展, 2018,55(3): 487-511.
	LYU H Z , CHEN D , FAN B . Standardization progress and case analysis of edge computing[J]. Journal of Computer Research and Development, 2018,55(3): 487-511.
[13]	张佳乐, 赵彦超, 陈兵 . 边缘计算数据安全与隐私保护研究综述[J]. 通信学报, 2018,39(3): 1-21.
	ZHANG J L , ZHAO Y C , CHEN B . Survey on data security and privacy-preserving for the research of edge computing[J]. Journal on Communications, 2018,39(3): 1-21.
[14]	YANG Q , LIU Y , CHEN T . Federated machine learning:concept and applications[J]. ACM Transactions on Intelligent Systems and Technology, 2019,10(2): 1-9.
[15]	REDMON J , FARHADI A . YOLOv3:an incremental improvement[J]. arXiv Preprint,arXiv:1804.02767, 2018
[16]	PAN S J , YANG Q . A survey on transfer learning[J]. IEEE Transactions on Knowledge and Data Engineering, 2010,22(10): 1345-1359.
[17]	ZHANG Z , HE T , ZHANG H . Bag of freebies for training object detection neural networks[J]. arXiv Preprint,arXiv:1902.04103, 2019

比较项	YOLOv3	改进YOLOv3
网络大小/MB	171	37
BFLOP	65.73	15.65
mAP	81.5%	76.82%
推理速度/ms	56	19

比较项	企业服务器	NVIDIA TX2
CUDA核心/个	3 584	256
运行内存/GB	128	8
功耗/W	600	7.5
硬件成本/元	30 000	3 150

数据集	MobileNet-SSD	改进YOLOv3
数据集A	75.38%	81.31%
数据集B	77.44%	85.19%
数据集C	79.19%	87.35%

面向视频监控基于联邦学习的智能边缘计算技术

Federated learning based intelligent edge computing technique for video surveillance

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 17

相关文章 15

Metrics

推荐阅读 0

[1]	陈东昱, 陈华, 范丽敏, 付一方, 王舰. 基于深度学习的随机性检验策略研究[J]. 通信学报, 2023, 44(6): 23-33.
[2]	李荣鹏, 汪丙炎, 张宏纲, 赵志峰. 知识增强的语义通信接收端设计[J]. 通信学报, 2023, 44(6): 70-76.
[3]	马鑫迪, 李清华, 姜奇, 马卓, 高胜, 田有亮, 马建峰. 面向Non-IID数据的拜占庭鲁棒联邦学习[J]. 通信学报, 2023, 44(6): 138-153.
[4]	金彪, 李逸康, 姚志强, 陈瑜霖, 熊金波. GenFedRL：面向深度强化学习智能体的通用联邦强化学习框架[J]. 通信学报, 2023, 44(6): 183-197.
[5]	马帅, 裴科, 祁华艳, 李航, 曹雯, 王洪梅, 熊海良, 李世银. 基于生成模型的地磁室内高精度定位算法研究[J]. 通信学报, 2023, 44(6): 211-222.
[6]	李开菊, 许强, 王豪. 冗余数据去除的联邦学习高效通信方法[J]. 通信学报, 2023, 44(5): 79-93.
[7]	余晟兴, 陈泽凯, 陈钟, 刘西蒙. DAGUARD：联邦学习下的分布式后门攻击防御方案[J]. 通信学报, 2023, 44(5): 110-122.
[8]	姜慧, 何天流, 刘敏, 孙胜, 王煜炜. 面向异构流式数据的高性能联邦持续学习算法[J]. 通信学报, 2023, 44(5): 123-136.
[9]	田有亮, 吴柿红, 李沓, 王林冬, 周骅. 基于激励机制的联邦学习优化算法[J]. 通信学报, 2023, 44(5): 169-180.
[10]	张佳乐, 朱诚诚, 孙小兵, 陈兵. 基于GAN的联邦学习成员推理攻击与防御方法[J]. 通信学报, 2023, 44(5): 193-205.
[11]	鲁蔚锋, 李宁, 徐佳, 徐力杰, 徐建. 多接入边缘计算中相关性任务的联合调度算法[J]. 通信学报, 2023, 44(4): 87-98.
[12]	苏新, 张桂福, 行鸿彦, Zenghui Wang. 基于平衡生成对抗网络的海洋气象传感网入侵检测研究[J]. 通信学报, 2023, 44(4): 124-136.
[13]	谢人超, 文雯, 唐琴琴, 刘云龙, 谢高畅, 黄韬. 轨道交通移动边缘计算网络安全综述[J]. 通信学报, 2023, 44(4): 201-215.
[14]	余雪勇, 邱礼翔, 宋家宁, 朱洪波. 无人机辅助边缘计算中安全通信与能效优化策略[J]. 通信学报, 2023, 44(3): 45-54.
[15]	范伟, 彭诚, 朱大立, 王雨晴. 移动边缘计算网络下基于静态贝叶斯博弈的入侵响应策略研究[J]. 通信学报, 2023, 44(2): 70-81.