科研之友
微信
新浪微博
Facebook
分享链接
摘要
风能作为清洁能源为改善我国能源结构发挥着越来越重要的作用.风电场机组及设备的数据可能会包含机组或风场的隐私敏感信息,这些隐私数据一旦被泄露,将会为风电场带来巨大的经济风险和法律风险.联邦学习作为重要的隐私计算手段,能够保证原始数据不出本地的情况下完成模型的建模和推理,实现各参与方在互不泄露隐私的前提下实现联合计算,从而有效应对风电数据分析面临的挑战.但是,联邦学习计算过程中存在大量的通信开销,这成为限制联邦学习技术在风电场景下应用的关键性能瓶颈.因此,本文以经典的联邦学习算法XGBoost为例,深入分析了联邦学习计算过程中的通信问题,提出采用RDMA作为底层传输协议的解决方案,设计并实现了一套高性能联邦学习平台通信库,有效提升了联邦学习系统的性能.
-
单位中国科学院大学; 中国科学院信息工程研究所
