Ημερολόγιο Εκδηλώσεων

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Εμμανουήλ Πετράκου

με θέμα

Αρχιτεκτονική Συστημάτων βασισμένων σε Αναδιατασσόμενη Λογική (FPGA) για Επιτάχυνση Συνεργατικής Μάθησης
Reconfigurable Logic (FPGA)-based System Architecture for the Acceleration of Federated Learning in Neural Networks

Εξεταστική Επιτροπή

Καθηγητής Απόστολος Δόλλας (επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης 
Επίκουρος Καθηγητής Γρηγόριος Τσαγκατάκης (Τμήμα Επιστήμης Υπολογιστών, Πανεπιστήμιο Κρήτης)

Περίληψη

Το Federated Learning (FL) είναι μια αποκεντρωμένη μέθοδος εκπαίδευσης για εφαρμογές Μηχανικής Μάθησης, που μπορεί να εκμεταλλευτεί δεδομένα τα οποία είναι μη προσβάσιμα από συμβατικές κεντροποιημένες μεθόδους, λόγω ανησυχιών περί προσωπικού απορρήτου και κυβερνοασφάλειας.  ́Ερευνες έχουν βελτιώσει και αξιολογήσει τις περισσότερες όψεις του, αλλά λίγες από αυτές λαμβάνουν υπόψιν
το υποκείμενο υλικό, όπου υλοποιείται η εκπαίδευση.

Αυτή η εργασία αποδεικνύει ότι, στο on-edge FL, οι εργάτες μπορούν να χρησιμοποιήσουν αποτελεσματικά FPGAs για να επειταχύνουν την τοπική εκπαίδευση και την συνολική FL διαδικασία. Καταρχάς, υλοποιήθηκε ένα FL σύστημα, ανεξάρτητο της υποκείμενης μεθόδου εκπαίδευσης και της υλοποίησης της. Μέσω αυτού,
έγινε εις βάθος ανάλυση των επιδράσεων κάθε παραμέτρου του FL. Σύμφωνα με τα ευρήματα της, υλοποιήθηκε ένα Συνελυκτικό Νευρωνικό Δίκτυο σε FPGA, βελτιστοποιημένο για τον χώρο παραμέτρων όπου το FL είναι πιο αποτελεσματικό, και συνδέθηκε στο FL σύστημα.

Μέσω μετρήσεων σε πραγματικό υλικό, η υλοποίηση βασισμένη σε FPGA εμφανίζει μια μέτρια επιτάχυνση στην τοπική εκπαίδευση (1.27-1.44×) και στην συνολική FL διαδικασία σε σύγκριση με αντίστοιχη υλοποίηση βασισμένη σε GPU, εν συναρτήσει της διασποράς των δεδομένων. Πιο εντυπωσιακά, καταναλώνει (16, 35 − 18, 18×) λιγότερη ενέργεια. Τοιουτοτρόπως, η παρούσα εργασία παρέχει παραπάνω από μια μελέτη σκοπιμότητας συνδυασμού FL & FPGAs, και μπορεί να χρησιμοποιηθεί ως αφετηρία για μελλοντικές εργασίες ή ως μέτρο σύγκρισης.

Abstract

Federated Learning (FL) is a decentralized training method for Machine Learning applications which can exploit data that are inaccessible to conventional centralized approaches, due to privacy and security concerns. FL literature has refined and evaluated most of its aspects, but generally few works have taken in consideration the underlying hardware, where the training actually take place.

This thesis demonstrates that, in the on-edge FL setting, the clients can effectively utilize FPGAs to accelerate their local training and the overall FL process. First of all, an FL system, agnostic of the underlying training method and its implementation, is developed. With that, an in-depth analysis of the effects of each FL parameter is conducted. According to its findings, an FPGA-based implementation of a Convolutional Neural Network (CNN), optimized for the parameter space where the FL is most efficient, is developed and incorporated to the FL system.

Through actual runs on real hardware, the FPGA-based solution presents a modest speedup of the local training (1.27-1.44×) and the overall FL process (1.08-1.20×) in comparison to a GPU-based one, depending on data distribution. More impressively, it consumes (16.35 − 18.18×) less energy. Thus, this thesis provides more than a feasibility study of combining FL and FPGAs, and it can be used as a starting point for future works or as a benchmarking reference.