面向风电场景的联邦学习平台高性能通信优化

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.