Joint Optimization of Model Partitioning and Resource Allocation for Anti-Jamming Collaborative Inference Systems

Each language version is independently generated for its own context, not a direct translation.

📦 Le Problème : La Livraison de Colis Fragiles

Imaginez que vous avez un gros colis très lourd (c'est l'intelligence artificielle, ou "DNN", qui doit reconnaître une image, comme une voiture ou un visage).

Le Client (Votre téléphone) : Il est petit et fatigué. Il ne peut pas porter tout le colis lui-même.
L'Entrepôt (Le serveur en bord de réseau) : Il est puissant et peut finir le travail, mais il est loin.
Le Camion (Le réseau sans fil) : C'est le chemin entre le client et l'entrepôt.

La solution habituelle (Collaboration) :
Au lieu de porter tout le colis, le client enlève une partie du poids (les premières couches de l'IA), le met dans un camion, et l'envoie à l'entrepôt pour qu'il finisse le reste. C'est ce qu'on appelle l'inférence collaborative.

Le Problème : Le Voleur (Le Brouilleur)
Mais attention ! Il y a un voleur malveillant (le "jammer") qui se promène sur la route. Il lance des pierres dans le camion pour le faire trembler.

Si le camion tremble trop, le colis arrive abîmé.
Si le colis est abîmé, l'entrepôt ne peut pas reconnaître l'image correctement (l'IA se trompe).
De plus, si le camion va trop vite pour éviter le voleur, il consomme trop d'essence (énergie) et arrive en retard.

🎯 L'Objectif : Trouver l'Équilibre Parfait

Les chercheurs veulent trouver la meilleure façon de gérer cette situation pour avoir :

La vitesse (arriver vite).
La précision (le colis arrive intact).
L'économie (ne pas gaspiller trop d'énergie).

Ils appellent cela le "Revenu de Délai et de Précision". C'est comme dire : "Combien je gagne en étant à la fois rapide et précis ?"

🛠️ La Solution Magique : Trois Astuces Simultanées

Pour battre le voleur et optimiser la livraison, l'équipe propose de changer trois choses en même temps :

Où couper le colis ? (Partitionnement du modèle)
- Analogie : Faut-il que le client enlève 10% du poids du colis ou 50% ?
- Si on enlève trop, le camion est léger mais le client travaille trop.
- Si on enlève trop peu, le camion est lourd et risque de se faire casser par le voleur.
- Il faut trouver le point de coupe idéal pour que le colis soit assez léger pour traverser la zone dangereuse, mais assez lourd pour ne pas fatiguer le client.
Combien d'essence mettre ? (Puissance d'émission)
- Analogie : Le client doit-il crier très fort pour que l'entrepôt l'entende malgré le bruit du voleur ?
- Crier trop fort épuise la batterie. Crier trop doucement, le message se perd. Il faut trouver le volume parfait.
Combien de bras au travail ? (Allocation des ressources)
- Analogie : L'entrepôt a plusieurs ouvriers. Combien doit-il en envoyer sur ce colis précis ?
- Il ne faut pas mettre tous les ouvriers sur un seul colis, sinon les autres colis attendront trop. Il faut répartir la main-d'œuvre intelligemment.

🧠 Comment ont-ils résolu le casse-tête ?

C'est un problème mathématique très compliqué (comme un puzzle où toutes les pièces bougent en même temps). Ils ont utilisé une méthode en trois étapes, un peu comme un chef d'orchestre qui ajuste les musiciens un par un :

L'ajustement mathématique pur : Ils calculent d'abord la meilleure répartition des ouvriers (les ressources de calcul) en utilisant des formules précises.
L'optimisation de la vitesse : Ensuite, ils ajustent la puissance du camion (la transmission) pour qu'elle soit juste ce qu'il faut.
L'intelligence artificielle (Algorithme Génétique Quantique) : Enfin, pour trouver le meilleur endroit pour couper le colis (le point de partitionnement), ils utilisent une technique inspirée de l'évolution et de la physique quantique. C'est comme si on faisait évoluer des milliers de stratégies de livraison différentes pour garder seulement la plus rapide et la plus sûre.

🏆 Le Résultat

Les chercheurs ont simulé cette situation avec des ordinateurs. Leurs résultats montrent que leur méthode est bien meilleure que les anciennes façons de faire :

Même quand le voleur (le brouilleur) est très fort, leur système continue de livrer le colis intact.
Ils arrivent plus vite et avec moins de gaspillage d'énergie.

En résumé : Ce papier explique comment faire travailler ensemble un téléphone et un serveur pour que l'intelligence artificielle fonctionne bien, même quand quelqu'un essaie de brouiller la communication. C'est comme apprendre à conduire une voiture de course dans une tempête de neige : il faut savoir quand accélérer, quand freiner et comment tourner le volant pour arriver à destination sans accident.

Each language version is independently generated for its own context, not a direct translation.

Titre du papier

Optimisation conjointe du partitionnement de modèle et de l'allocation de ressources pour des systèmes d'inférence collaborative anti-brouillage

1. Problématique

L'inférence des réseaux de neurones profonds (DNN) sur des appareils aux ressources limitées (IoT, mobiles) pose un défi majeur en termes de puissance de calcul et de latence. Le paradigme de l'inférence collaborative appareil-bord (Device-Edge CI), qui partitionne le modèle DNN entre l'appareil et un serveur de bord (Edge Server - ES), est une solution prometteuse. Cependant, ce système est vulnérable aux brouilleurs malveillants (jammers).

Le problème central identifié par les auteurs est le suivant :

La transmission des données intermédiaires de caractéristiques (Intermediate Feature Data - IFD) entre l'appareil et le serveur de bord est sensible au brouillage.
Le brouillage dégrade la qualité du signal (rapport signal-sur-interférence-plus-bruit ou SINR), ce qui corrompt les IFD et entraîne une baisse significative de la précision de l'inférence.
La décision de partitionnement du modèle DNN (où couper le modèle) détermine la taille des données à transmettre, influençant ainsi la vulnérabilité du système au brouillage et la latence.
Il existe un compromis complexe entre l'allocation des ressources de calcul, la puissance de transmission, le point de partitionnement et la robustesse face au brouillage, le tout sous contraintes de précision minimale et d'énergie.

2. Méthodologie

Les auteurs proposent une approche systématique pour maximiser le "Revenu de Délai et de Précision" (RDA - Revenue of Delay and Accuracy) du système.

A. Modélisation du Système

Architecture : Un système composé de $N$ appareils, d'un serveur de bord et d'un brouilleur malveillant.
Partitionnement DNN : Le modèle est divisé en deux segments. L'appareil exécute les couches $0 $à$ k_n$, et le serveur de bord exécute les couches $k_n+1$ à $K$ .
Modèle de Précision : Une approche de régression de données est utilisée pour établir une relation fermée entre la précision de l'inférence, le SINR et le point de partitionnement. La précision est modélisée par une fonction logistique :
$Acc_n(k_n, \phi_n) = \frac{A_{k_n}}{1 + e^{-\tau_{k_n}(\phi_n - \phi_{k_n})}} + b_{k_n}$
où $\phi_n$ est le SINR. Cela permet de quantifier l'impact du brouillage sur la précision.
Fonction Objectif (RDA) : L'objectif est de maximiser une fonction pondérée combinant le revenu de délai (inverse de la latence totale) et le revenu de précision, sous contraintes d'énergie, de capacité de calcul du serveur et de précision minimale.

B. Formulation du Problème

Le problème est formulé comme un Programme Non Linéaire Mixte en Entiers (MINLP), car il implique :

Des variables continues : Allocation des ressources de calcul ( $f_n^E$ ) et puissance de transmission ( $p_n$ ).
Des variables discrètes : Point de partitionnement du modèle ( $k_n$ ).
Des contraintes non convexes dues à la relation entre le SINR, la puissance et la précision.

C. Algorithme de Résolution

Pour résoudre ce problème complexe, les auteurs proposent un algorithme itératif basé sur l'Optimisation Alternée (AO), décomposant le problème en trois sous-problèmes résolus séquentiellement :

Allocation des ressources de calcul : Résolu via les conditions de Karush-Kuhn-Tucker (KKT). Une solution analytique fermée est obtenue pour l'allocation optimale des ressources CPU du serveur de bord.
Optimisation de la puissance de transmission : Le problème est reformulé en maximisant la puissance totale sous contraintes convexes (transformées) de précision et d'énergie. Il est résolu efficacement par des méthodes d'optimisation convexe (ex: CVX).
Partitionnement du modèle DNN : Ce sous-problème est un problème d'optimisation combinatoire (variables entières). Les auteurs utilisent un Algorithme Génétique Quantique (QGA). Le QGA intègre les principes de l'informatique quantique (superposition, portes de rotation) pour éviter la convergence prématurée et explorer l'espace de recherche global plus efficacement qu'un algorithme génétique classique.

3. Contributions Clés

Première étude de l'impact conjoint : C'est, à la connaissance des auteurs, le premier travail à explorer l'impact combiné du partitionnement DNN et de l'environnement de transmission sous brouillage malveillant sur la performance d'inférence dans un système collaboratif.
Modélisation par régression : Développement d'un modèle de précision fermé reliant le SINR et le point de partitionnement, permettant une optimisation mathématique directe sans simulations lourdes à chaque itération.
Métrique RDA : Introduction d'une métrique unifiée (Revenu de Délai et de Précision) pour évaluer le compromis performance/coût dans des environnements hostiles.
Algorithme hybride AO-QGA : Proposition d'une solution algorithmique efficace qui décompose un problème MINLP difficile en sous-problèmes gérables, utilisant le QGA pour la partie discrète critique.

4. Résultats de Simulation

Les simulations ont été menées sur un modèle ResNet-18 entraîné sur le dataset CIFAR-10, avec 10 appareils et un brouilleur.

Comparaison avec les bases (Baselines) : Le schéma proposé est comparé à :
- Calcul local (LC).
- Calcul sur serveur de bord (ESC).
- Puissance de transmission fixe (FTP).
- Algorithme génétique classique pour le partitionnement (GA-based).
Performance RDA : Le schéma proposé surpasse toutes les autres méthodes en termes de RDA, démontrant sa capacité à équilibrer efficacement latence et précision.
Robustesse au brouillage :
- Face à l'augmentation de la puissance du brouilleur, le schéma proposé maintient une précision d'inférence supérieure au seuil requis (80 %) et un RDA plus élevé que les autres méthodes.
- Les autres méthodes (notamment FTP et LC) subissent une dégradation plus rapide de la précision ou une augmentation excessive de la latence.
Impact de la capacité de calcul : L'algorithme s'adapte dynamiquement : lorsque la capacité de calcul des appareils augmente, le système ajuste le partitionnement pour réduire la latence tout en maintenant la précision.

5. Signification et Impact

Ce travail est significatif pour plusieurs raisons :

Sécurité et Fiabilité : Il adresse un angle mort critique dans l'Edge Intelligence : la vulnérabilité des données intermédiaires aux attaques par brouillage. Il démontre que l'optimisation conjointe du modèle et des ressources physiques est essentielle pour la résilience.
Efficacité Algorithmique : L'utilisation du QGA pour le partitionnement DNN offre une voie prometteuse pour résoudre des problèmes d'optimisation combinatoire complexes dans les réseaux 6G, là où les méthodes classiques échouent souvent à trouver des solutions globales optimales.
Applications Pratiques : Les résultats suggèrent que pour les applications critiques (reconnaissance faciale, détection d'objets) dans des environnements hostiles, une stratégie statique (comme le calcul local ou le transfert total) est insuffisante. Une adaptation dynamique du partitionnement et des ressources est nécessaire pour garantir la qualité de service (QoS).

En conclusion, l'article propose un cadre robuste pour le déploiement de l'IA en périphérie (Edge AI) dans des environnements non fiables, en prouvant que l'optimisation conjointe des couches logicielles (modèle DNN) et matérielles (ressources radio et calcul) est la clé de la performance anti-brouillage.