try.py: 在不同数据集下实验WPTCN train.py: 使用baseline实验
cd test
python try.py
federated/server.py: 启动Flower服务端 federated/client.py: 启动Flower客户端
cd federated
python server.py
python client.py --num_clients 4 --cid client_1
python client.py --num_clients 4 --cid client_2
python client.py --num_clients 4 --cid client_3
python client.py --num_clients 4 --cid client_4
python run_baseline_comparison.py --clients 4 --rounds 5
当运行python run_baseline_comparison.py --clients 4 --rounds 5时，脚本会执行以下操作：
-
初始化设置 解析参数：使用4个客户端，进行5轮训练 创建WPTCN/result目录，用于保存所有输出结果 设置日志格式
-
顺序测试三种基线方法 对于每种基线方法（TFL、HFL、FedMEC），逐个执行： 传统联邦学习 (TFL)
- 分配端口8080
- 启动服务器进程
- 启动4个客户端进程，每个客户端：
- 加载模拟数据（USC-HAD数据集）
- 在设备上训练完整的WPTCN模型
- 收集训练时间、内存使用等指标
- 服务器收集并聚合所有客户端的指标
- 将指标保存为JSON文件到result目录
- 结束服务器和客户端进程
分层联邦学习 (HFL)
- 分配端口8081
- 启动服务器进程
- 启动4个客户端进程，每个客户端：
- 在设备上只运行小波变换前的部分
- 模拟与边缘服务器通信
- 收集指标（包括通信开销）
- 保存聚合指标到JSON文件
经验分区 (FedMEC)
- 分配端口8082
- 类似于HFL，但分区点不同（在第1个TCN层后）
- 运行测试并保存指标
- 生成比较结果 检索三个基线方法的指标JSON文件 生成四个对比图表： 训练时间对比 内存使用对比 准确率对比 通信带宽对比（仅HFL和FedMEC）