面向车载边缘计算中异步联邦学习的抗拜占庭攻击车辆选择
机器学习
2024-04-15 v1
摘要
在车载边缘计算（VEC）中，采用了异步联邦学习（AFL），其中边缘接收本地模型并更新全局模型，有效降低了全局聚合延迟。由于车辆本地数据量、计算能力和位置的不同，以相同权重更新全局模型是不合适的。上述因素将影响本地模型的本地计算时间和上传时间，且车辆也可能受到拜占庭攻击的影响，导致车辆数据恶化。然而，基于深度强化学习（DRL），我们可以综合考虑这些因素，尽可能淘汰性能差的车辆，并在 AFL 之前排除遭受拜占庭攻击的车辆。同时，在聚合 AFL 时，我们可以关注那些性能较好的车辆，以提高系统的准确性和安全性。在本文中，我们提出了一种基于 DRL 的 VEC 车辆选择方案。在该方案中，考虑了车辆的移动性、随时间变化的信道条件、随时间变化的计算资源、不同的数据量、车辆的传输信道状态以及拜占庭攻击。仿真结果表明，所提方案有效提高了全局模型的安全性和准确性。
引用
@article{arxiv.2404.08444,
title = {Anti-Byzantine Attacks Enabled Vehicle Selection for Asynchronous Federated Learning in Vehicular Edge Computing},
author = {Cui Zhang and Xiao Xu and Qiong Wu and Pingyi Fan and Qiang Fan and Huiling Zhu and Jiangzhou Wang},
journal= {arXiv preprint arXiv:2404.08444},
year = {2024}
}
备注
This paper has been accepted by China Communications.The source code has been released at:https://github.com/giongwu86/By-AFLDDPG