车载边缘计算中基于异步联邦学习的移动感知缓存
分布式、并行与集群计算
2022-08-03 v1
摘要
车载边缘计算(VEC)是一项通过在路边单元(RSU)中缓存内容来支持实时应用的有前景技术，从而车辆可在短时间内从 RSU 获取车载用户(VU)请求的内容。RSU 容量有限，且由于车辆高移动性特征，VU 请求的内容频繁变化，因此提前预测最热门内容并缓存至 RSU 十分必要。RSU 可基于 VU 的数据训练模型以有效预测热门内容。然而，由于个人隐私，VU 通常不愿与他人共享数据。联邦学习(FL)允许每辆车基于 VU 数据训练本地模型，并上传本地模型而非数据至 RSU 以更新全局模型，从而保护 VU 隐私信息。传统同步 FL 必须等待所有车辆完成训练并上传本地模型才能进行全局模型更新，这将导致全局模型训练耗时长久。异步 FL 一旦接收到某车辆的本地模型便及时更新全局模型。然而，停留时间不同的车辆对获得准确全局模型的影响不同。本文中，我们考虑车辆移动性，提出基于异步 FL 的移动感知边缘缓存(AFMC)方案以获取准确全局模型，进而提出一种基于全局模型预测热门内容的算法。实验结果表明 AFMC 优于其他基线缓存方案。
引用
@article{arxiv.2208.01236,
title = {Asynchronous Federated Learning Based Mobility-aware Caching in Vehicular Edge Computing},
author = {Wenhua Wang and Yu Zhao and Qiong Wu and Qiang Fan and Cui Zhang and Zhengquan Li},
journal= {arXiv preprint arXiv:2208.01236},
year = {2022}
}
备注
This paper has been submitted to The 14th International Conference on Wireless Communications and Signal Processing (WCSP 2022)