面向B5G/6G网络的无人机物联网中电池受限联邦边缘学习
网络与互联网体系结构
2021-06-09 v1
摘要
在本文中，我们研究如何从深度强化学习（DRL）方法出发，优化面向B5G/6G网络的无人机物联网（IoT）中的联邦边缘学习（FEEL）。联邦学习是一种有效的框架，可在不交换原始数据的情况下在去中心化边缘设备或服务器之间训练共享模型，有助于保护数据隐私。在无人机物联网网络中，时延和能耗是限制FEEL性能的两个重要指标。尽管现有大多数工作已研究如何降低时延并提高能效，但鲜有工作探讨设备有限电池对FEEL的影响。受此启发，我们研究电池受限的FEEL，其中无人机可调整其工作CPU频率以延长电池寿命并避免过早退出联邦学习训练。我们通过联合分配时变环境中的计算资源与无线带宽来优化系统。为解决该优化问题，我们采用基于深度确定性策略梯度（DDPG）的策略，其中使用时延与能耗的线性组合来评估系统代价。最后通过仿真结果表明，所提策略优于传统策略。特别地，它使所有设备在电池受限情况下完成全部FEEL轮次，同时有效降低系统代价。
引用
@article{arxiv.2101.12472,
title = {Battery-constrained Federated Edge Learning in UAV-enabled IoT for B5G/6G Networks},
author = {Shunpu Tang and Wenqi Zhou and Lunyuan Chen and Lijia Lai and Junjuan Xia and Liseng Fan},
journal= {arXiv preprint arXiv:2101.12472},
year = {2021}
}