无人机网络中基于区块链的集群化可扩展联邦学习(BCS-FL)框架
机器学习
2024-02-19 v2 网络与互联网体系结构
信号处理
摘要
隐私、可扩展性和可靠性是无人机(Unmanned Aerial Vehicle, UAV)网络作为分布式系统面临的重大挑战，尤其是在采用需要大量数据交换的机器学习(Machine Learning, ML)技术时。最近，联邦学习(Federated Learning, FL)在无人机网络中的应用改善了协作、隐私、弹性和适应性，使其成为无人机应用中极具前景的框架。然而，在无人机网络中实施FL引入了通信开销、同步问题、可扩展性限制和资源约束等缺点。为了应对这些挑战，本文提出了用于无人机网络的基于区块链的集群化可扩展联邦学习(Blockchain-enabled Clustered and Scalable Federated Learning, BCS-FL)框架。这改善了大规模无人机网络中FL的去中心化、协调、可扩展性和效率。该框架将无人机网络划分为由簇头无人机(Cluster Heads, CHs)协调的独立簇，以建立一个连通图。集群化实现了对ML模型更新进行高效协调。此外，混合的簇间和簇内模型聚合方案在每轮训练后生成全局模型，改善了簇之间的协作和知识共享。数值结果说明了收敛性的实现，同时强调了训练有效性与通信效率之间的权衡。
引用
@article{arxiv.2402.05973,
title = {Blockchain-enabled Clustered and Scalable Federated Learning (BCS-FL) Framework in UAV Networks},
author = {Sana Hafeez and Lina Mohjazi and Muhammad Ali Imran and Yao Sun},
journal= {arXiv preprint arXiv:2402.05973},
year = {2024}
}
备注
6 pages, 7 figures, 2023 IEEE International Workshop on Computer Aided Modeling and Design of Communication Links and Networks (IEEE CAMAD), Edinburgh UK