面向超可靠低时延车载通信的分布式联邦学习
信息论
2019-12-06 v3 math.IT
摘要
本文研究了车载网络中面向超可靠低时延通信（URLLC）的联合功率与资源分配（JPRA）问题。其中，在概率排队时延高可靠性的约束下，最小化车载用户（VUEs）的网络总功耗。利用极值理论，定义了一种新的可靠性度量来刻画车辆队列长度超过预定义阈值的极端事件。为学习这些极端事件，假设其在各 VUE 上独立同分布，提出了一种基于联邦学习（FL）的新型分布式方法来估计队列长度的尾部分布。考虑到 FL 在无线链路上引起的通信时延，采用 Lyapunov 优化推导 JPRA 策略，以分布式方式为每个 VUE 实现 URLLC。所提方案随后通过使用 Manhattan 移动模型的大量仿真进行了验证。仿真结果表明，FL 使所提方法能够以接近集中式方案的精度估计队列尾部分布，同时将交换数据量最多减少 79%。此外，与基于平均队列的基线相比，所提方法使具有大队列长度的 VUE 最多减少 60%，同时将平均功耗降低为原来的二分之一。
引用
@article{arxiv.1807.08127,
title = {Distributed Federated Learning for Ultra-Reliable Low-Latency Vehicular Communications},
author = {Sumudu Samarakoon and Mehdi Bennis and Walid Saad and Merouane Debbah},
journal= {arXiv preprint arXiv:1807.08127},
year = {2019}
}
备注
14 pages (double column), 10 figures, 1 table, 3 algorithms, Accepted for IEEE Transactions of Communication. arXiv admin note: text overlap with arXiv:1805.09253