面向车联网的高效速率分割多址接入：联邦边缘学习与时延最小化
网络与互联网体系结构
2022-12-14 v1
摘要
速率分割多址接入（RSMA）近来在多天线辅助的无线下行链路中受到青睐，因其益处在于放宽发射端信道状态信息（CSIT）的精度要求，同时实现高频谱效率并提供安全保证。这些益处在高速度车辆编队中尤为重要，因为其高多普勒影响CSIT的估计精度。为应对此挑战，我们提出一种基于RSMA的车联网（IoV）方案，在下链路中联合考虑编队控制与联邦边缘学习（FEEL）。具体而言，所提框架用于传输IoV编队内的单播控制消息，以及用于隐私保护的FEEL辅助下行链路非正交单播与多播（NOUM）。鉴于此复杂框架，我们制定了一个多目标优化问题，以最小化FEEL下行链路时延和编队内车辆偏差。为高效求解该问题，开发了块坐标下降（BCD）框架，将主多目标问题解耦为两个子问题。然后，针对这些非凸子问题，分别开发了连续凸近似（SCA）与模型预测控制（MPC）方法用于求解基于FEEL的下行链路问题和编队控制问题。仿真结果表明，所提基于RSMA的IoV系统优于传统系统。
引用
@article{arxiv.2212.06396,
title = {Efficient Rate-Splitting Multiple Access for the Internet of Vehicles: Federated Edge Learning and Latency Minimization},
author = {Shengyu Zhang and Shiyao Zhang and Weijie Yuan and Yonghui Li and Lajos Hanzo},
journal= {arXiv preprint arXiv:2212.06396},
year = {2022}
}