联邦动态频谱接入
信号处理
2021-06-30 v1 机器学习
摘要
由于物联网(IoT)设备激增所产生的数据流量不断增长，对无线电频谱资源的需求正逼近联邦通信委员会(FCC)所定义的极限。为此，动态频谱接入(DSA)被视为应对此频谱稀缺性的有前景技术。然而，标准DSA技术常依赖于对无线网络的解析建模，使其在未充分测量的网络环境中难以应用。因此，利用神经网络逼近网络动态是一种替代方法。在本文中，我们引入了一种基于联邦学习(FL)的DSA任务框架，其中FL是一种分布式机器学习框架，能在异构数据分布下保护网络终端的隐私。我们讨论了该框架的机遇、挑战与开放问题。为评估其可行性，我们实现了一种基于多智能体强化学习(MARL)的FL作为实例，并给出初步评估结果。
引用
@article{arxiv.2106.14976,
title = {Federated Dynamic Spectrum Access},
author = {Yifei Song and Hao-Hsuan Chang and Zhou Zhou and Shashank Jere and Lingjia Liu},
journal= {arXiv preprint arXiv:2106.14976},
year = {2021}
}