基于联邦学习的移动传输优化，辅以数字孪生体
网络与互联网体系结构
2026-02-24 v1 机器学习
摘要
数字孪生体（DT）可能保护其关联物理系统视为私人的资讯，例如其移动轮廓、最近的位置以及所经历的信道条件。然而，线上排程器通常会使用此类资讯执行诸项任务，例如共享带宽与信道时间槽指派。在本文中，我们考量三种带有能源约束的传输排程问题，此类资讯需被求用，却必须保持私密性：即在（i）固定功率或（ii）固定速率时间槽化并进行功率控制情况下，最小化总传输时间；以及（iii）在固定时间期间最大化上传的数据量。我们运用即时联邦优化框架，展示排程器如何仅与DT互动，即可为这些问题产生全球分数解，而无需后者透露其私人资讯。随后采用依证性取整，将分数解取整为信道传输排程，以供实际系统使用。实验显示，该方法在常规边缘服务器硬件上，实现了毫秒级的端到端运行时长，持续降低makespan，且几乎不产生带宽/能源违规。就我们所知，这是首个能够运用不暴露私人数据的运算，实现跨DT的信道共享的框架。
引用
@article{arxiv.2602.18627,
title = {Federated Learning-Assisted Optimization of Mobile Transmission with Digital Twins},
author = {Mohammad Heydari and Terence D. Todd and Dongmei Zhao and George Karakostas},
journal= {arXiv preprint arXiv:2602.18627},
year = {2026}
}