面向 5G 基站流量预测的联邦学习
机器学习
2023-08-29 v2 人工智能
分布式、并行与集群计算
网络与互联网体系结构
摘要
蜂窝流量预测对于实现 5G 移动网络智能高效的基础设施规划与管理至关重要。然而，可用数据仅限于基站日志信息。因此，需要能够生成高质量预测并泛化到不同参与方新观测数据的训练方法。传统方法需要从多个基站收集测量数据，将其传输到中心实体，并使用获取的数据进行机器学习操作。本地观测数据的传播引发了关于机密性和性能的担忧，这阻碍了机器学习技术的适用性。尽管已提出多种分布式学习方法来解决此问题，但它们在流量预测中的应用仍鲜有探索。在这项工作中，我们研究了将联邦学习应用于原始基站 LTE 数据进行时间序列预测的有效性。我们使用五种不同的神经网络架构，在非独立同分布数据上以联邦设置进行训练，评估了一步预测。结果表明，适应联邦设置的学习架构产生了与集中式设置等效的预测误差。此外，对基站数据进行预处理技术可提高预测精度，而先进的联邦聚合器并未超越更简单的方法。考虑环境影响的模拟表明，联邦学习具有减少碳排放和能源消耗的潜力。最后，我们考虑了一个使用合成数据的大规模场景，并证明与集中式设置相比，联邦学习降低了计算和通信成本。
引用
@article{arxiv.2211.15220,
title = {Federated Learning for 5G Base Station Traffic Forecasting},
author = {Vasileios Perifanis and Nikolaos Pavlidis and Remous-Aris Koutsiamanis and Pavlos S. Efraimidis},
journal= {arXiv preprint arXiv:2211.15220},
year = {2023}
}