面向基于数字孪生的车载网络的联邦学习：架构与挑战
分布式、并行与集群计算
2022-08-12 v1
摘要
新兴的智能交通应用，如事故上报、变道辅助、碰撞规避和车载信息娱乐，将基于多样化的需求（例如时延、可靠性、物理体验质量）。为满足此类需求，亟需部署基于数字孪生的智能交通系统。尽管基于孪生的车载网络实现可带来性能优化，但孪生建模是一项极具挑战性的任务。机器学习（ML）可作为建模此类虚拟模型的优选方案，具体而言，联邦学习（FL）作为一种分布式学习范式，相较于集中式 ML 能更好地保护隐私。尽管 FL 可提升性能，但其需要精心设计。因此，本文对面向孪生车载网络的 FL 进行了概述，提出了一种展示孪生车载网络 FL 的通用架构。我们提出的架构包含孪生空间与物理空间两个空间。物理空间由车载网络所需的全部物理实体（如车辆与边缘服务器）组成，而孪生空间指用于部署孪生的逻辑空间，其可利用边缘服务器与云服务器实现。我们还概述了若干面向孪生车载网络的 FL 用例。最后，本文进行总结并展望了开放性挑战。
引用
@article{arxiv.2208.05558,
title = {Federated Learning for Digital Twin-Based Vehicular Networks: Architecture and Challenges},
author = {Latif U. Khan and Ehzaz Mustafa and Junaid Shuja and Faisal Rehman and Kashif Bilal and Zhu Han and Choong Seon Hong},
journal= {arXiv preprint arXiv:2208.05558},
year = {2022}
}