面向超可靠低时延车对车通信的联邦学习
网络与互联网体系结构
2018-05-24 v1 机器学习
机器学习
摘要
本文提出了一种用于实现车载网络中超可靠低时延通信（URLLC）的新型联合发射功率与资源分配方法。目标是在保证以概率性排队时延衡量的高可靠性的同时，最小化车载用户（VUEs）的全网功耗。特别地，利用极值理论（EVT）定义了一种可靠性度量来刻画极端事件（即车辆队列长度以不可忽略的概率超过预定义阈值的情形）。借助联邦学习（FL）的原理，这些对应于队列尾部分布的极端事件的分布由 VUEs 以去中心化方式估计。最后，利用 Lyapunov 优化以分布式方式为每个 VUE 求解联合发射功率与资源分配策略。所提方案通过使用曼哈顿移动模型的大量仿真得到验证。结果表明，FL 使所提分布式方法能够以非常接近集中式方案的精度估计队列尾部分布，同时将需交换的数据量最多减少 79%。此外，与基于平均队列的基线相比，所提方法在不增加额外功耗的情况下使具有长队列长度的 VUEs 最多减少 60%。与固定功耗且关注队列稳定性同时最小化平均功耗的系统相比，所提方法的极端事件减少约两个数量级。
引用
@article{arxiv.1805.09253,
title = {Federated Learning for Ultra-Reliable Low-Latency V2V Communications},
author = {Sumudu Samarakoon and Mehdi Bennis and Walid Saad and Merouane Debbah},
journal= {arXiv preprint arXiv:1805.09253},
year = {2018}
}
备注
7 pages, 5 figures, 2 tables, 1 algorithm, conference submission