用于 6G 边缘网络中隐私保护与能量感知资源管理的联邦多智能体强化学习
机器学习
2025-09-15 v1 信息论
math.IT
摘要
随着第六代（6G）网络向超密集、智能边缘环境演进，在严格的隐私、移动性和能量约束下进行高效的资源管理变得至关重要。本文引入了一种新颖的联邦多智能体强化学习（Fed-MARL）框架，该框架结合了 MAC 层和应用层的跨层编排，用于在异构边缘设备间实现高能效、隐私保护和实时的资源管理。每个智能体使用深度循环 Q 网络（DRQN），基于本地观测（如队列长度、能量、CPU 使用率和移动性）来学习用于任务卸载、频谱接入和 CPU 能量自适应的去中心化策略。为了保护隐私，我们引入了一种基于椭圆曲线 Diffie-Hellman 密钥交换的安全聚合协议，该协议在不向半诚实对手暴露原始数据的情况下确保准确的模型更新。我们将资源管理问题建模为部分可观测多智能体马尔可夫决策过程（POMMDP），其多目标奖励函数在 6G 特定服务要求（如 URLLC、eMBB 和 mMTC）下联合优化延迟、能效、频谱效率、公平性和可靠性。仿真结果表明，Fed-MARL 在任务成功率、延迟、能效和公平性方面优于集中式 MARL 和启发式基线，同时在动态、资源受限的 6G 边缘网络中确保了稳健的隐私保护和可扩展性。
引用
@article{arxiv.2509.10163,
title = {Federated Multi-Agent Reinforcement Learning for Privacy-Preserving and Energy-Aware Resource Management in 6G Edge Networks},
author = {Francisco Javier Esono Nkulu Andong and Qi Min},
journal= {arXiv preprint arXiv:2509.10163},
year = {2025}
}