FedORA：使用无线电智能控制器在 ORAN 中进行联邦学习的资源分配

这项工作提出了一种在动态和异构网络环境中优化联邦学习（FL）通信的集成方法。利用开放无线接入网（ORAN）架构的模块化灵活性和多种无线接入技术（RAT），我们旨在提高数据传输效率并缓解 FL 框架内的客户端-服务器通信约束。我们的系统采用使用 ORAN 的 rApps 和 xApps 的两阶段优化策略。在第一阶段，使用基于强化学习（RL）的 rApp 动态选择每个用户的最佳无线接入技术（RAT），平衡能效与网络性能。在第二阶段，基于模型的 xApp 通过预定义策略促进近实时的资源分配优化，以实现最佳网络性能。由 ORAN 和多 RAT 实现的动态 RAT 选择和资源分配能力有助于在动态网络环境中实现稳健的通信弹性。与其他最先进模型相比，我们的方法展现出具有竞争力的性能且功耗更低，展示了其在要求准确性和效率的实时应用中的潜力。这一稳健且全面的框架使客户端能够有效利用可用资源，突显了优先考虑能效和网络性能的可扩展、协作学习应用的潜力。