车联网中基于联邦边缘学习的高稳定高精度车辆选择方案
网络与互联网体系结构
2023-03-06 v2
摘要
面向车联网的联邦边缘学习（FEEL）技术被认为是一种在保护用户隐私的同时降低计算负载的有前景的技术。在FEEL系统中，车辆将数据上传至边缘服务器，边缘服务器对车辆数据进行训练以更新本地模型，然后将结果返回给车辆，从而避免共享原始数据。然而，边缘中的缓存队列是有限的，且边缘服务器与每辆车之间的信道是时变的。因此，如何选择合适的车辆数量，以在确保上传数据在边缘服务器中保持缓存队列稳定的同时最大化学习精度，是一个挑战。此外，选择具有不同资源状态的车辆更新数据会影响参与训练的数据总量，进而影响到模型精度。本文提出一种车辆选择方案，在考虑边缘服务器覆盖范围内所有车辆状态的情况下，在保证缓存队列稳定性的同时最大化学习精度。通过仿真实验对该方案的性能进行了评估，结果表明所提方案优于已知的基准方案。
引用
@article{arxiv.2208.01890,
title = {High stable and accurate vehicle selection scheme based on federated edge learning in vehicular networks},
author = {Qiong Wu and Xiaobo Wang and Qiang Fan and Pingyi Fan and Cui Zhang and Zhengquan Li},
journal= {arXiv preprint arXiv:2208.01890},
year = {2023}
}
备注
This paper has been accepted by China Communications