数字孪生赋能 6G 网络中面向边缘关联的低时延联邦学习与区块链
机器学习
2020-11-20 v1
摘要
数字孪生与第六代移动通信网络（6G）等新兴技术加速了工业物联网（IIoT）中边缘智能的实现。数字孪生与 6G 的融合将物理系统与新空间相连接，并实现了稳健的即时无线连接。随着对数据隐私关注的增加，联邦学习被视为在无线网络中部署分布式数据处理与学习的可行方案。然而，不可靠的通信信道、有限的资源以及用户间信任的缺失，阻碍了联邦学习在 IIoT 中的有效应用。本文中，我们通过将数字孪生引入无线网络，提出数字孪生无线网络（DTWN），将实时数据处理与计算迁移至边缘平面。随后，我们提出一种运行于 DTWN 中的区块链赋能联邦学习框架用于协同计算，提升了系统的可靠性与安全性，并增强了数据隐私。此外，为平衡所提方案的学习精度与时间开销，我们通过联合考虑数字孪生关联、训练数据批大小与带宽分配，构建了边缘关联的优化问题。我们利用多智能体强化学习求该问题的最优解。在真实世界数据集上的数值结果表明，相较于基准学习方法，所提方案提升了效率并降低了开销。
引用
@article{arxiv.2011.09902,
title = {Low-latency Federated Learning and Blockchain for Edge Association in Digital Twin empowered 6G Networks},
author = {Yunlong Lu and Xiaohong Huang and Ke Zhang and Sabita Maharjan and Yan Zhang},
journal= {arXiv preprint arXiv:2011.09902},
year = {2020}
}