基于异步联邦与深度强化学习的车联网边缘计算中移动感知协同缓存
分布式、并行与集群计算
2022-11-16 v1 机器学习
摘要
车联网边缘计算（VEC）可在网络边缘的不同RSU中缓存内容，以支持实时车载应用。在VEC中，由于车辆的高移动性特征，有必要提前缓存用户数据并学习车载用户最流行和感兴趣的内容。由于用户数据通常包含隐私信息，用户不愿与他人共享其数据。为解决此问题，传统联邦学习（FL）需要通过聚合所有用户的本地模型来同步更新全局模型以保护用户隐私。然而，车辆可能在完成本地模型训练之前频繁驶出VEC的覆盖区域，从而本地模型无法按预期上传，这会降低全局模型的准确性。此外，本地RSU的缓存容量有限且流行内容多样，因此预测的流行内容大小通常超出本地RSU的缓存容量。因此，VEC应在不同RSU中缓存预测的流行内容，同时考虑内容传输延迟。本文中，我们考虑车辆的移动性，提出一种基于异步联邦与深度强化学习的VEC协同缓存方案（CAFR）。我们首先考虑车辆的移动性，提出一种异步FL算法以获得准确的全局模型，然后提出一种基于全局模型预测流行内容的算法。此外，我们考虑车辆的移动性，提出一种深度强化学习算法，为预测的流行内容获得最优协同缓存位置，以优化内容传输延迟。大量实验结果表明，CAFR方案优于其他基线缓存方案。
引用
@article{arxiv.2208.01219,
title = {Mobility-Aware Cooperative Caching in Vehicular Edge Computing Based on Asynchronous Federated and Deep Reinforcement Learning},
author = {Qiong Wu and Yu Zhao and Qiang Fan and Pingyi Fan and Jiangzhou Wang and Cui Zhang},
journal= {arXiv preprint arXiv:2208.01219},
year = {2022}
}
备注
This paper has been submitted to IEEE Journal of Selected Topics in Signal Processing