蜂窝连接无人机网络中间歇联邦学习的建模与分析

联邦学习（FL）是一种有前景的分布式学习技术，特别适用于无线学习场景，因为它可以在不传输原始数据的情况下完成学习任务，从而保护数据隐私并降低网络资源消耗。然而，当前关于无线网络上 FL 的工作并未深入研究遭受由于信道损伤和网络干扰导致的通信中断的无线网络上 FL 的基础性能。为准确利用无线网络上 FL 的性能，本文提出了一种基于蜂窝连接无人机（UAV）网络的新型间歇 FL 模型，该模型刻画了从 UAV（客户端）到其服务器的通信中断以及 UAV 上数据集之间的数据异构性。我们提出了一个解析上易处理的框架来推导上行链路中断概率，并用它来设计一种基于仿真的方法，以评估所提出的间歇 FL 模型的性能。我们的发现揭示了间歇 FL 模型如何受上行链路通信中断和 UAV 部署的影响。提供了大量的数值仿真以表明所提出的间歇 FL 模型的仿真性能与分析性能之间的一致性。