面向5G RAN的终端侧智能：基于知识迁移与联邦学习的以用户设备为中心的业务导引
网络与互联网体系结构
2023-11-30 v2 系统与控制
系统与控制
摘要
业务导引（TS）是一种通过将网络流量负载分配到合适基站（BS）来支持多样化业务需求并提升传输可靠性的有效方法。在传统的以小区为中心的导引策略中，基站以集中式方式为所有用户设备（UE）制定导引决策，更关注整个小区的整体性能，而忽视单个UE的具体需求。蓬勃发展的机器学习技术与演进的以UE为中心的5G网络架构催生了新型导引技术。本文提出一种面向高动态5G无线接入网（RAN）的、由知识迁移与联邦学习赋能的以UE为中心（KT-FLUC）导引框架。具体而言，首先，我们提出一种注意力加权分组联邦学习方案，使智能UE能利用本地模型与观测自主制定导引决策，并定义全局模型以协调本地导引决策及在UE间共享经验。其次，考虑到单个UE有限的计算与能源资源，引入一种基于增长与剪枝的模型压缩方法，减轻UE计算负担并降低联邦学习的通信开销。此外，我们提出一种基于Q值的知识迁移方法为新加入的UE初始化，实现其训练效率的跃迁式启动。最后，仿真表明，所提KT-FLUC算法可有效改善业务质量，相较于基于小区的导引及其他以UE为中心的导引策略，分别实现低65%与38%的时延以及高52%与57%的吞吐量。
引用
@article{arxiv.2304.11282,
title = {On-Device Intelligence for 5G RAN: Knowledge Transfer and Federated Learning enabled UE-Centric Traffic Steering},
author = {Han Zhang and Hao Zhou and Medhat Elsayed and Majid Bavand and Raimundas Gaigalas and Yigit Ozcan and Melike Erol-Kantarci},
journal= {arXiv preprint arXiv:2304.11282},
year = {2023}
}
备注
This paper has been accepted by IEEE Transactions on Cognitive Communications and Networking