基于无线能量传输的异构网络分层联邦学习最优资源管理
网络与互联网体系结构
2023-05-04 v1 信号处理
摘要
远程监控系统在不同智能工业应用中分析环境动态，如职业健康与安全以及环境监测。具体而言，在工业物联网（IoT）系统中，海量设备数与预期性能对计算、网络和设备能耗等资源造成压力。面向智能工业物联网应用的机器学习与深度学习（ML/DL）模型分布式训练，对异构无线网络（HetNet）上资源受限设备而言极具挑战。分层联邦学习（HFL）在多层级执行训练，将任务卸载至邻近多接入边缘计算（MEC）单元。本文提出一种由无线能量传输（WET）赋能、面向具有大规模多输入多输出（MIMO）无线回程的异构网络新型节能HFL框架。我们的节能方法被建模为混合整数非线性规划（MINLP）问题，优化HFL设备关联并管理无线传输能量。但因其高复杂度，我们设计了启发式资源管理算法H2RMA，在呈现低计算复杂度的同时满足能量、信道质量和精度约束。我们还通过高效设备调度方案改善网络能耗。最后，我们研究设备移动性及其对HFL性能的影响。大量实验证实了所提资源管理方法在HetNet上HFL的训练损失与电网能耗成本方面的高性能。
引用
@article{arxiv.2305.01953,
title = {Optimal Resource Management for Hierarchical Federated Learning over HetNets with Wireless Energy Transfer},
author = {Rami Hamdi and Ahmed Ben Said and Emna Baccour and Aiman Erbad and Amr Mohamed and Mounir Hamdi and Mohsen Guizani},
journal= {arXiv preprint arXiv:2305.01953},
year = {2023}
}