面向高移动性联网车辆的资源受限车载边缘联邦学习
系统与控制
2023-04-25 v4 机器学习
网络与互联网体系结构
系统与控制
摘要
本文提出了一种车载边缘联邦学习（VEFL）方案，其中边缘服务器利用高移动性联网车辆（CV）的车载中央处理单元（CPU）和本地数据集来训练全局模型。收敛性分析表明，VEFL 训练损失取决于 CV 训练模型在间歇式车辆到基础设施（V2I）无线链路上的成功接收情况。由于高移动性，在全设备参与情形（FDPC）下，边缘服务器根据 CV 的数据集大小和停留时长进行加权组合来聚合客户端模型参数，而在部分设备参与情形（PDPC）下则选择 CV 的子集。接着，我们在时延、能耗和成本约束下构建联合 VEFL 与无线接入技术（RAT）参数优化问题，以最大化本地训练模型的成功接收概率。考虑到该优化问题为 NP-hard，我们将其分解为：在估计的最坏情况停留时长、时延和能耗开销下求解的 VEFL 参数优化子问题，以及在线 RAT 参数优化子问题。最后，在现实微观移动性模型下，使用实用的 5G 新空口（5G-NR）RAT 进行了大量仿真以验证所提方案的有效性。
引用
@article{arxiv.2210.15496,
title = {Resource Constrained Vehicular Edge Federated Learning with Highly Mobile Connected Vehicles},
author = {Md Ferdous Pervej and Richeng Jin and Huaiyu Dai},
journal= {arXiv preprint arXiv:2210.15496},
year = {2023}
}
备注
Accepted for publication in the IEEE Journal on Selected Areas in Communications (JSAC)