面向数字孪生赋能物联网网络的资源高效异步联邦学习

作为一种新兴技术，数字孪生（DT）可以为物联网设备提供实时状态和动态拓扑映射。然而，DT 及其在工业物联网网络中的实现需要大量分布式数据支持，这往往导致“数据孤岛”并引发隐私问题。为了解决这些问题，我们开发了一种专为基于异步联邦学习（FL）的轻量级 DT 赋能物联网网络定制的动态资源调度算法。具体而言，我们的方法旨在通过优化物联网设备选择和发射功率控制，在满足 FL 模型性能约束的条件下，最小化包含能耗和延迟的多目标函数。我们利用 Lyapunov 方法将所构建的问题解耦为一系列单时隙优化问题，并开发了一种两阶段优化算法以实现最优的发射功率控制和物联网设备调度策略。在第一阶段，我们推导了物联网设备端最优发射功率的闭式解。在第二阶段，由于部分状态信息未知（例如物联网设备的发射功率和计算频率），边缘服务器采用多臂老虎机（MAB）框架对物联网设备选择问题进行建模，并利用一种高效的在线算法，即基于客户端效用的置信上界（CU-UCB）来解决该问题。数值结果验证了我们的算法相对于基准方案的优越性，仿真表明我们的算法在相同的训练持续时间内，在 Fashion-MNIST 和 CIFAR-10 数据集上实现了更快的训练速度。