基于斯塔克尔博格游戏的数字孪生辅助联邦学习在NOMA网络中的性能优化
机器学习
2025-01-06 v1 密码学与安全
计算机科学与博弈论
网络与互联网体系结构
摘要
尽管联邦学习（FL）在保留数据隐私方面具有优势，但由于分布式客户端的计算资源有限以及不可靠的无线通信环境，仍面临迟滞问题。通过有效模拟分布式资源，数字孪生（DT）显示在缓解此问题方面具有巨大潜力。本文将DT融入NOMA网络中的FL框架，以辅助FL训练过程，同时考虑来自客户端的恶意攻击对模型更新的威胁。提出一种基于声誉的客户端选择方案，综合考虑客户端在多个方面的异构性，有效缓解FL系统中的投毒攻击风险。为最小化所提出系统的总时延和能耗，我们考虑客户端和服务器分别作为领袖和跟随者，构建一个斯塔克尔博格游戏。具体而言，领袖旨在最小化能耗，而跟随者的目标是在FL训练期间最小化总时延。通过问题分解求解，达成斯塔克尔博格均衡以获得最优解。仿真结果验证了所提出方案的优异性能。
引用
@article{arxiv.2501.01584,
title = {Stackelberg Game Based Performance Optimization in Digital Twin Assisted Federated Learning over NOMA Networks},
author = {Bibo Wu and Fang Fang and Xianbin Wang},
journal= {arXiv preprint arXiv:2501.01584},
year = {2025}
}