面向蜂窝网络的能量感知联邦流量预测
机器学习
2023-09-20 v1 人工智能
分布式、并行与集群计算
网络与互联网体系结构
摘要
蜂窝流量预测是第五代（5G）及更先进网络中优化网络的关键活动，因为准确预测对于智能网络设计、资源分配和异常缓解至关重要。尽管机器学习（ML）是有效预测网络流量的有前景方法，但海量数据集中于单一数据中心引发了保密性、隐私与数据传输需求方面的问题。为应对这些挑战，联邦学习（FL）作为一种有吸引力的 ML 训练框架出现，它通过并行分布式计算提供高准确预测。然而，这些方法的环境影响常被忽视，这对其可持续性提出质疑。本文中，我们通过提出一种新颖的可持续性指标来解决 FL 中准确性与能耗之间的权衡，该指标可评估 ML 模型的可行性。然后，我们利用来自西班牙巴塞罗那地区基站（BS）站点的真实测量数据，在联邦场景下全面评估最先进的深度学习（DL）架构。我们的发现表明，较大的 ML 模型性能仅边际改善，但在碳足迹方面具有显著环境影响，这使得它们不适用于实际应用。
引用
@article{arxiv.2309.10645,
title = {Towards Energy-Aware Federated Traffic Prediction for Cellular Networks},
author = {Vasileios Perifanis and Nikolaos Pavlidis and Selim F. Yilmaz and Francesc Wilhelmi and Elia Guerra and Marco Miozzo and Pavlos S. Efraimidis and Paolo Dini and Remous-Aris Koutsiamanis},
journal= {arXiv preprint arXiv:2309.10645},
year = {2023}
}
备注
International Symposium on Federated Learning Technologies and Applications (FLTA), 2023