基于C-V2X模式4的联邦边缘学习系统中的车辆选择

联邦学习（FL）是车联网（IoV）中保护车辆隐私的一项有前景的技术。计算能力有限的车辆可能面临与FL相关的大量计算负担。联邦边缘学习（FEEL）系统被引入以解决这一问题。在FEEL系统中，车辆采用蜂窝车联网（C-V2X）模式4将加密数据上传至路侧单元（RSU）的缓存队列。然后RSU训练车辆传输的数据，更新本地模型超参数并将结果发回车辆，从而减轻车辆的计算负担。然而，每个RSU的缓存队列容量有限。为了维持缓存队列的稳定性并最大化模型精度，选择合适的车辆上传数据至关重要。由于随机信道导致数据从缓存队列中随机离开，以及车辆的不同系统状态（如剩余数据量、传输延迟、数据包碰撞概率和生存能力），FEEL系统的车辆选择方法面临挑战。本文提出了一种面向FEEL系统的车辆选择方法，旨在在保持缓存队列稳定的同时最大化模型精度。大量仿真实验表明，我们提出的方法优于其他基线选择方法。