论文题名: | 车联网中联邦训练节点选择机制和边缘缓存策略研究 |
关键词: | 车联网;训练节点选择;边缘缓存;联邦学习 |
摘要: | 近年来,随着人工智能和车联网的飞速发展,一些以提高驾驶安全性、旅行舒适性和娱乐性为目的的车载应用应运而生,使得车联网中内容需求爆炸式增长,给现有移动通信网络带来了巨大压力。为了解决上述问题,边缘缓存技术得到广泛关注。边缘缓存技术是将部分流行内容资源缓存在网络边缘节点上(例如宏基站和路侧单元)以提供内容下载服务,大大减少了回程流量,有效缓解了核心网络的压力。然而,由于模型训练参数不能及时上传、边缘节点缓存空间相对有限等问题,需要为边缘节点制定有效的训练节点选择机制和内容缓存策略。因此,本文考虑了链路时长和参数聚合的影响,对车联网场景下的训练节点选择机制和边缘缓存策略进行研究。 首先,本文提出一种基于链路时长预测的联邦训练节点选择机制。该机制利用机器学习中的集成学习回归算法Bagging构建一种车辆与边缘节点间剩余可通信链路时长预测模型。模型通过车辆进入边缘节点覆盖范围内上传的相关指标,预测出边缘节点与车辆剩余可通信时长,并将其与模型训练时长一起综合考虑,决定是否将模型参数传输至车辆以参与训练。仿真结果表明,所提训练节点选择机制在预测模型性能上优于对比算法,在任务成功率方面比三种对比算法分别高3.43%、24.52%和44.78%。 然后,本文提出一种基于多级聚合机制的边缘协作缓存策略。该策略结合深度强化学习制定边缘节点协作缓存模型并部署到边缘节点RSU和车辆上。策略还利用联邦学习的参数聚合特性,分别在边缘节点和全局聚合器处进行边缘聚合和中央聚合,使搭载缓存模型的边缘节点可以更好感知全局内容流行度,优化内容缓存和替换决策,减少内容传输时延和回程流量卸载率,最大化内容命中率。仿真结果表明,与基准策略相比,本文所提策略在模型收敛速度方面比对比策略快50轮,在命中率、传输时延和回程流量卸载率方面均优于对比策略。 |
作者: | 赵雷 |
专业: | 电子与通信工程 |
导师: | 雒江涛 |
授予学位: | 硕士 |
授予学位单位: | 重庆邮电大学 |
学位年度: | 2022 |