基于双层联邦学习的高动态车联网业务边缘协作计算机制OA北大核心CSTPCD

联邦学习作为一种新兴的分布式机器学习架构,允许车联网中多个车辆终端进行本地模型训练,并在兼顾数据隐私保护的条件下实现模型的全局聚合,从而提供可靠的车联网服务.然而,在联邦学习训练过程中,车辆终端往往因其高移动性在不同区域间切换训练,导致全局模型精度低.此外,恶意终端频繁上传无效或错误模型数据将导致车联网服务可靠性差.因此,本文提出了一种基于双层联邦学习的高动态车联网业务边缘协作计算机制.首先,综合考虑车辆终端的移动性、计算能力和可靠性,构建了终端服务能力模型,并提出了基于深度强化学习的边缘协作计算域构建算法,通过将多个边缘节点覆盖下的车辆终端进行聚簇训练,降低了终端本地模型的切换概率,从而保证联邦学习模型训练的持续性.进而,构建了包含边缘协作计算域内聚合层和域间聚合层的双层联邦学习框架,分别采用基于自适应聚合因子的本地模型半异步聚合机制和基于数据量的区域模型异步聚合机制,提升了联邦学习系统的聚合效率.特别地,考虑终端高速移动引起的跨域问题,引入了本地模型部分条件更新机制,避免了高质量模型被低质量模型覆盖的情况,进一步提高了全局模型准确率和系统资源利用率.仿真结果表明,本文所提机制在模型精度和服务可靠性等方面均优于本地计算、同步联邦学习和异步联邦学习算法.