2024年 第33卷 第2期
《工程（英文）》 >> 2024年 第33卷 第2期 doi: 10.1016/j.eng.2023.04.015
基于低成本联邦宽度学习的智能超表面辅助车联网中隐私保护知识共享
a Qinhuangdao Branch Campus, Northeastern University, Qinhuangdao 066004, China
b State Key Laboratory of Integrated Services Networks, with the Research Institute of Smart Transportation, Xidian University, Xi’an 710071, China
c Department of Electrical and Computer Engineering, University of Windsor, Windsor, ON N9B 3P4, Canada
d Department of Computer Science, Memorial University of Newfoundland, St. John’s, NL A1B 3X5, Canada
e SUSTech Institute of Future Networks, Southern University of Science and Technology, Shenzhen 518055, China
f Department of Electrical and Computer Engineering, University of Waterloo, Waterloo, ON N2L 3G1, Canada
下一篇 上一篇
摘要
从车联网中挖掘知识，利用高效率低成本的知识共享可以提高自动驾驶汽车的决策能力。然而，在高速移动的环境中，如何确保本地数据学习模型高效率的同时防止隐私泄露是一项挑战。为了在知识共享中保护数据隐私并提高数据学习效率，提出了一种异步联邦宽度学习（FBL）框架，该框架将宽度学习（BL）集成到联邦学习（FL）中。在FBL中，设计了一个宽度全连接模型（BFCM）作为训练客户端数据的本地模型。为了提高知识共享的无线信道质量并降低参与客户端的通信和计算成本，构建了一个针对FBL的联合资源分配和智能超表面（RIS）配置的优化框架。该问题被解耦为两个凸子问题。为了提高FBL的资源调度效率，利用双重Davidon–Fletcher–Powell（DDFP）优化算法来解决时隙分配和RIS配置问题。在资源调度结果的基础上，在FBL中设计了一种基于联邦激励学习的奖励分配算法，对客户端的成本进行补偿。仿真结果表明，所提出的FBL框架在IoV中知识共享的效率、准确性和成本方面相较对比模型能取得更好的性能。
京公网安备 11010502051620号
