[論文レビュー] Federated Learning for Task and Resource Allocation in Wireless High Altitude Balloon Networks

Sihua Wang, Mingzhe Chen+5 more|arXiv (Cornell University)|Mar 19, 2020

UAV Applications and Optimization参考文献 35被引用数 18

ひとこと要約

本稿では、高高度気球（HAB）を活用したモバイルエッジコンピューティング（MEC）ネットワークにおける動的ユーザー接続、タスク分割、リソース割り当てを目的とした、フェデレーテッドラーニング（FL）ベースのサポートベクターマシン（SVM）フレームワークを提案する。HABが生のユーザーデータを共有せずに協調的にSVMモデルを学習できるようにすることで、最適なユーザー接続を事前に予測し、中央集権的な手法と比較してエネルギーと遅延の加重和を最大16.1%まで低減する。

ABSTRACT

In this paper, the problem of minimizing energy and time consumption for task computation and transmission is studied in a mobile edge computing (MEC)-enabled balloon network. In the considered network, each user needs to process a computational task in each time instant, where high-altitude balloons (HABs), acting as flying wireless base stations, can use their powerful computational abilities to process the tasks offloaded from their associated users. Since the data size of each user's computational task varies over time, the HABs must dynamically adjust the user association, service sequence, and task partition scheme to meet the users' needs. This problem is posed as an optimization problem whose goal is to minimize the energy and time consumption for task computing and transmission by adjusting the user association, service sequence, and task allocation scheme. To solve this problem, a support vector machine (SVM)-based federated learning (FL) algorithm is proposed to determine the user association proactively. The proposed SVM-based FL method enables each HAB to cooperatively build an SVM model that can determine all user associations without any transmissions of either user historical associations or computational tasks to other HABs. Given the prediction of the optimal user association, the service sequence and task allocation of each user can be optimized so as to minimize the weighted sum of the energy and time consumption. Simulations with real data of city cellular traffic from the OMNILab at Shanghai Jiao Tong University show that the proposed algorithm can reduce the weighted sum of the energy and time consumption of all users by up to 16.1% compared to a conventional centralized method.

研究の動機と目的

• 変動するタスクサイズを伴うモバイルエッジコンピューティング（MEC）を支援する高高度気球（HAB）ネットワークにおける動的タスクオフロードとリソース割り当てを解決すること。
• すべてのユーザーにおけるタスク計算および送信のエネルギー消費と時間消費の加重和を最小化すること。
• HABが機密なユーザーデータや歴史的接続履歴を共有せずに、事前的なユーザー接続意思決定を下せるようにすること。
• 中央集権的なデータ収集を回避し、計算負荷を低減する分散型でプライバシーを守る最適化フレームワークを設計すること。

提案手法

• 生のユーザーデータを交換せずに、HABが共同でグローバルなユーザー接続モデルを学習できるように、SVMベースのフェデレーテッドラーニング（FL）アルゴリズムを提案する。
• 各HABは自身のユーザー接続履歴を用いて局所的なSVMモデルを訓練し、FLによってモデルパラメータを集約することで、事前的なユーザー接続予測用のグローバルモデルを構築する。
• ユーザー接続予測結果を、各HABのサービス順序とタスク分割方式を最適化する入力として用いる。
• 最適化問題は混合整数非線形計画問題（MINLP）として定式化され、効率的に解くために逐次凸近似法が適用される。
• ユーザーのタスクデータや歴史的接続履歴が他のHABに送信されないことで、プライバシーが保証される。
• ラプラシアンに基づくアプローチを用いて理論的に収束性およびサブ最適性のバウンドを分析し、アルゴリズムのグローバル収束を証明する。

実験結果

リサーチクエスチョン

• RQ1 フェデレーテッドラーニングを用いて、機密なユーザーデータや歴史的接続履歴を共有せずにHABが最適なユーザー接続を効果的に予測できるか。
• RQ2 時間的に変化するタスクサイズを伴うHAB-MECネットワークにおいて、動的ユーザー接続、サービス順序、タスク分割を一体的に最適化することで、エネルギーと遅延を最小化できるか。
• RQ3 従来の中央集権的最適化手法と比較して、分散型でプライバシーを守るFLベースの手法がもたらす性能向上はどの程度か。
• RQ4 収束性と最適性を保証しながら、通信および計算負荷を低く抑える仕組みはどのように実現されるか。

主な発見

• 提案されたFLベースのSVM手法は、従来の中央集権的最適化手法と比較して、すべてのユーザーにおけるエネルギーと時間消費の加重和を最大16.1%まで低減する。
• 理論的分析により、反復回数が増えるにつれてサブ最適性ギャップが指数関数的に減少する収束性が保証される。
• フェデレーテッドラーニングフレームワークにより、HAB間で生のタスクデータや歴史的接続履歴が共有されないことで、ユーザーのプライバシーが保護される。
• 従来の反復的最適化手法（例：ラグランジュ双対分解）と比較して、通信および計算負荷が顕著に低減される。
• 上海交通大学が提供する実際のセルラー通信トラフィックデータを用いたシミュレーションにより、さまざまなネットワーク環境下でも一貫した性能向上が確認された。
• 提案手法により、オンライン最適化やデータ収集に伴う遅延を低減する、事前のユーザー接続意思決定が可能になる。