[논문 리뷰] Federated Learning for Task and Resource Allocation in Wireless High Altitude Balloon Networks

Sihua Wang, Mingzhe Chen외 5명|arXiv (Cornell University)|2020. 03. 19.

UAV Applications and Optimization참고 문헌 35인용 수 18

한 줄 요약

이 논문은 고고도 방기열(HAB) 기반 모바일 에지 컴퓨팅(MEC) 네트워크에서 동적 사용자 연동, 작업 분할 및 자원 할당을 위한 연합학습(FL)-기반 서포트 벡터 머신(SVM) 프레임워크를 제안한다. HAB들이 원시 사용자 데이터를 공유하지 않고도 상호 협력적으로 SVM 모델을 훈련함으로써, 중앙집중식 방법 대비 최대 16.1%까지 에너지 소비와 지연 시간의 가중합을 감소시키는 프로액티브 예측을 가능하게 한다.

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.

연구 동기 및 목표

• 다양한 작업 크기를 가진 모바일 에지 컴퓨팅(MEC) 기반 고고도 방기열(HAB) 네트워크에서 동적 작업 오프로딩 및 자원 할당 문제를 해결하기 위해.
• 모든 사용자에 대해 작업 계산 및 전송에 소비되는 에너지와 시간 소비의 가중합을 최소화하기 위해.
• 민감한 사용자 데이터나 이력 연동 정보를 공유하지 않고도 HAB들이 프로액티브 사용자 연동 결정을 내릴 수 있도록 하기 위해.
• 중앙집중식 데이터 수집을 피하고 계산 오버헤드를 줄이는 분산형, 프라이버시 보장 최적화 프레임워크를 설계하기 위해.

제안 방법

• 원시 사용자 데이터를 교환하지 않고도 HAB들이 공동으로 글로벌 사용자 연동 모델을 훈련시킬 수 있도록 서포트 벡터 머신(SVM) 기반 연합학습(FL) 알고리즘을 제안한다.
• 각 HAB는 자체 사용자 연동 이력 데이터를 사용해 국지적 SVM 모델을 훈련하고, FL을 통해 모델 파라미터를 집계하여 프로액티브 사용자 연동 예측을 위한 글로벌 모델을 구축한다.
• 사용자 연동 예측 결과를 바탕으로 각 HAB의 서비스 순서 및 작업 분할 방식을 최적화한다.
• 최적화 문제는 혼합정수비선형계획문제(MINLP)로 수식화하고, 순차적 볼록 근사 방법을 적용하여 효율적으로 해결한다.
• 사용자 작업 데이터나 이력 연동 정보가 다른 HAB로 전송되지 않도록 하여 프라이버시를 보장한다.
• 리아푸노프 기반 접근을 사용해 수렴성 및 부분최적성 한계를 이론적으로 분석하였으며, 알고리즘의 전역 수렴성을 입증한다.

실험 결과

연구 질문

• RQ1 연합학습을 활용해 HAB들이 민감한 사용자 데이터나 이력 연동 정보를 공유하지 않고 최적의 사용자 연동을 예측할 수 있는가?
• RQ2 시간에 따라 변하는 작업 크기를 고려할 때, 동적 사용자 연동, 서비스 순서 정렬 및 작업 분할을 통합 최적화하여 HAB-MEC 네트워크에서 에너지 소비와 지연 시간을 최소화할 수 있는가?
• RQ3 伝통적인 중앙집중식 최적화 방법에 비해 분산형, 프라이버시 보장 기반 FL 기반 접근의 성능 향상은 어느 정도인가?
• RQ4 수렴성과 최적성 보장을 확보하면서도 통신 및 계산 오버헤드를 낮게 유지할 수 있는가?

주요 결과

• 제안된 FL 기반 SVM 방법은 기존의 중앙집중식 최적화 방법 대비 모든 사용자에 대한 에너지 소비와 시간 소비의 가중합을 최대 16.1% 감소시킨다.
• 이론적 분석에 따르면 알고리즘이 반복 횟수에 따라 지수적으로 감소하는 부분최적성 갭을 가짐을 입증하였다.
• 연합학습 프레임워크는 원시 작업 데이터나 이력 연동 정보가 HAB 간에 공유되지 않도록 하여 사용자 프라이버시를 보장한다.
• 기존의 반복 최적화 방법(예: 라그랑주 이중 분해)에 비해 통신 및 계산 오버헤드를 크게 감소시켰다.
• 상하이 교통대학교에서 확보한 실세계 이동통신 트래픽 데이터를 활용한 시뮬레이션을 통해 다양한 네트워크 조건에서도 일관된 성능 향상을 입증하였다.
• 제안된 방법은 프로액티브 사용자 연동 결정을 가능하게 하여 온라인 최적화 및 데이터 수집에 따른 지연을 감소시킨다.