[论文解读] Joint Auction-Coalition Formation Framework for Communication-Efficient Federated Learning in UAV-Enabled Internet of Vehicles

Jer Shyuan Ng, Wei Yang Bryan Lim+7 more|arXiv (Cornell University)|Jul 13, 2020

Privacy-Preserving Technologies in Data被引用 6

一句话总结

本文提出了一种联合拍卖-联盟形成框架，以实现无人机（UAV）在无人机增强型车联网（IoV）网络中高效支持通信受限的联邦学习（FL）。通过将拍卖机制与合并-分裂联盟形成算法相结合，该框架优化了无人机对IoV小区的分配，最大化单个无人机的利润，同时确保稳定且通信高效的联邦学习训练——仿真结果表明，当合作成本超过阈值时，全体联盟（grand coalition）变得不稳定。

ABSTRACT

Due to the advanced capabilities of the Internet of Vehicles (IoV) components such as vehicles, Roadside Units (RSUs) and smart devices as well as the increasing amount of data generated, Federated Learning (FL) becomes a promising tool given that it enables privacy-preserving machine learning that can be implemented in the IoV. However, the performance of the FL suffers from the failure of communication links and missing nodes, especially when continuous exchanges of model parameters are required. Therefore, we propose the use of Unmanned Aerial Vehicles (UAVs) as wireless relays to facilitate the communications between the IoV components and the FL server and thus improving the accuracy of the FL. However, a single UAV may not have sufficient resources to provide services for all iterations of the FL process. In this paper, we present a joint auction-coalition formation framework to solve the allocation of UAV coalitions to groups of IoV components. Specifically, the coalition formation game is formulated to maximize the sum of individual profits of the UAVs. The joint auction-coalition formation algorithm is proposed to achieve a stable partition of UAV coalitions in which an auction scheme is applied to solve the allocation of UAV coalitions. The auction scheme is designed to take into account the preferences of IoV components over heterogeneous UAVs. The simulation results show that the grand coalition, where all UAVs join a single coalition, is not always stable due to the profit-maximizing behavior of the UAVs. In addition, we show that as the cooperation cost of the UAVs increases, the UAVs prefer to support the IoV components independently and not to form any coalition.

研究动机与目标

• 解决资源受限的IoV环境中联邦学习（FL）存在的通信低效与节点掉线问题。
• 通过利用无人机作为无线中继，提升IoV组件与联邦学习服务器之间可靠模型参数交换能力，从而改善FL性能。
• 设计一种稳定且利润最大化的无人机联盟形成机制，以兼顾异构无人机能力与IoV组件的偏好。
• 通过动态无人机资源分配，确保大规模移动式IoV网络中的通信效率与可扩展性。

提出的方法

• 设计了一种基于拍卖的分配方案，其中每个IoV小区根据其重要性及与无人机的距离，向无人机联盟提交出价。
• 采用合并-分裂算法确定最优联盟结构，以最大化无人机的总利润。
• 将联盟形成博弈建模为无人机战略行为的数学模型，以利润最大化为目标函数。
• 在利润计算中整合无人机合作成本、能耗及模型训练迭代次数，以反映现实约束条件。
• 联合拍卖-联盟机制确保无人机被稳定划分为联盟，以实现集体收益最大化，同时尊重个体理性。
• 系统可动态适应FL迭代次数与合作成本的变化，实现实时无人机分配决策。

实验结果

研究问题

• RQ1 在何种条件下会形成所有无人机的全体联盟？当无人机因利润最大化行为而使联盟变得不稳定时，其临界条件是什么？
• RQ2 无人机之间的合作成本如何影响联盟的形成与整体系统盈利能力？
• RQ3 联邦学习训练迭代次数对无人机联盟规模与总利润的影响如何？
• RQ4 与随机或启发式分配方案相比，所提出的联合拍卖-联盟框架在利润与稳定性方面表现如何？

主要发现

• 全体联盟并非始终稳定；当合作成本超过4时，无人机更倾向于独立运行而非组建联盟。
• 当合作成本 ≥4 时，单个无人机的总利润（95.7）高于任何联盟中的利润，表明联盟形成已不再具有盈利能力。
• 随着联邦学习迭代次数的增加，无人机获得的总利润下降，原因是能耗成本上升，当迭代次数超过80次后，利润显著下降。
• 在中等迭代次数（如50次）下，规模为3的联盟在盈利能力上表现最优，但规模更大的联盟（如4个或以上）因成本超过收益而未被形成。
• 在所有仿真轮次中，联合拍卖-联盟框架的表现均优于合并-分裂算法结合随机分配，以及随机划分结合第二价格拍卖的方案，持续实现最高利润。
• 当迭代次数达到100次时，无无人机形成联盟，也未支持任何IoV小区，因为参与成本超过潜在收益。