[论文解读] 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 18

一句话总结

该论文提出了一种基于联邦学习（FL）的支持向量机（SVM）框架，用于高空飞艇（HAB）增强的移动边缘计算（MEC）网络中的动态用户关联、任务划分和资源分配。通过使HAB能够协作训练SVM模型而无需共享原始用户数据，该方法可主动预测最优用户关联，与集中式方法相比，能量与延迟的加权和最多降低16.1%。

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.

研究动机与目标

• 解决任务大小变化的移动边缘计算（MEC）增强型高空飞艇（HAB）网络中的动态任务卸载与资源分配问题。
• 最小化所有用户在任务计算与传输过程中能量与时间消耗的加权和。
• 使HAB能够基于不共享敏感用户数据或历史关联信息的前提下，做出主动的用户关联决策。
• 设计一种分布式、隐私保护的优化框架，避免集中式数据收集，并降低计算开销。

提出的方法

• 提出一种基于支持向量机（SVM）的联邦学习（FL）算法，使HAB能够协作训练全局用户关联模型，而无需交换原始用户数据。
• 每个HAB使用其自身的用户关联历史训练本地SVM模型，并通过FL聚合模型参数，构建用于主动用户关联预测的全局模型。
• 将用户关联预测结果用作输入，以优化每个HAB的服务序列与任务划分方案。
• 将优化问题建模为混合整数非线性规划（MINLP），并采用序列凸逼近方法高效求解。
• 通过防止用户任务数据或历史关联信息在HAB之间传输，确保隐私保护。
• 基于李雅普诺夫方法，对收敛性与次优性边界进行理论分析，证明了该算法的全局收敛性。

实验结果

研究问题

• RQ1 联邦学习能否有效用于使HAB在不共享敏感用户数据或历史关联信息的前提下，预测最优用户关联？
• RQ2 如何联合优化动态用户关联、服务排序与任务划分，以最小化任务大小时变的HAB-MEC网络中的能量与延迟？
• RQ3 与传统的集中式优化方法相比，去中心化、隐私保护的FL-based方法在性能上能获得多大提升？
• RQ4 所提出方法如何在确保收敛性与最优性的同时，保持低通信与计算开销？

主要发现

• 所提出的基于FL的SVM方法与传统集中式优化方法相比，可将所有用户的能量与时间消耗加权和最多降低16.1%。
• 理论分析证明，该算法的次优性间隙随迭代次数呈指数下降，且实现收敛。
• 联邦学习框架通过确保HAB之间不共享原始任务数据或历史关联信息，有效保护了用户隐私。
• 与传统迭代优化方法（如拉格朗日对偶分解）相比，该方法显著降低了通信与计算开销。
• 基于上海交通大学提供的真实世界蜂窝网络流量数据进行的仿真表明，该方法在各种网络条件下均表现出一致的性能增益。
• 所提出方法实现了主动的用户关联决策，减少了在线优化与数据收集相关的延迟。