[论文解读] Federated Learning in the Sky: Joint Power Allocation and Scheduling with UAV Swarms

Tengchan Zeng, Omid Semiari+4 more|arXiv (Cornell University)|Feb 19, 2020

UAV Applications and Optimization参考文献 16被引用 15

一句话总结

本文提出了一种用于无人机蜂群的联合功率分配与调度框架，通过考虑瑞利衰落、时延和阵列对准偏差等无线信道畸变，以优化联邦学习（FL）的收敛性。通过分析在这些约束下的联邦学习收敛性，并采用随机规划与对偶分解方法，该方案相比基线方法将通信轮数减少了高达35%，从而在动态空域环境中提升了能效与实时性能。

ABSTRACT

Unmanned aerial vehicle (UAV) swarms must exploit machine learning (ML) in order to execute various tasks ranging from coordinated trajectory planning to cooperative target recognition. However, due to the lack of continuous connections between the UAV swarm and ground base stations (BSs), using centralized ML will be challenging, particularly when dealing with a large volume of data. In this paper, a novel framework is proposed to implement distributed federated learning (FL) algorithms within a UAV swarm that consists of a leading UAV and several following UAVs. Each following UAV trains a local FL model based on its collected data and then sends this trained local model to the leading UAV who will aggregate the received models, generate a global FL model, and transmit it to followers over the intra-swarm network. To identify how wireless factors, like fading, transmission delay, and UAV antenna angle deviations resulting from wind and mechanical vibrations, impact the performance of FL, a rigorous convergence analysis for FL is performed. Then, a joint power allocation and scheduling design is proposed to optimize the convergence rate of FL while taking into account the energy consumption during convergence and the delay requirement imposed by the swarm's control system. Simulation results validate the effectiveness of the FL convergence analysis and show that the joint design strategy can reduce the number of communication rounds needed for convergence by as much as 35% compared with the baseline design.

研究动机与目标

• 解决在地面持续连接不可靠且无线信道条件不稳定的背景下，将联邦学习（FL）部署于无人机蜂群所面临的挑战。
• 分析无线因素（如瑞利衰落、传输时延以及由风力和振动引起的天线角度偏差）对无人机网络中联邦学习收敛性的影响。
• 联合优化功率分配与用户调度，以最小化联邦学习收敛所需的通信轮数，同时满足无人机的能量与时延约束。
• 设计一种随机优化框架，以考虑信道不确定性，并确保在高移动性无人机蜂群中实现稳定且能效高效的联邦学习收敛。

提出的方法

• 提出一种分层联邦学习框架，由领航无人机通过蜂群内无线网络聚合从跟随无人机获取的本地模型。
• 对在无线畸变条件下的联邦学习收敛性进行严格分析，推导出每轮联邦学习中期望损失减少的上界。
• 采用强期望线性收敛条件建模收敛速率，其依赖于信道中断概率与误差项。
• 通过样本平均近似（SAA）与对偶分解方法，构建联合优化问题以最小化通信轮数，同时满足能量与时延约束。
• 推导出收敛轮数关于传输可靠性、信道条件与系统参数的闭式表达式。
• 通过两步法求解非凸优化问题：首先利用SAA实现随机逼近，再通过对偶分解实现高效计算。

实验结果

研究问题

• RQ1 无线信道畸变（如瑞利衰落、时延与阵列对准偏差）如何影响无人机蜂群中联邦学习的收敛性？
• RQ2 在现实的无人机网络条件下，联邦学习收敛所需的最少通信轮数是多少？
• RQ3 如何联合优化功率分配与用户调度，以在满足能量与时延约束的前提下最小化联邦学习收敛轮数？
• RQ4 信道中断概率对无人机蜂群中联邦学习收敛速率有何影响？
• RQ5 随机优化框架能否有效平衡动态无人机网络中的收敛速度、能效与实时性能？

主要发现

• 所提出的联合功率分配与调度设计相比基线方案，将联邦学习收敛所需的通信轮数减少了高达35%。
• 收敛性分析准确捕捉了无线信道不确定性（包括瑞利衰落与阵列对准偏差）对联邦学习性能的影响。
• 推导出的收敛轮数表达式明确依赖于成功传输的概率，而该概率受传输时延与波束对准偏差的影响。
• 采用样本平均近似与对偶分解方法，实现了在不确定性条件下对非凸优化问题的高效且可扩展的求解。
• 该框架即使在高移动性与间歇性连接条件下，也能确保联邦学习的稳定与能效高效运行。
• 仿真结果验证了理论收敛边界，并显著展示了收敛速度与能效方面的提升。