9、车联网中基于集群的半异步联邦学习框架

车联网中基于集群的半异步联邦学习框架

1 系统模型与问题提出

1.1 车辆集群联邦学习网络

考虑一个由车辆用户（VUs）和边缘服务器（ES）组成的车辆集群联邦学习网络系统。假设在车联网系统中随机分布着 $N$ 个 VUs，构成集合 $V = {1, …, n, ...., N}$。使用 STW - DBSCAN 算法将这些 VUs 聚类成 $M$ 个车辆集群，形成车辆集群集合 $C = {c_1, …, c_m, ...., c_M}$。假设联邦学习（FL）模型在经过 $K$ 轮全局聚合后收敛，其中 $k \in {1, 2, …, K}$。

在车辆集群联邦学习网络系统中，由于同一车辆集群内的 VUs 位置相近，它们收集的信息和训练的模型也高度相似。因此，可以假设车辆集群内 VUs 的数据相同，并将其划分为共享数据块（SDBs）。在训练过程中，车辆集群内的 VUs 只需使用自己的历史经验数据块（DBs）来训练自己的模型，无需传输本地数据，其中 DBs 根据每个车辆集群内 VUs 的计算能力进行划分。主车辆集群头（MCH）负责上传、下载和发送模型权重参数。如果 MCH 离线，副车辆集群头（VCH）将被激活以替代它。相关符号及其含义如下表所示：
| 符号 | 含义 |
| ---- | ---- |
| $V$ | 车辆用户集合 |
| $C$ | 车辆集群集合 |
| $K$ | 全局模型在经过 $K$ 轮全局聚合后收敛 |
| $C_k$ | 第 $k$ 轮全局更新中参与的车辆用户 |
| $q$ | 每轮全局聚合中参与的车辆集群数量 |
| $T_{v,n}^{soj}$ | 车辆用户 $n$