10、无人机辅助通信高效联邦学习的联合拍卖 - 联盟形成框架

无人机辅助通信高效联邦学习的联合拍卖 - 联盟形成框架

1. 引言

到2023年，物联网市场规模预计将达到1.1万亿美元。随着越来越多的车辆接入物联网，车辆之间不仅可以为驾驶员提供信息并将传感器数据上传到互联网供其他用户访问，还能相互连接形成网络，以交换传感器数据，优化特定的效用函数。这种物联网与车载网络的深度融合，促使传统车载自组织网络（VANETs）向车联网（IoV）演变。

车联网网络中会产生大量动态数据，因此人们借助人工智能技术构建数据驱动模型。具体而言，许多机器学习算法被用于处理和分析数据，以实现智能交通预测和提供智能路线推荐。传统机器学习方法在构建数据驱动模型时，需要将数据传输到中央数据服务器进行训练。然而，随着接入车联网的组件数量增加，数据量呈指数级增长，中央数据服务器缺乏足够的存储和计算资源来处理如此大量的数据，这限制了训练模型的性能。此外，在通信信道上传输原始数据不仅会产生高额通信成本，还存在数据隐私风险，因为数据在传输过程中可能被窃听。

为应对这些挑战，联邦学习（FL）受到了研究界和工业界的广泛关注。车联网服务提供商运行一个联邦学习服务器（即模型所有者），它会雇佣多组停车车辆或路侧单元（RSUs，即工作节点）来收集周围环境信息。在每次训练迭代中，工作节点从模型所有者处接收模型参数，并在各自的本地数据集上进行模型训练。然后，所有工作节点将更新后的本地模型参数上传到联邦学习服务器进行模型聚合。模型所有者再将更新后的模型参数发送给工作节点，进行下一轮本地模型训练。经过多次迭代，直到达到所需的准确率。这种方式在构建高效数据驱动模型的同时，保护了参与设备的隐私，因为只交换模型参数，而非原始数据。

然而，通信效率低下是联邦学习过程中的关键瓶颈。由于联邦网