结合个性化联邦超网络与共享残差学习技术进行分布式服务质量预测

《ACM Transactions on Autonomous and Adaptive Systems》：Combining Personalized Federated Hypernetworks and Shared Residual Learning for Distributed QoS Prediction

分布式QoS预测框架FHR-DQP融合联邦平均与超网络，通过共享残差学习提升隐私保护下的预测性能，实验验证其在WS-DREAM数据集上优于集中式和联邦基线方法。

　　

摘要

由于联网车辆具有高移动性和动态的网络拓扑结构，因此需要精确的服务质量（QoS），包括高吞吐量和低延迟，以确保用户获得满意的体验（QoE）。现有的方法主要集中在集中式的QoS预测上，而对分布式移动QoS预测的关注较少，这使得在调用Web服务时保护用户隐私信息变得困难。此外，尽管一些先进的集中式方法可以转化为联邦架构，但由于QoS数据集的异构性，它们在捕获用户和服务的潜在特征表示以及学习它们之间的个性化预测层方面常常面临挑战。为了解决上述问题，我们提出了一种新的分布式QoS预测框架，称为“结合个性化联邦超网络和共享残差学习的分布式QoS预测（FHR-DQP）”。FHR-DQP采用“联邦平均（FedAvg）”方法来汇总所有客户端中的位置感知残差共享特征信息。此外，还利用超网络在每个客户端生成用于用户-服务QoS预测的个性化网络。这些组件被集成到一个混合框架中，该框架采用联邦方法进行训练，并在每个客户端内进行个性化QoS预测。我们在一个名为WS-DREAM的真实世界基准QoS数据集上进行了广泛的实验，该数据集包含近200万条历史QoS调用记录。与集中式和联邦式的竞争基线方法相比，结果表明，FHR-DQP在提供用户QoS调用隐私保护的同时，实现了最高的分布式QoS预测性能。