高效客户端选择在异步联邦学习中的应用——用于自适应比特率流传输

《ACM Transactions on Multimedia Computing, Communications, and Applications》：Efficient Client Selection for Asynchronous Federated Learning for Adaptive Bitrate Streaming

本文提出基于联邦学习的分布式训练框架DRLABR，解决自适应比特率视频流中数据收集的隐私与网络延迟问题。客户端本地训练模型并异步更新至中心服务器，结合客户端选择机制优化参与均衡性。仿真验证显示，相比传统FedAvg和FedAsync方法，平均QoE提升至2.02，训练延迟减少21.26%。

　　

摘要

近期，深度强化学习（DRL）被应用于提升自适应比特率流媒体（ABR）的体验质量（QoE），通过根据实时网络状况动态调整视频质量等级来实现这一目标。为了构建一种基于DRL的先进ABR算法（DRLABR），该算法必须能够学习客户端实际的网络环境和视频流媒体行为。然而，直接从客户端收集此类数据会面临诸多挑战，包括隐私问题、高带宽消耗以及“落后者效应”——即某些客户端的网络条件较差会延迟训练过程，因为DRLABR的性能高度依赖于网络交互。为了解决这些限制，我们提出了一种基于联邦学习（FL）框架的分布式训练方法。客户端无需收集原始数据，而是独立训练自己的DRLABR模型，并仅将模型更新发送到中央服务器。为了解决“落后者效应”，我们建议对FL更新规则进行异步处理，使客户端能够按照自己的节奏提交模型更新，从而不受网络状况差异的影响。此外，我们还设计了一种基于DRL的客户端选择机制，以防止高带宽客户端被过度采样，这可能导致模型发散，从而确保各客户端之间的平衡参与并提升整体训练效率。我们通过包含多种视频内容和真实网络环境的全面模拟来验证该方法的有效性，模拟了多种流媒体场景。结果表明，所提出的框架显著优于传统的FedAvg和FedAsync方法，平均QoE得分达到了2.02，并将总训练延迟降低了21.26%。