基于联邦蒸馏和深度强化学习的车辆边缘计算中具有移动性感知的协作缓存

《IEEE Transactions on Network Science and Engineering》：Mobility-Aware Cooperative Caching in Vehicular Edge Computing Based on Federated Distillation and Deep Reinforcement Learning

针对智能交通系统中车辆移动性导致的RSU连接短暂和隐私泄露问题，本文提出融合联邦蒸馏与深度强化学习的协作缓存方案，通过车辆运动模型T-Drive构建动态缓存策略，实验表明缓存效率提升6.7%，内容交付延迟降低11.3%。

　　

摘要：

随着智能交通系统（ITS）的快速发展，车辆边缘缓存（VEC）技术在处理大规模车辆数据并提供即时服务方面展现出了巨大潜力。然而，车辆的高流动性限制了它们与路边单元（RSU）的连接时间，仅能在RSU服务区域内保持较短的时间。因此，在此期间准确预测和更新热门内容以及确定其缓存位置成为一项挑战。同时，大量数据的同步传输也带来了隐私泄露的重大风险。为有效解决这些问题，我们提出了一种考虑车辆流动性的协作式缓存方案，该方案结合了联邦蒸馏（FD）和深度强化学习（DRL）技术。首先，我们利用真实世界的车辆运动数据集T-Drive建立了车辆流动性模型。随后，我们提出了一个将推荐系统与联邦蒸馏相结合的框架，而非传统的基于自动编码器（AE）的联邦学习方案，以获得更准确的全球内容流行度预测模型。由于单个RSU的存储容量有限，为了最大化利用边缘缓存资源，我们设计了一种基于深度强化学习的协作式缓存算法，将热门内容缓存在靠近车辆的多个RSU中。最后，我们在车辆流动性模型上评估了该算法的性能，实验结果表明，与五种基准方案相比，我们的方案将缓存效率提高了6.7%，并将内容传输延迟降低了11.3%（针对MovieLens-1 M数据集）。

引言

边缘计算技术使得自动驾驶、智能导航和车内多媒体服务的应用成为提升车辆用户（VU）驾驶体验的必要条件。现代应用的计算需求以及对低延迟的要求，对资源有限的车辆构成了重大挑战。车内传感器和应用生成的海量数据以及热门内容的普遍性进一步加剧了这一问题，因为这些数据消耗了车辆的处理和存储资源[1]。同时，由于车辆的流动性，大规模移动交通给核心网络负载和传输延迟带来了压力，现有解决方案难以保证服务质量[2]、[3]。尽管云服务器提供了强大的计算和缓存能力，但高昂的传输成本和长时间的延迟可能对用户体验产生不利影响，尤其是对于对延迟敏感的应用程序[4]。