基于最优联邦学习的资源分配方案，适用于支持NOMA技术的工业物联网

《IEEE Internet of Things Journal》：Optimal Federated-Learning-Based Resource Allocation Scheme for NOMA-Enabled Industrial Internet of Things

　　

摘要：

作为一种新兴的协作学习方法，联邦学习（FL）解决了传统集中式机器学习（ML）中的隐私泄露问题，传统方法要求设备上传原始数据以进行模型训练。然而，有限的通信和计算资源以及更严格的实时要求给工业物联网（IIoT）中的设备选择和资源分配带来了巨大挑战。为了解决这些挑战，本文提出了一种基于FL的非正交多址（NOMA）IIoT的最优资源分配方案。为了应对大规模分布式设备与云服务器之间的长距离通信和高通信开销问题，设计了一种基于NOMA的分层协作FL架构。为了最大化系统吞吐量，在保证最小数据速率的前提下，设计了子信道间和子信道内的功率分配策略。为了实现FL性能与训练成本之间的平衡，将设备选择和带宽资源分配视为一个联合优化问题。随后，提出了一种基于DRL的联合优化算法来提高系统的FL效用值。实验结果表明，我们提出的方案能够促进高效的FL，并且性能优于基准方法。

I. 引言

未来的6G网络预计将集成先进的人工智能技术，为自动驾驶、虚拟现实、工业物联网（IIoT）和智慧城市等应用提供全面的智能互联服务[1]。特别是IIoT是一个具有代表性的领域，其核心要求是低延迟和高可靠性。传统的人工智能方法依赖于将数据上传到云端或数据中心进行学习和建模[2]、[3]。这不仅需要大量的网络带宽和较高的通信成本，还可能成为数据量快速增长的一个瓶颈。分布式机器学习（ML）架构可以通过在移动网络边缘执行计算任务来有效减轻中央网络的负担[4]。该架构直接在数据生成的地方处理数据，解决了集中式学习模式下通过通信链路传输数据所导致的实时数据处理问题[1]。作为一种流行的分布式ML方法，联邦学习（FL）允许构建多方ML系统，同时保护数据隐私[5]。它可以在不直接访问设备上的本地数据的情况下训练ML模型。更重要的是，FL可以同时降低隐私泄露的风险和通信成本。此外，即使这些设备的计算能力和数据量有限，FL也能充分利用边缘设备的计算资源[6]。由于在保护隐私、提高效率和降低通信成本方面的优势，FL能够满足IIoT的数据安全和快速数据分析与决策需求。