ST-SL:一种用于边缘计算中动态频谱接入的时空集群学习架构
《Ad Hoc Networks》:ST-SL: A spatiotemporal swarm learning architecture for dynamic spectrum access in edge computing
【字体:
大
中
小
】
时间:2026年08月30日
来源:Ad Hoc Networks 5.4
编辑推荐:
摘要当前关于动态频谱接入的研究已在个体或单一组织层面上接近了性能和资源利用率的极限。具体而言,在严格的隐私约束下获取全面数据颇具挑战,而引入外部数据往往会带来高昂的计算成本。本文针对边缘计算环境中的动态频谱接入提出了一种新的群学习架构,通过在严格隐私保护下聚合群体数据来提升频
摘要当前关于动态频谱接入的研究已在个体或单一组织层面上接近了性能和资源利用率的极限。具体而言,在严格的隐私约束下获取全面数据颇具挑战,而引入外部数据往往会带来高昂的计算成本。本文针对边缘计算环境中的动态频谱接入提出了一种新的群学习架构,通过在严格隐私保护下聚合群体数据来提升频谱感知精度和资源利用效率,从而实现确定性的频谱公平调度以抑制接入冲突,并保障海量物联网设备在高动态环境下的有序接入。针对边缘设备移动性引发的社区不稳定性、激进的频谱竞争、通信开销激增以及密集区域相似模型对全局聚合的干扰等挑战,我们设计了一种动态树分层图架构。该架构能够适配不同地理社区的异构特征,并且在边缘设备移动时解决模型失效问题,同时无需增加单个设备的模型参数量或计算负担。此外,为确保长期效率,我们在新架构下提出了一种基于模型组的跨周期调整机制,使群学习社区能够动态地在长周期中选择最适合的模型,从而持续提升整体系统效率。
引言无线频谱资源因其不可消耗、可复用和排他性而被视为战略性自然资源。随着从5G向6G的演进以及WiFi 7的部署,工业自动化和自动驾驶等新兴物联网设备数量激增,导致无线通信流量呈指数级增长。频谱资源稀缺与设备密度增加之间存在冲突:传统的静态频谱分配模式缺乏灵活性,难以满足动态服务需求,而动态频谱接入通过"感知-决策-接入-释放"机制实现了高效的频谱利用,成为缓解资源瓶颈的核心范式。现有动态频谱接入技术已整合了机器学习、深度学习、强化学习和深度强化学习等智能算法或模型。
在动态频谱接入语境下,边缘计算指的是在网络边缘本地执行频谱感知和决策的分布式范式。与以云为中心的模式不同,边缘环境的特征包括异构约束,如终端处理能力有限、电池续航受限以及节点高移动性。这些因素加上亚毫秒级响应时间的需求,使得传统的重回程全局聚合方式效率低下。因此,需要一种更本地化、自适应且去中心化的协作框架,如时空群学习。
尽管取得了这些进展,边缘计算中动态频谱接入的部署仍面临一个根本性的多维挑战:高移动环境中本地化模型适配的必要性随之带来的通信和计算开销激增之间的矛盾。具体而言,节点移动性会频繁引发模型失效从而需要协作学习,而这种协作反过来又会耗尽有限的边缘资源,并可能导致同区域设备间的"策略收敛"竞争。现有框架难以解决移动性引发故障、资源密集型协调以及策略竞争之间紧密耦合的问题。
为应对这些架构瓶颈,本文提出了一种由时空群学习驱动的动态频谱接入架构,融合了动态树分层图设计、值守代理机制、共识机制和跨周期调整策略。其核心创新包括:
1. 基于物理邻近性构建动态社区:以减少通信开销并增强时空上下文一致性;
2. 引入模型组记忆库:通过历史模型聚类和在线性能感知实现长期动态适应,同时降低边缘设备运行模型的算力门槛;
3. 设计基于贡献证明的频谱接入共识机制:在抑制通道竞争的同时确保公平性,并吸引更多设备加入多样化社区。
随着人工智能的发展,分布式协作学习范式,特别是联邦学习,已被引入以实现在不共享原始数据的情况下跨多个设备进行模型训练。虽然联邦学习提高了隐私保护,但其集中式聚合服务器造成了单点故障风险并高度依赖信任基础。因此,去中心化的群学习作为有前景的替代方案应运而生,利用区块链进行点对点协调。
尽管分布式学习取得了进展,将标准联邦学习和群学习框架应用于高动态动态频谱接入网络仍面临固有的时空和资源限制问题尚未得到解决:
时空异构性与模型同质化之间的矛盾:不同地理区域和不同时间段的频谱占用模式存在显著差异。试图构建通用模型来覆盖所有时空场景对次级用户设备的模型复杂度和运行环境提出了很高的要求。强制全局模型拟合多样化的时空分布会导致"模型平均",稀释局部特征。此外,标准联邦学习强制统一模型结构,显著削弱了本地适应能力。
由移动性引起的泛化失败:次级用户设备具有高度移动性。当高移动性设备移动到新的区域时,其基于历史数据训练的模型无法适应新环境,甚至可能因历史偏差而阻碍对新环境特征的学习。
"策略收敛"悖论:现有协作框架中一个关键但常被忽视的问题是,同一社区中的设备收到相同的聚合模型,因此它们倾向于生成收敛的频谱接入策略,同时预测相同的"空闲"通道。这无意中加剧了通道竞争和碰撞,违背了高效资源利用的初衷。
通信开销和计算瓶颈:联邦学习需要频繁通过互联网上传本地模型更新,加剧带宽竞争。随着参与设备数量的增加,中心服务器的聚合计算负载线性增长。群学习由于其点对点的共识机制引入了大量的通信开销,在大规模网络中显著高于联邦学习。
为解决部分通信和数据分布问题,近期研究提出了高级扩展方案。在联邦学习基础上,分层联邦学习通过在边缘服务器执行中间聚合来优化通信。此外,研究探索了基于分层联邦学习的动态频谱接入架构,利用分布式聚类和多通道ALOHA协议。在复杂的边缘场景中,如无人机通信和物流,研究人员开发了基于区块链的隐私感知任务分配以及云-边-端协作框架,以解决非独立同分布数据问题。
然而,这些高级分层联邦学习范式通常依赖静态或半静态的分层结构,难以适应边缘设备的高移动性。此外,它们仍然以设备为中心,允许节点跨区域携带历史偏差。
最近,为解决动态频谱接入的复杂性,提出了先进范式。联邦强化学习包括异步变体,可实现协作策略学习,但在高动态环境中往往遭受样本效率低下的问题,且由于全局模型假设而存在"策略平均"问题。为处理统计异构性,个性化联邦学习和聚类联邦学习优化了设备级适应。然而,这些方法从根本上依赖于全局模型前提和静态聚类,无法解决连续边缘节点移动性引起的时空异构性问题。相比之下,时空群学习采用"区域驱动"的监督范式,通过群心跳机制动态重组社区以实现社区级个性化,从根本上消除了全局模型的概念,并避免了强化学习的探索开销。
此外,虽然现有基于区块链的激励机制确保了联邦学习模型训练的奖励公平性,但它们并未解决动态频谱接入特有的"策略收敛"悖论,即相同模型无意中加剧了物理层碰撞。时空群学习的贡献证明通过将贡献代币转化为直接控制物理通道调度的功能凭证来解决这一问题。最后,关于长期适应,基础性持续学习工作如弹性权重巩固利用参数级正则化来保留知识。然而,强制单个轻量级模型刚性记住所有历史状态,在严格的边缘计算约束下不可避免地会遇到容量瓶颈。时空群学习通过跨时序模型集成机制规避了这一问题,动态切换模型以解耦时序特征,确保长期鲁棒性。
为解决上述权衡问题,本文提出了时空群学习架构。我们的核心理念是从"设备中心"转向"区域驱动"的适应范式,新到达的节点丢弃过时经验并通过社区共享记忆立即继承本地时空特征。
在该框架内,动态树分层图旨在将高移动性下的聚合瓶颈降至最低;贡献证明共识机制作为功能层,在本地适应期间抑制竞争并确保公平的资源共享;跨时序模型集成机制通过分解复杂的时空特征来减轻次级用户的计算负担,提供长期稳定性。通过整合这些模块,时空群学习在严格的资源和移动性约束下实现了高效、无碰撞且自适应的频谱协作。
本文其余部分组织如下:第2节详细介绍了所提出的时空群学习架构,包括动态树分层图和贡献证明共识机制。第3节介绍了仿真环境,评估了模型性能,并提供了全面的比较分析。最后,第4节总结了全文并概述了未来研究方向。
社区形成与通信协议为确保时空上下文一致性并最小化通信延迟,时空群学习社区基于物理邻近性定义,具体覆盖固定主用户的服务范围或移动主用户的自组织交互范围。在此覆盖范围内,次级用户优先使用短距离无线技术进行社区内模型交换以减少带宽成本,仅保留互联网用于跨区域协调。
实验环境数据建模为在时空异构条件下评估所提出的架构,我们构建了一个包含三个不同区域的仿真环境。区域A和B代表具有相关频谱行为的相邻社区,而区域C代表具有独立模式的远程区域。主用户行为分布和次级用户竞争策略的具体参数详见表1。基于此配置,连续1小时的社区通道状态进行监测。
结论本文提出了一种时空群学习架构,以解决边缘计算中动态频谱接入的核心挑战,即终端移动性、时空异构性和资源约束。该架构推动协作范式从"设备中心"向"区域驱动"模型转变,使边缘节点能够快速适应本地环境并丢弃过时的历史偏差。
在空间维度上,时空群学习构建了动态树分层图拓扑。与静态结构相比……
作者贡献声明冯力:调查研究、形式分析、概念化。韩东旭:原稿撰写、软件、方法论、调查研究。王立:审阅与编辑、验证、软件。
利益冲突声明作者声明不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。
冯力 | 韩东旭 | 王立
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号