适用于车辆网络的具有移动性感知的半异步联邦学习

针对车载网络联邦学习中的通信不稳定和模型精度问题，提出分层半异步联邦学习方案，通过RSU分层数据库和动态调整车辆参与频率，结合信息年龄聚合策略，有效缓解straggler效应，并在MNIST、CIFAR-10数据集上验证其提升模型精度与收敛速度。

　　

摘要：

随着智能交通系统的快速发展，车辆网络（VNs）已成为获取和传输有关车辆运动和环境条件数据的关键组成部分。考虑到VNs中的隐私和安全问题，联邦学习（FL）作为一种分布式机器学习方法，提供了一个强大的工具，它利用车载中央处理单元（CPUs）和移动连接车辆（CVs）的本地数据集来训练全局模型。然而，大多数现有的FL实现依赖于同步训练以确保良好的收敛性能，但CVs的移动性往往导致通信不稳定，从而可能产生显著的落后问题。此外，CVs经常在成功上传其本地模型之前离开路边单元（RSU）的覆盖范围，从而降低了全局模型的准确性。为了解决上述问题，本文提出了一种通信效率高的半异步FL（ESAFL）方案，以适应VNs并提高学习性能。具体而言，RSU根据CVs在每个时代的到达顺序将它们分到不同的网络层中，并通过调整CVs在各个层中的参与频率来减轻落后效应。随后，采用信息年龄聚合策略来平衡具有不同延迟的CVs传输的模型的贡献。通过使用MNIST和CIFAR-10数据集进行仿真，我们证明了所提出的ESAFL在模型准确性和收敛速度方面都取得了显著改进，表明这是一种在动态和异构环境中更有效的FL方法。

引言

随着智能技术的进步，智能车辆具备了感知驾驶环境并做出自主驾驶决策的能力。具体来说，车辆中嵌入的传感器收集来自周围环境的内外部感知数据，然后通过机器学习（ML）算法在本地处理这些数据，以理解驾驶行为和道路状况。然而，单辆车的感知能力和本地计算资源通常是有限的[1]。为了解决这个问题，车辆可以相互连接形成车辆网络（VNs），其中连接的车辆（CVs）共享感知数据，并将数据上传到路边单元（RSUs）进行更广泛的计算。RSUs配备了强大的计算资源，使用先进的ML算法处理累积的原始数据，并将训练好的学习模型反馈给CVs。然而，将原始数据传输到RSUs引发了重大的隐私问题，并消耗了大量的无线带宽。这就需要联邦学习（FL）来促进分布式学习任务。在FL中，CVs通过上传其本地训练模型的参数而不是原始数据来为全局学习目标做出贡献。RSU使用接收到的参数训练全局ML模型，并将其反馈给CVs，然后CVs更新其本地模型并将参数返回给RSU。通过这种方式，FL有效地保护了CV的数据隐私，并支持了自动驾驶应用的进步，例如交通标志识别、自适应巡航控制和盲点监控。