論文の概要: Mobility-Aware Cooperative Caching in Vehicular Edge Computing Based on Asynchronous Federated and Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2208.01219v1
• Date: Tue, 2 Aug 2022 03:09:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-03 13:43:12.332609
• Title: Mobility-Aware Cooperative Caching in Vehicular Edge Computing Based on Asynchronous Federated and Deep Reinforcement Learning
• Title（参考訳）: 非同期連関学習と深層強化学習に基づく車載エッジコンピューティングにおけるモビリティアウェア協調キャッシング
• Authors: Qiong Wu, Yu Zhao, Qiang Fan, Pingyi Fan, Jiangzhou Wang and Cui Zhang
• Abstract要約: vehicular edge computing (VEC)は、リアルタイムのvehicularアプリケーションをサポートするために、異なるRSUのコンテンツをネットワークエッジにキャッシュすることができる。 従来のフェデレートラーニング(FL)では、ユーザのプライバシを保護するために、すべてのユーザのローカルモデルを集約することで、グローバルモデルを同期的に更新する必要がある。 Asynchronous Federated and Deep Reinforcement Learning (CAFR)に基づくVECにおける協調型キャッシング手法を提案する。
• 参考スコア（独自算出の注目度）: 28.564236336847138
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The vehicular edge computing (VEC) can cache contents in different RSUs at the network edge to support the real-time vehicular applications. In VEC, owing to the high-mobility characteristics of vehicles, it is necessary to cache the user data in advance and learn the most popular and interesting contents for vehicular users. Since user data usually contains privacy information, users are reluctant to share their data with others. To solve this problem, traditional federated learning (FL) needs to update the global model synchronously through aggregating all users' local models to protect users' privacy. However, vehicles may frequently drive out of the coverage area of the VEC before they achieve their local model trainings and thus the local models cannot be uploaded as expected, which would reduce the accuracy of the global model. In addition, the caching capacity of the local RSU is limited and the popular contents are diverse, thus the size of the predicted popular contents usually exceeds the cache capacity of the local RSU. Hence, the VEC should cache the predicted popular contents in different RSUs while considering the content transmission delay. In this paper, we consider the mobility of vehicles and propose a cooperative Caching scheme in the VEC based on Asynchronous Federated and deep Reinforcement learning (CAFR). We first consider the mobility of vehicles and propose an asynchronous FL algorithm to obtain an accurate global model, and then propose an algorithm to predict the popular contents based on the global model. In addition, we consider the mobility of vehicles and propose a deep reinforcement learning algorithm to obtain the optimal cooperative caching location for the predicted popular contents in order to optimize the content transmission delay. Extensive experimental results have demonstrated that the CAFR scheme outperforms other baseline caching schemes.
• Abstract（参考訳）: vehicular edge computing (VEC)は、リアルタイムのvehicularアプリケーションをサポートするために、異なるRSUのコンテンツをネットワークエッジにキャッシュすることができる。 VECでは、車両の高機能性のため、事前にユーザデータをキャッシュし、車両利用者にとって最も人気で興味深いコンテンツを学ぶ必要がある。 ユーザーデータはたいていプライバシー情報を含んでいるので、ユーザーは自分のデータを他人と共有することを嫌う。 この問題を解決するために、従来の連邦学習(FL)は、ユーザのプライバシーを保護するためにすべてのユーザのローカルモデルを集約することで、グローバルモデルを同期的に更新する必要がある。 しかし、車両は、局所的なモデルトレーニングが完了する前に、vecのカバー領域から頻繁に追い出すため、ローカルモデルが期待通りにアップロードできないため、グローバルモデルの精度が低下する可能性がある。 さらに、ローカルRSUのキャッシュ容量が制限され、人気のあるコンテンツが多種多様であるため、予測された人気コンテンツのサイズがローカルRSUのキャッシュ容量を超えるのが普通である。 したがって、VECは、予測された人気コンテンツを、コンテンツ送信遅延を考慮して異なるRSUにキャッシュする必要がある。 本稿では,車両の移動性について考察し,Asynchronous Federated and Deep Reinforcement Learning (CAFR)に基づくVECにおける協調型キャッシング方式を提案する。 まず、車両の移動性を考慮し、正確なグローバルモデルを得るための非同期FLアルゴリズムを提案し、続いて、グローバルモデルに基づいて人気コンテンツを予測するアルゴリズムを提案する。 また,車両の移動性を考慮し,予測された人気コンテンツに対する最適な協調キャッシング位置を得ることにより,コンテンツ伝達遅延を最適化する深層強化学習アルゴリズムを提案する。 大規模な実験結果から、CAFR方式は他のベースラインキャッシュ方式よりも優れていることが示された。

関連論文リスト

• Federated Data-Driven Kalman Filtering for State Estimation [49.40531019551957]
  本稿では,協調学習やフェデレート学習のパラダイムに基づく,新たなローカライゼーションフレームワークを提案する。 我々は、従来の拡張カルマンフィルタの基盤となるシステム不確実性を推定することを目的とした、リカレントニューラルネットワークであるKalmanNetの標準的なアプローチに基づいて構築する。 FedKalmanNetは、関連するシステム不確実性行列を推定することにより、各車両が自身をローカライズするために使用される。
  論文  参考訳（メタデータ） (2024-11-06T16:18:33Z)
• Cooperative Edge Caching Based on Elastic Federated and Multi-Agent Deep Reinforcement Learning in Next-Generation Network [24.731109535151568]
  エッジキャッシュは、小型セルベースステーション(SBS)におけるキャッシュユニットの強化により、次世代ネットワークにとって有望なソリューションである SBSは,ユーザの個人情報を保護しながら,学習を通じて正確な人気コンテンツを予測することが重要である。 従来のフェデレーション学習(FL)はユーザのプライバシを保護することができるが、UE間のデータ格差はモデル品質の低下につながる。 ネットワークのコストを最適化するために, 弾性フェデレーションとマルチエージェント深部強化学習(CEFMR)に基づく協調エッジキャッシュ方式を提案する。
  論文  参考訳（メタデータ） (2024-01-18T10:59:18Z)
• Resource-Aware Hierarchical Federated Learning for Video Caching in Wireless Networks [29.137803674759848]
  ユーザの要求が時間とともにどのように変化するかを学ぶためには,プライバシ保護手法が望ましい。 本稿では,ユーザの今後のコンテンツ要求を予測するために,リソースを意識した階層型学習(RawHFL)ソリューションを提案する。 シミュレーションの結果,提案手法は予測精度と総エネルギー消費率において,検討されたベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-11-12T18:23:17Z)
• Deep Reinforcement Learning Based Vehicle Selection for Asynchronous Federated Learning Enabled Vehicular Edge Computing [16.169301221410944]
  従来の車両ネットワークでは、車両によって生成される計算タスクは通常、処理のためにクラウドにアップロードされる。 本稿では,車両ネットワークのAFLにおけるグローバルモデルの精度を向上させるために,DRLに基づく車両選択方式を提案する。 シミュレーションの結果,提案手法は悪いノードを効果的に除去し,グローバルモデルの集約精度を向上させることができることを示した。
  論文  参考訳（メタデータ） (2023-04-06T02:40:00Z)
• CLSA: Contrastive Learning-based Survival Analysis for Popularity Prediction in MEC Networks [36.01752474571776]
  ディープニューラルネットワーク(DNN)と統合されたモバイルエッジキャッシング(MEC)は、将来の次世代無線ネットワークにとって大きな可能性を秘めている革新的な技術である。 MECネットワークの有効性は、最も人気のあるコンテンツでキャッシュノードのストレージを予測し、動的に更新する能力に大きく依存している。 有効にするためには、DNNベースの人気予測モデルには、コンテンツの歴史的要求パターンを理解する能力が必要である。
  論文  参考訳（メタデータ） (2023-03-21T15:57:46Z)
• Asynchronous Federated Learning for Edge-assisted Vehicular Networks [7.624367655819205]
  車両ネットワークは、訓練データを通じて車両がリアルタイムの車両アプリケーションをサポートすることを可能にする。 従来の連邦学習(FL)では、車両はローカルモデルを得るためにデータをローカルにトレーニングし、RSUにローカルモデルをアップロードしてグローバルモデルを更新する。 従来のFLは、グローバルモデルを同期的に更新する、すなわち、RSUはグローバルモデル更新のためにすべての車両がモデルをアップロードするのを待つ必要がある。 この問題を解決するためには非同期フェデレーション学習(AFL)を提案する必要がある。そこでは、RSUが車両からローカルモデルを受け取ると、グローバルモデルを更新する。
  論文  参考訳（メタデータ） (2022-08-03T08:05:02Z)
• Content Popularity Prediction in Fog-RANs: A Clustered Federated Learning Based Approach [66.31587753595291]
  本稿では,ローカルユーザとモバイルユーザの両面からコンテンツの人気度を統合した,モビリティに配慮した新しい人気予測ポリシーを提案する。 ローカルユーザにとって、コンテンツの人気は、ローカルユーザやコンテンツの隠された表現を学習することによって予測される。 モバイルユーザーにとって、コンテンツの人気はユーザー好みの学習によって予測される。
  論文  参考訳（メタデータ） (2022-06-13T03:34:00Z)
• Acceleration of Federated Learning with Alleviated Forgetting in Local Training [61.231021417674235]
  フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。 我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。 我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
  論文  参考訳（メタデータ） (2022-03-05T02:31:32Z)
• Distributed Reinforcement Learning for Privacy-Preserving Dynamic Edge Caching [91.50631418179331]
  MECネットワークにおけるデバイスのキャッシュヒット率を最大化するために,プライバシ保護型分散ディープポリシー勾配(P2D3PG)を提案する。 分散最適化をモデルフリーなマルコフ決定プロセス問題に変換し、人気予測のためのプライバシー保護フェデレーション学習手法を導入する。
  論文  参考訳（メタデータ） (2021-10-20T02:48:27Z)
• Caching Placement and Resource Allocation for Cache-Enabling UAV NOMA Networks [87.6031308969681]
  本稿では,非直交多重アクセス(NOMA)をサポートした大規模アクセス機能を有する無人航空機(UAV)セルネットワークについて検討する。 コンテンツ配信遅延最小化のための長期キャッシュ配置と資源配分最適化問題をマルコフ決定プロセス(MDP)として定式化する。 そこで我々は,UAVがemphsoft $varepsilon$-greedy戦略を用いて行動の学習と選択を行い,行動と状態の最適な一致を探索する,Qラーニングに基づくキャッシュ配置とリソース割り当てアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-12T08:33:51Z)
• Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
  本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
  論文  参考訳（メタデータ） (2020-03-19T13:07:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。