基于个性化联邦学习的无线通信流量预测

提出一种基于分布式的城市全域通信流量预测算法Fed-DenseNet,各个边缘计算服务器在中心服务器的协调下进行协同训练,中心服务器利用KL散度挑选出流量分布相似的区域流量模型,并采用联邦平均算法对具有相似流量分布的区域流量模型的参数进行融合,以较低的复杂度和通信开销实现城市全域流量预测。此外,城市范围内不同地区流量具有高度差异化的特征,为此,在Fed-DenseNet算法基础上,提出基于合作博弈的个性化联邦学习算法p-Fed-DenseNet,将本地区的各个区域性数据特征作为合作博弈的参与者,通过合作博弈的超可加性准则,进行本地区特征的筛选,从而达到既能提高模型的泛化性,又能够保持对本地流量精准刻画的目的。     

面向车辆与参数服务器双向选择的联邦学习算法

联邦学习框架正逐渐被广泛应用于车联网领域,针对车辆的移动性特点以及大量车辆联邦学习时同时接入参数服务器交互参数易产生的通信拥塞的问题,提出了一种基于模糊逻辑的车辆选择和基于演化博弈的参数服务器选择算法。通过设计模糊逻辑算法,考虑车辆的移动性、设备条件以及数据量因素来选择通信连接较稳定、计算能力较强和数据量多的车辆参与联邦学习。采用演化博弈进一步刻画选出的车辆自主决策选择参数服务器的过程,平衡联邦学习模型准确度以及产生的通信和计算成本,从而避免通信拥塞并最大化车辆个体利益和整体利益。仿真验证了大量车辆场景下所提出算法的性能,实现模型训练的低成本、高精度。     

无人机辅助空地协同无定形组网仿真评估

现有无线通信网络正在从"以基站为中心的" 蜂窝化组网向"以用户为中心的" 无定形组网演进.然而,现有的无定形组网技术其组网的灵活性受限于地面基站的部署位置.针对现有无定形组网技术灵活性受限的问题,提出了空地协同无定形组网技术.通过采用以用户的需求驱动无人机中继悬停部署实现地理空间层面无定形组网,采用"控制覆盖与业务覆盖...     

基于跨层架构的无线TCP优化研究

在无线环境下,传输控制协议(TCP)会受到无线信道条件和分层协议栈独立底层协议的影响。文章结合LTE系统,深入分析现有无线TCP协议运用到LTE系统中的缺陷,提出基于跨层架构的无线TCP优化方案。跨层管理实体综合分析物理层信道状态信息,MAC层调度信息和HARQ信息,RLC自动请求重传ARQ信息以及PDCP切换信息做出全局最优判决。文章所提方案可以优化TCP拥塞控制中慢启动算法、拥塞避免算法以及快速重传算法在无线环境下的效率,提供更好的业务服务质量保障以及用户体验。