面向6G网络基于联邦学习的最小化网络延迟研究

摘要

为满足6G网络的低延迟要求，提出一种基于联邦学习的最小化网络延迟方法.首先，对6G网络中无线终端设备和服务器的交互行为建立联邦学习架构，进行多轮局部模型训练；然后，构建斯塔克尔伯格模型中追随者无线终端设备的效用函数，建立激励机制促使无线终端设备对最大化效用函数感兴趣；最后，在效用函数最大化的前提下最小化服务器的全局收敛时间，以实现最小化6G网络延迟.仿真结果表明，该方法在无线终端设备有效回报率和服务器全局收敛时间等性能指标上都优于对比基线方案.

关键词

6G网络 / 联邦学习 / 网络延迟 / 激励机制 / 全局收敛时间

基金资助

江苏省自然科学基金青年基金项目(BK20210928); 南京工程学院先进工业技术研究院开放基金项目(XJY202112)