在无线联邦学习(FL)的架构中,用户端与服务器端之间需要持续交换模型参数数据来实现模型的更新,因此会对用户端造成较大的通信开销和功率消耗。目前已经有多种通过数据量化以及数据稀疏化来降低通信开销的方法。为了进一步降低通信开销,提出了一种基于1?bit压缩感知的无线FL算法。在无线FL架构的上行链路中,这种算法首先在用户端记录其本地模型数据的更新参数,包括更新幅值和趋势;接着对幅值和趋势信息进行稀疏化,并确定更新所需的阈值;最后对更新趋势信息进行1?bit压缩感知,从而压缩上行数据。在此基础上,通过设置动态阈值的方法进一步压缩数据大小。在MNIST数据集上的实验结果表明:引入动态阈值的1?bit压缩感知过程能够获得与无损传输过程相同的效果,在FL应用的上行通信过程中能将用户端需要传输的模型参数数据量降低至不采用该方法的标准FL过程的1/25;而在全局模型训练到相同水平时,能将用户上传数据总大小降低至原来的2/11,将传输能耗降低至原来的1/10。
针对高速数据传输及计算所带来时延和终端设备能耗问题,提出了一种在上行链路采用等功率分配的传输方案。首先,依据增强现实(AR)业务的协作属性建立了针对AR特性的系统模型;其次,详细分析了系统帧结构,建立以最小化系统消耗总能量为优化目标的约束条件;最后,在保障延迟和功耗满足约束的条件下,建立了基于凸优化的移动边缘计算(MEC)资源优化求解数学模型,从而获得最优的通信和计算资源分配方案。与独立传输相比,该方案在最大延迟时间分别为0.1 s和0.15 s时的总能耗降幅均为14.6%。仿真结果表明,在相同条件下,与基于用户独立传输的优化方案相比,考虑用户间协作传输的等功率MEC优化方案能显著减少系统消耗的总能量。
在采用网络编码的无线自组网多播场景中,为了有效地克服节点密度较大时干扰对多播整体性能的影响,提出了一种衡量路径干扰情况的路由度量标准。基于该度量标准,对网络编码机会和节点间干扰避免进行了均衡处理,构建出一种基于部分网络编码的无线自组网干扰感知多播路由机制。仿真结果表明,该机制在能耗、延时和吞吐量等性能方面均优于基于传统网络编码的多播方案,因此特别适用于节点密度较大的场合。