Sélection des clients et planification des ressources dans l'apprentissage fédéré fiable pour les réseaux de véhicules assistés par UAV

L'apprentissage fédéré (FL), un paradigme d'apprentissage profond prometteur largement déployé dans les réseaux de calcul en périphérie des véhicules (VECN), permet une approche distribuée pour entraîner des ensembles de données de nœuds localement, par exemple, pour des véhicules mobiles, et échange des paramètres de modèle afin d'obtenir un modèle précis sans transmission de données brutes. Cependant, l'existence de nœuds de véhicules malveillants ainsi que l'hétérogénéité inhérente des véhicules entravent l'obtention de modèles précis. De plus, l'entraînement de modèle local et la transmission des paramètres de modèle durant le FL imposent un poids énergétique notable sur les véhicules contraints en ressources. Dans cette optique, nous examinons les problèmes de sélection des clients et de gestion des ressources dans les réseaux de véhicules assistés par UAV (FLVN) activés par FL. Nous concevons d'abord un nouveau mécanisme de sélection de clients basé sur la réputation en intégrant à la fois des métriques de qualité des données et de capacité de calcul pour recruter des véhicules fiables et performants. De plus, pour renforcer la fiabilité du FL, nous adoptons la blockchain de consortium pour superviser les informations de réputation, qui présentent des qualités à l'épreuve de la falsification et résistant aux interférences. Enfin, nous formulons le problème de planification des ressources en optimisant conjointement la capacité de calcul, la puissance de transmission et le nombre de tours d'entraînement locaux, visant à minimiser le coût des clients tout en garantissant la précision. À cette fin, nous proposons un algorithme d'apprentissage par renforcement utilisant une structure de réseau parallèle asynchrone pour atteindre une stratégie de planification optimisée. Les résultats de simulation montrent que notre mécanisme de sélection de clients proposé et notre algorithme de planification peuvent réaliser un FL fiable avec une précision de 0,96 et surpassent systématiquement les références en termes de délai et de consommation d'énergie.