Resource-Aware Hierarchical Federated Learning in Wireless Video Caching Networks

要約

いくつかの人気のあるファイルのビデオ トラフィックによって引き起こされるバックホール トラフィックの輻輳は、要求されるコンテンツをさまざまなレベルでワイヤレス ビデオ キャッシング ネットワークに保存することで緩和できます。
通常、コンテンツ サービス プロバイダー (CSP) がコンテンツを所有し、ユーザーは (ワイヤレス) インターネット サービス プロバイダー (ISP) を使用して CSP から好みのコンテンツを要求します。
これらの関係者は個人情報やビジネス秘密を明らかにしないため、ユーザーの将来の需要の動的な変化を予測するために従来の手法を容易に使用できない可能性があります。
これを動機として、私たちはユーザーの将来のコンテンツ要求を予測するための新しいリソース認識型階層連合学習 (RawHFL) ソリューションを提案します。
実用的なデータ取得手法が使用されており、ユーザーは要求されたコンテンツに基づいてローカル トレーニング データセットを更新できます。
さらに、ネットワークやその他の計算リソースは限られているため、ユーザーのサブセットのみがモデルのトレーニングに参加することを考慮して、提案されたアルゴリズムの収束限界を導き出します。
この限界に基づいて、実際のリソース制約の下で RawHFL エネルギーを効率的にトレーニングするために、制御可能なパラメーターを共同で構成するための重み付き効用関数を最小化します。
私たちの広範なシミュレーション結果は、テスト精度とエネルギーコストの点で、提案されたアルゴリズムが既存のベースラインよりも優れていることを検証します。

要約(オリジナル)

Backhaul traffic congestion caused by the video traffic of a few popular files can be alleviated by storing the to-be-requested content at various levels in wireless video caching networks. Typically, content service providers (CSPs) own the content, and the users request their preferred content from the CSPs using their (wireless) internet service providers (ISPs). As these parties do not reveal their private information and business secrets, traditional techniques may not be readily used to predict the dynamic changes in users’ future demands. Motivated by this, we propose a novel resource-aware hierarchical federated learning (RawHFL) solution for predicting user’s future content requests. A practical data acquisition technique is used that allows the user to update its local training dataset based on its requested content. Besides, since networking and other computational resources are limited, considering that only a subset of the users participate in the model training, we derive the convergence bound of the proposed algorithm. Based on this bound, we minimize a weighted utility function for jointly configuring the controllable parameters to train the RawHFL energy efficiently under practical resource constraints. Our extensive simulation results validate the proposed algorithm’s superiority, in terms of test accuracy and energy cost, over existing baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google