典型文献
基于联邦学习的车联网多维资源动态分配算法
文献摘要：
考虑到车联网系统中多维资源消耗会随时间波动的特性和用户对高效计算服务以及数据隐私安全的需求,提出了一种基于联邦学习的车联网多维资源分配方法.一方面,综合考虑计算、缓存和带宽资源分配,保证计算任务的完成率,避免多维资源的冗余分配,基于该目标设计了一种深度学习算法,通过边缘服务器收集的数据预测各项资源的消耗量,以此为依据分配多维资源;另一方面,考虑到用户的数据隐私安全需求造成的数据孤岛问题,采用联邦学习架构以获得泛化性较好的神经网络模型.该算法能随时间调整多维资源的分配量,满足随时间变动的资源需求,保证车联网系统中计算任务的高效完成.实验结果表明该算法具有收敛速度快、模型泛化性好等特点,能以较少的通信轮数完成联邦学习的聚合.
文献关键词：
车辆网络;联邦学习;多维资源分配;计算迁移;机器学习
中图分类号：
作者姓名：
吴赟寒;白光伟;沈航
作者机构：
南京工业大学计算机科学与技术学院 南京211816
文献出处：
引用格式：
[1]吴赟寒;白光伟;沈航-.基于联邦学习的车联网多维资源动态分配算法)[J].计算机科学,2022(12):59-65
A类：
B类：
联邦学习,资源动态,动态分配,分配算法,车联网系统,资源消耗,高效计算,计算服务,数据隐私安全,多维资源分配,资源分配方法,缓存,完成率,冗余分配,目标设计,深度学习算法,边缘服务器,数据预测,消耗量,安全需求,数据孤岛,学习架构,配量,资源需求,中计,收敛速度,模型泛化性,轮数,数完,车辆网络,计算迁移
AB值：
0.400852
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
