无线联合学习用于工业物联网网络中的盐喷雾预测,具有延迟约束

科学领域:

• 地球勘探和环境监测.
• 工业物联网 (IIoT) 网络.
• 联合学习 (FL) 应用程序

背景情况:

• 盐喷雾预测 (SSP) 对于沿海监测和评估基础设施腐蚀风险至关重要.
• 在IIoT中的集中式SSP解决方案面临部署挑战和通信延迟,阻碍实时分析.
• 联合学习 (FL) 提供了一个去中心化的方法来处理IIoT环境中的数据.

研究的目的:

• 调查 IIoT 网络中的盐喷雾预测 (SSP) 的联合学习中的延迟受约束优化.
• 为了提高通信效率,并最大限度地减少实时SSP的模型训练延迟.
• 为支持FL的SSP提出和评估适应式无线带宽分配策略.

主要方法:

• 提出了两个自适应无线带宽分配策略:即时通道状态信息 (I-CSI) 和统计通道状态信息 (S-CSI).
• I-CSI策略基于稳定的IIoT连接的实时通道条件动态分配带宽.
• 在动态的IIoT环境中,S-CSI战略利用长期道统计数据来实现强大的性能.

主要成果:

• 无论是I-CSI还是S-CSI战略,都显著减少了系统延迟,并增加了客户的积极参与.
• 在稳定的无线条件下,I-CSI方法显示了更快的融合和更高的准确性.
• 在高度动态的IIoT场景中,S-CSI方法提供了稳定的性能改进,平衡精度和带宽利用.

结论:

• 智能带宽分配对于优化联合学习支持的盐喷雾预测系统至关重要.
• 在I-CSI和S-CSI策略之间的选择取决于IIoT无线链接的稳定性.
• 调查结果为环境监测的现实世界IIoT部署中资源优化提供了实际见解.