DRL辅助联邦虚拟嵌入算法

卸载收入提升17%

该算法采用两阶段协调的分布式在线多域虚拟网络嵌入，借助联邦学习在保障数据隐私的同时降低本地资源碎片化，实现工业物联网任务卸载的长期收益优化。

吴胜 · Chen, Ning · 温广辉 · Long, Xu · 张培颖 · 朱海龙

IEEE Transactions on Industrial Informatics 2024

参数信息

长期卸载收入平均提升

17.66 %

资源利用率平均提升

5.97 %

任务卸载成功率平均提升

4.52 %

技术优势

多域协同不泄露数据

采用联邦学习分布式范式，各工厂域在本地训练DRL模型，仅交换模型参数而非原始数据，从机制上保障参与方数据隐私。

应用场景

• 工业物联网资源分配：在多域IIoT中做出更合理的资源分配决策，替代静态启发式方法，提升长期收益。
• 多智能体联邦学习：利用联邦学习在不共享原始数据的前提下协同训练多个本地DRL智能体，保护工厂数据隐私。