基于分层联邦学习的无人机小基站RAN切片方法

针对多架无人机共同为地面用户提供差异化服务的场景,本文提出一种基于分层联邦学习的动态RAN(Radio Access Network)切片框架,目的是提升切片性能隔离效果、减少协同训练过程的通信代价.考虑到无人机动态部署和数据不足等特点,本文通过数据增广促进本地模型训练.为了使得距离地面基站较远的无人机有更多机会参与联邦学习并降低通信代价,本文根据位置和数据分布信息设计支持边缘模型聚合的无人机分簇策略.在此基础上,本文探索基于注意力机制的边缘和全局模型聚合方案,以增强全局模型的泛化能力.仿真结果表明,与联邦平均和分布式LSTM(Long Short-Term Memory)相比,所提方案在切片性能隔离的时长占比上分别有8.4%和16.5%的提升,并降低了无人机协同训练的通信代价.