无人机联邦学习：数据新鲜度优化的实时决策与性能提升

本研究文档聚焦于"数据新鲜度驱动的协作式无人机联邦学习智能决策优化"这一主题，主要关注在现代移动边缘计算(MEC)和联邦学习背景下，如何解决数据传输效率和隐私保护问题。传统的云计算方式存在数据传输开销大和隐私泄露的问题，而移动边缘计算通过边缘服务器进行分布式处理，降低了这些挑战。然而，固定边缘服务器的局限性使得它们难以应对强实时性任务，特别是当任务涉及高速移动的无人机作为空中边缘服务器时。 无人机因其高度灵活、移动性强的特点，被视作理想的移动边缘计算平台，尤其在需要实时处理和分布式训练的应用场景，如交通管理、环境监测等。在联邦学习框架下，多架无人机协作收集和处理用户数据，仅上传模型参数到云端进行融合，既能保持数据的私密性，又能实现高效训练。然而，无人机的感知范围有限和电池寿命约束意味着数据新鲜度是一个关键因素。 传统的信息年龄概念仅考虑数据的发送时间，忽视了等待处理的时间。论文提出了一种新的数据信息年龄定义，它结合了数据在端设备等待时间和无人机接收到并处理数据的时间，以此衡量数据的新鲜度。研究的目标是通过优化无人机的路径规划和通信决策，最大化数据新鲜度，从而提升联邦学习模型的实时性和可用性。这样做的目的是确保在多无人机协作的MEC环境中，数据能够得到及时处理，提高整体系统的性能和响应速度。 因此，本研究的核心贡献在于开发一种策略，使无人机能够在满足实时性需求的同时，通过有效的数据管理和通信决策，充分利用数据新鲜度的优势，推动协作式联邦学习在无人机移动边缘计算中的应用。通过这种方法，可以实现更高效的数据处理流程，减少延迟，保障隐私，并适应不断变化的环境需求。