DOI: https://doi.org/10.1109/tcc.2026.3698093
تاريخ النشر: 2026-05-28
المؤلف: Xiaohong Yang وآخرون
الموضوع الرئيسي: التقنيات التي تحافظ على الخصوصية في البيانات
نظرة عامة
تقدم ورقة البحث نهجًا جديدًا لمعالجة التحديات في التدريب متعدد النماذج ضمن بنية الحوسبة الطرفية للمركبات – التعلم الفيدرالي (VEC-HFL). يقدم المؤلفون طريقة التخصيص الهجينة التطورية والجشعة (HEART)، التي تستخدم خوارزمية جشعة منخفضة التعقيد لإعطاء الأولوية لتدريب المهام على المركبات. من خلال تنفيذ قاعدة تجميع هجينة متزامنة وغير متزامنة، تعمل HEART على تحقيق توازن فعال بين جدولة المهام وتحسين كفاءة التدريب. تشير النتائج التجريبية على مجموعات بيانات العالم الحقيقي إلى أن HEART تقلل بشكل كبير من وقت تدريب النموذج والعبء الاتصالي مقارنة بالطرق الحالية.
تحدد الورقة عدة اتجاهات واعدة للعمل المستقبلي، بما في ذلك توسيع HEART لاستيعاب ديناميات المركبات المتغيرة، وقيود تخزين البيانات، ودمج تقنيات متقدمة مثل التسرب الفيدرالي والتعلم المنقسم لتدريب النماذج على نطاق واسع. بالإضافة إلى ذلك، يقترح المؤلفون استكشاف هياكل تعاونية متعددة المستويات لتعزيز تبادل المعرفة وتطوير استراتيجيات تحسين الموارد المستندة إلى السياق لإدارة سيناريوهات المرور الشديدة. كما يتم تسليط الضوء على معالجة عدم اليقين مثل الانقطاعات غير المتوقعة أثناء تدريب النموذج كمنطقة حاسمة لمزيد من التحقيق.
مقدمة
تناقش مقدمة الورقة دمج تطبيقات التعلم الآلي (ML) ضمن إنترنت المركبات (IoV)، مع تسليط الضوء على التحديات التي تطرحها البيانات الموزعة والحركة العالية التي تعقد طرق تدريب ML المركزية التقليدية. تشمل هذه التحديات ارتفاع زمن الانتظار، والعبء الاتصالي، ومخاوف الخصوصية. لمعالجة هذه القضايا، يتم تقديم التعلم الفيدرالي (FL) كنهج لامركزي يسمح بالتدريب المحلي عند مصادر البيانات، مما يعزز الخصوصية ويقلل من تكاليف الاتصال. ومع ذلك، لا يزال FL يواجه صعوبات في البيئات الديناميكية للمركبات بسبب الاتصال غير المستقر وعدم كفاءة الاتصال. يقترح المؤلفون التعلم الفيدرالي الهرمي (HFL) كحل متقدم، والذي يتضمن خوادم حافة كوسطاء لتحسين كفاءة الاتصال وموثوقية النظام.
تتكون بنية VEC-HFL المقترحة من خادم مركزي (CS)، والعديد من خوادم الحافة (ESs)، والمركبات التي تعمل كعملاء لتدريب النماذج. تستخدم البنية آلية تجميع هجينة متزامنة وغير متزامنة لتحسين استخدام البيانات وتقليل تقادم النموذج. تكمل المركبات مهام التدريب المحلية وتنقل نماذجها إلى أقرب خادم حافة، الذي يجمع النماذج قبل إرسالها إلى الخادم المركزي للتجميع العالمي. يتم هيكلة هذه العملية إلى تكرارات محلية وحافة وعالمية، مع تكوينات محددة لكل مهمة لضمان تدريب فعال. يتم تقديم الصياغة الرياضية لبنية VEC-HFL، موضحة تمثيل مجموعة البيانات، ودالة الخسارة، وعمليات تحديث النموذج، بهدف تعزيز كفاءة تدريب مهام ML في أنظمة IoV.
طرق
في هذا البحث، يستكشف المؤلفون نهجًا جديدًا لتدريب النماذج المتعددة في الحوسبة الطرفية للمركبات للتعلم الفيدرالي (VEC-HFL)، مع معالجة تحديات تقادم النموذج والاستخدام الفعال للبيانات الديناميكية للمركبات. تتضمن المنهجية المقترحة استراتيجية تجميع هجينة تجمع بين التقنيات المتزامنة وغير المتزامنة. على وجه التحديد، في طبقة الحافة، يتم استخدام تجميع متزامن فضفاض حيث تقوم خوادم الحافة (ESs) بتجميع النماذج المحلية من المركبات بعد فترة انتظار قصوى لمهمة معينة. على العكس، يقوم الخادم السحابي (CS) بأداء التجميع العالمي بشكل غير متزامن، باستخدام مجموعة فرعية من نماذج ES لتقليل زمن الانتظار. يعزز هذا النهج الهجين اتساق النموذج ودقته مع تقليل التأخيرات، مما يجعله مناسبًا بشكل خاص للطبيعة الديناميكية لإنترنت المركبات (IoV).
لتحسين عملية التدريب بشكل أكبر، يقدم المؤلفون طريقة التخصيص الهجينة التطورية والجشعة (HEART)، التي تعالج مشكلة تحسين الحد الأدنى-الحد الأقصى الصعبة من حيث التوازن بين زمن الانتظار العالمي والتدريب عبر مهام التعلم الآلي المتنوعة على المركبات ذات الموارد المحدودة. تتكون HEART من مرحلتين: تركز المرحلة الأولى على تحسين تخصيص مهام التدريب للمركبات باستخدام تحسين سرب الجسيمات (PSO) المحسن والخوارزميات الجينية (GA) لتخصيص المهام بشكل قريب من الأمثل. تقوم المرحلة الثانية بتحسين ترتيب تنفيذ المهام على كل مركبة من خلال استراتيجية تصنيف قائمة على الجشع، مما يسرع من اتخاذ القرار ويعزز الأداء العام للنظام.
نقاش
تسلط قسم النقاش في الورقة الضوء على دمج التعلم الفيدرالي (FL) والتعلم الفيدرالي الهجين (HFL) ضمن نظام إنترنت المركبات (IoV)، مع التأكيد على الحاجة إلى نهج تدريب متعدد النماذج بسبب تنوع مهام التعلم الآلي (ML) التي يجب على المركبات تنفيذها. تركز الأدبيات الحالية بشكل أساسي على FL لمهمة واحدة، وهو ما لا يكفي للتطبيقات الواقعية حيث تشارك المركبات في مهام متعددة متزامنة مثل اكتشاف الكائنات وتوقع حركة المرور. يشير المؤلفون إلى أن الطرق الحالية غالبًا ما تعتمد على تقنيات FL التقليدية، مما يؤدي إلى عبء اتصالي كبير، ويؤكدون على أهمية تقليل هذه التكاليف مع تحسين كفاءة التدريب.
تقدم الورقة عدة مساهمات تهدف إلى معالجة هذه التحديات. يتم اقتراح قاعدة تجميع هجينة متزامنة وغير متزامنة للتدريب متعدد النماذج في الحوسبة الطرفية للمركبات HFL (VEC-HFL)، والتي تعمل على تحسين عملية التجميع لتقليل تقادم النموذج. بالإضافة إلى ذلك، يقدم المؤلفون طريقة تحسين فعالة من مرحلتين تُدعى HEART، والتي تجمع بين تحسين سرب الجسيمات والخوارزميات الجينية لتقليل وقت التدريب العالمي. تظهر المحاكاة الواسعة باستخدام مجموعات بيانات العالم الحقيقي الأداء المتفوق لـ HEART من حيث كفاءة الوقت وتكاليف الاتصال، مما يبرز إمكاناتها للتنفيذ العملي في أنظمة IoV الديناميكية. تختتم القسم بتحديد هيكل الورقة، الذي يتضمن معلومات خلفية، وعرض الإطار، وصياغة المشكلة، ونتائج المحاكاة، واتجاهات العمل المستقبلية.
DOI: https://doi.org/10.1109/tcc.2026.3698093
Publication Date: 2026-05-28
Author(s): Xiaohong Yang et al.
Primary Topic: Privacy-Preserving Technologies in Data
Overview
The research paper presents a novel approach to address challenges in multi-model training within the Vehicle Edge Computing – Federated Learning (VEC-HFL) architecture. The authors introduce the Hybrid Evolutionary And gReedy allocaTion method (HEART), which utilizes a low-complexity greedy algorithm to prioritize task training on vehicles. By implementing a hybrid synchronous-asynchronous aggregation rule, HEART effectively balances task scheduling and optimizes training efficiency. Experimental results on real-world datasets indicate that HEART significantly reduces model training time and communication overhead compared to existing methods.
The paper outlines several promising directions for future work, including the extension of HEART to accommodate variable vehicle dynamics, data storage constraints, and the integration of advanced techniques like Federated Dropout and Split Learning for large-scale model training. Additionally, the authors propose exploring multi-tier cooperative architectures for enhanced knowledge sharing and developing context-aware resource optimization strategies to manage extreme traffic scenarios. Addressing uncertainties such as unexpected disconnections during model training is also highlighted as a critical area for further investigation.
Introduction
The introduction of the paper discusses the integration of Machine Learning (ML) applications within the Internet of Vehicles (IoV), highlighting the challenges posed by distributed data and high mobility that complicate traditional centralized ML training methods. These challenges include high latency, communication overhead, and privacy concerns. To address these issues, Federated Learning (FL) is introduced as a decentralized approach that allows for local training at data sources, thereby enhancing privacy and reducing communication costs. However, FL still faces difficulties in dynamic vehicular environments due to unstable connectivity and communication inefficiencies. The authors propose Hierarchical Federated Learning (HFL) as an advanced solution, which incorporates edge servers as intermediaries to improve communication efficiency and system robustness.
The proposed VEC-HFL architecture consists of a central server (CS), multiple edge servers (ESs), and vehicles acting as model training clients. The architecture employs a hybrid synchronous-asynchronous aggregation mechanism to optimize data utilization and mitigate model obsolescence. Vehicles complete local training tasks and transmit their models to the nearest ES, which aggregates the models before sending them to the CS for global aggregation. This process is structured into local, edge, and global iterations, with specific configurations for each task to ensure efficient training. The mathematical formalization of the VEC-HFL architecture is provided, detailing the dataset representation, loss function, and model update processes, ultimately aiming to enhance the training efficiency of ML tasks in IoV systems.
Methods
In this research, the authors explore a novel approach to multi-model training in Vehicle Edge Computing for Federated Learning (VEC-HFL), addressing the challenges of model obsolescence and the effective utilization of dynamic vehicular data. The proposed methodology involves a hybrid aggregation strategy that combines synchronous and asynchronous techniques. Specifically, at the edge layer, a loose synchronous aggregation is employed where edge servers (ESs) aggregate local models from vehicles after a maximum waiting time for a specific task. Conversely, the cloud server (CS) performs global aggregation asynchronously, utilizing a subset of ES models to reduce latency. This hybrid approach enhances model consistency and accuracy while minimizing delays, making it particularly suitable for the dynamic nature of Internet of Vehicles (IoV) environments.
To further optimize the training process, the authors introduce the Hybrid Evolutionary And gReedy allocaTion method (HEART), which addresses the NP-hard min-max optimization problem of balancing global latency and training across diverse machine learning tasks on resource-constrained vehicles. HEART consists of two stages: the first stage focuses on optimizing the assignment of training tasks to vehicles using an improved hybrid of Particle Swarm Optimization (PSO) and Genetic Algorithms (GA) for near-optimal task allocation. The second stage optimizes the execution order of tasks on each vehicle through a greedy-based ranking strategy, thereby accelerating decision-making and enhancing overall system performance.
Discussion
The discussion section of the paper highlights the integration of Federated Learning (FL) and Hybrid Federated Learning (HFL) within the Internet of Vehicles (IoV) ecosystem, emphasizing the need for multi-model training approaches due to the diverse machine learning (ML) tasks vehicles must perform. Current literature primarily focuses on single-task FL, which is inadequate for real-world applications where vehicles engage in multiple concurrent tasks such as object detection and traffic prediction. The authors note that existing methods often rely on conventional FL techniques, leading to significant communication overhead, and stress the importance of reducing these costs while improving training efficiency.
The paper introduces several contributions aimed at addressing these challenges. A Hybrid Synchronous-Asynchronous Aggregation Rule is proposed for multi-model training in Vehicle Edge Computing HFL (VEC-HFL), which optimizes the aggregation process to mitigate model obsolescence. Additionally, the authors present an efficient two-stage optimization method named HEART, which combines Particle Swarm Optimization and Genetic Algorithms to minimize global training time. Extensive simulations using real-world datasets demonstrate the superior performance of HEART in terms of time efficiency and communication costs, underscoring its potential for practical implementation in dynamic IoV systems. The section concludes by outlining the structure of the paper, which includes background information, framework presentation, problem formulation, simulation results, and future work directions.