?
Adaptive Beam Tracking in 5G/6G mmWave Networks: A Clustered Federated Learning Approach
Миллиметровые волны (ммВолны, 30–100 ГГц) играют ключевую роль в обеспечении высокой пропускной способности сетей 5G/6G. Однако такие сигналы сильно подвержены затуханию и блокировке, что требует использования направленных антенн с формированием луча и эффективных алгоритмов его сопровождения.
Традиционные методы на основе машинного обучения, такие как централизованное обучение (ЦО) и федеративное обучение (ФО), сталкиваются с серьёзными проблемами. Хотя ЦО обеспечивает быструю сходимость, оно связано с высокими вычислительными затратами и рисками для конфиденциальности. В свою очередь, ФО решает эти проблемы за счёт распределённого обучения моделей, но страдает от медленной сходимости и неоптимальной точности из-за неоднородности данных.
Чтобы преодолеть эти ограничения, в данной работе предлагается новая кластеризованная федеративная обучающая (КФО) framework для сопровождения луча. КФО сочетает преимущества ФО, группируя пользователей со схожими распределениями данных, что позволяет обучать отдельную модель для каждого кластера. Такой подход снижает нагрузку на связь, ускоряет обучение и повышает точность. Мы анализируем ключевые факторы, влияющие на кластеризацию пользователей, и их влияние на эффективность обучения.
Численные результаты показывают, что КФО значительно превосходит традиционные методы ЦО и ФО, обеспечивая увеличение точности на 18% по сравнению с ФО (в частности, алгоритмом FedAvg) и на 11% по сравнению с ЦО. Эти результаты подчёркивают потенциал КФО для улучшения сопровождения луча в ммВолновых системах, предлагая более адаптивное и безопасное для конфиденциальности решение для беспроводных сетей будущего.