Prévision du trafic mobile pour les tranches de réseau : Une approche d’apprentissage fédéré

Le découpage du réseau est l’une des pierres angulaires des systèmes de communication mobile de la prochaine génération. Plus précisément, il permet aux opérateurs de réseaux mobiles virtuels (MVNO) d’offrir différents types de services sur la même infrastructure physique appartenant à un fournisseur d’infrastructure (InP). Pour répondre aux besoins dynamiques des utilisateurs et garantir l’efficacité des ressources, les MVNO doivent estimer à l’avance la demande de trafic future, afin de pré-affecter/reconfigurer les ressources au niveau des stations de base. Toutefois, cette prévision du trafic par tranche exploite des informations qui sont manifestement sensibles pour les MVNO d’un point de vue commercial et qui pourraient même divulguer des données privées concernant certains utilisateurs. Il est donc essentiel que les MVNO garantissent la confidentialité des données lorsqu’ils effectuent des prévisions de trafic. Dans cette optique, nous proposons le cadre de la mémoire à long terme proximale fédérée (FPLSTM), qui permet aux MVNO d’entraîner leurs modèles locaux avec leur ensemble de données privées dans chaque station de base sans compromettre la confidentialité des données. Simultanément, un modèle global InP est mis à jour par l’agrégation des poids des modèles locaux. Les résultats de prédiction obtenus par l’entraînement des modèles sur un ensemble de données réelles indiquent que la performance de prévision de FPLSTM est aussi précise que les solutions de pointe, tout en garantissant la confidentialité des données et l’efficacité des coûts de calcul et de communication.