Neues Federated Distillation-Ansatz reduziert Latenz beim Fahrzeug-Edge-Caching

Ein neuer Ansatz zur Fahrzeug-Edge-Caching-Technologie verspricht, die Wartezeit für Fahrzeugnutzer drastisch zu senken, indem Inhalte, die sie wahrscheinlich interessieren, vorab an Edge-Knoten vorgehalten werden. Dabei bleibt die Privatsphäre der Nutzer geschützt, weil keine Rohdaten geteilt werden.

Traditionelles Federated Learning (FL) schützt die Privatsphäre, indem Modelle statt Daten ausgetauscht werden. Doch die häufigen Modellübertragungen erzeugen einen hohen Kommunikationsaufwand, und Fahrzeuge können die Reichweite der Road Side Units (RSU) verlassen, bevor das Training abgeschlossen ist. Diese Probleme lösen die Autoren mit einem federated distillation‑unterstützten Caching‑Schema, das auf einem leichtgewichtigen Denoising Diffusion Probabilistic Model (LDPM) basiert.

Simulationen zeigen, dass das neue Schema robust gegenüber unterschiedlichen Fahrzeuggeschwindigkeiten ist, die Kommunikationskosten deutlich senkt und die Trefferquote des Caches erhöht. Damit bietet es eine vielversprechende Lösung für die effiziente und datenschutzfreundliche Bereitstellung von Inhalten im vernetzten Fahrzeugumfeld.