In this paper, the problem of joint power and resource allocation (JPRA) for ultra-reliable low-latency communication (URLLC) in vehicular networks is studied. Therein, the network-wide power consumption of vehicular users (VUEs) is minimized subject to high reliability in terms of probabilistic queuing delays. Using extreme value theory (EVT), a new reliability measure is defined to characterize extreme events pertaining to vehicles’ queue lengths exceeding a predefined threshold. To learn these extreme events, assuming they are independently and identically distributed over VUEs, a novel distributed approach based on federated learning (FL) is proposed to estimate the tail distribution of the queue lengths. Considering the communication delays incurred by FL over wireless links, Lyapunov optimization is used to derive the JPRA policies enabling URLLC for each VUE in a distributed manner. The proposed solution is then validated via extensive simulations using a Manhattan mobility model. Simulation results show that FL enables the proposed method to estimate the tail distribution of queues with an accuracy that is close to a centralized solution with up to 79% reductions in the amount of exchanged data. Furthermore, the proposed method yields up to 60% reductions of VUEs with large queue lengths, while reducing the average power consumption by two folds, compared to an average queue-based baseline.

中文翻译：

---

用于超可靠低延迟车载通信的分布式联邦学习

在本文中，研究了车载网络中超可靠低延迟通信（URLLC）的联合功率和资源分配（JPRA）问题。其中，在概率排队延迟方面的高可靠性下，车辆用户（VUE）的全网功耗被最小化。使用极值理论 (EVT)，定义了一种新的可靠性度量来表征与车辆队列长度超过预定义阈值有关的极端事件。为了学习这些极端事件，假设它们独立且相同地分布在 VUE 上，提出了一种基于联邦学习 (FL) 的新型分布式方法来估计队列长度的尾部分布。考虑到 FL 在无线链路上引起的通信延迟，Lyapunov 优化用于以分布式方式为每个 VUE 导出启用 URLLC 的 JPRA 策略。然后通过使用曼哈顿移动模型的广泛模拟来验证所提出的解决方案。仿真结果表明，FL 使所提出的方法能够以接近集中式解决方案的精度估计队列的尾部分布，交换数据量减少高达 79%。此外，与基于队列的平均基线相比，所提出的方法使具有大队列长度的 VUE 减少了 60%，同时将平均功耗降低了两倍。仿真结果表明，FL 使所提出的方法能够以接近集中式解决方案的精度估计队列的尾部分布，交换数据量减少高达 79%。此外，与基于队列的平均基线相比，所提出的方法使具有大队列长度的 VUE 减少了 60%，同时将平均功耗降低了两倍。仿真结果表明，FL 使所提出的方法能够以接近集中式解决方案的精度估计队列的尾部分布，交换数据量减少高达 79%。此外，与基于队列的平均基线相比，所提出的方法使具有大队列长度的 VUE 减少了 60%，同时将平均功耗降低了两倍。