基于LoRaWAN的车联网联邦学习:架构、算法与开放性挑战的全面综述

《Computer Networks》:LoRaWAN-Based Federated Learning for the Internet of Vehicles: A Comprehensive Survey of Architectures, Algorithms, and Open Challenges

【字体: 大 中 小 】 时间:2026年10月01日 来源:Computer Networks 4.7

编辑推荐:

  **摘要** 联邦学习(FL)与车联网(IoV)的结合使得车辆、路边单元(RSUs)、网关、边缘服务器和云计算基础设施之间能够实现分布式智能,而无需集中存储敏感的操作数据。运行在LoRa物理层上的LoRaWAN协议为资源有限的分布式IoV设备提供了长距离、低功耗的连接能力。然

  **摘要**
联邦学习(FL)与车联网(IoV)的结合使得车辆、路边单元(RSUs)、网关、边缘服务器和云计算基础设施之间能够实现分布式智能,而无需集中存储敏感的操作数据。运行在LoRa物理层上的LoRaWAN协议为资源有限的分布式IoV设备提供了长距离、低功耗的连接能力。然而,其有限的数据载荷大小和数据传输速率、占空比限制、非对称的通信流量、有限的下行容量以及间歇性的连接性,给在IoV环境中高效部署传统FL带来了严峻挑战。与以往主要将LoRaWAN网络、FL通信效率和车辆应用作为独立研究方向的调查不同,本文提出了一个以网络为中心的综述,重点关注通信与学习的协同设计。通过一个结构化的三阶段文献筛选过程,本文回顾了2016年1月至2026年5月间发表在主要学术数据库(Scopus、IEEE Xplore、ACM数字图书馆、Web of Science、ScienceDirect和arXiv)上的研究,并明确区分了报告结果、计算结果、综合分析结果、示例结果和作者推导结果。所选研究被归纳为五种部署模式,并从网关辅助和分层聚合、异步协作、移动性和异质性感知、通信高效的压缩与提炼、语义更新与原型交换、安全与隐私协同设计以及混合多无线电架构等方面进行了分析。研究表明,在LoRaWAN的限制下,通过重新定义任务范围、采用紧凑模型、降低更新频率以及实现通信感知的聚合方式可以提高FL的可行性。预测性维护、冷链监测、路边感知、车队遥测、停车管理和物流跟踪等应用展现出较大的潜力,而安全性要求高和延迟敏感的服务仍然具有挑战性。当前的关键研究缺口包括移动性、可扩展性、安全性、通信效率、基准测试、联合仿真以及现场规模验证。本文提出了一个优先级的十点研究议程,强调了基于协议的FL、智能网关协作、语义压缩、混合多无线电架构以及开放可复现的基准测试等方向,这些方向对于实现实用、可扩展且通信高效的LoRaWAN支持下的IoV FL至关重要。

**引言**
路边基础设施、智能交通服务以及不断增加的联网车辆促进了车联网(IoV)的快速发展。IoV已经从一个通用的连接术语演变为一个包含车辆、路边单元、嵌入式计算、传感和机器学习在内的多层次信息物理系统。从车载传感器、路边设备、停车设施到车队管理系统,当前的IoV系统产生了大量的数据。通过分析各种分散的数据源,可以获取有关环境感知、车队优化、道路状况评估、交通监控和预测性维护的信息。然而,要提取有用的信息需要跨设备整合数据,但这些数据往往敏感、传输成本高昂,并且受到各种利益冲突的影响。由于隐私问题、通信成本、带宽限制和法律约束,通常无法将所有收集到的异构数据传输到中央服务器。联邦学习(FL)提供了一种替代方案:它允许多个设备在不共享原始数据的情况下共同训练一个通用的人工智能(AI)模型。每个设备在本地数据上训练完成后,将模型更新传输到全局聚合服务器。这种方法降低了与网络流量相关的隐私风险。尽管有许多IoV系统依赖于低功耗无线技术,但大多数FL算法是为那些具有频繁信息交换、可靠连接和高带宽需求的通信网络设计的。采用星型拓扑结构并在LoRa物理层上使用Chirp扩频(CSS)调制的LoRaWAN协议因其低能耗、长距离通信、在无需许可的频段内运行以及经济实用的基础设施而受到广泛关注。尽管LoRaWAN最初是为传输少量遥测数据而设计的,但它已被广泛应用于预测性维护、车队监控、环境感知和智能停车等领域。然而,传统的FL技术在LoRaWAN网络上的直接应用效率较低,这是由于数据包大小、占空比、传输速率、下行通信和地理覆盖范围的限制。因此,问题不在于LoRaWAN是否能够替代宽带FL链接,而在于哪些IoV任务可以被重新界定、压缩或分层聚合,从而使LoRaWAN成为可行的协调平台。为了克服LoRaWAN的通信限制,分层聚合、异步学习、模型压缩、知识提炼、稀疏更新和混合通信架构等方法展现出了良好的效果。混合架构使得LoRaWAN能够承载控制流量,而大规模同步则通过容量更大的通信链路完成。然而,车辆特有的移动性、数据分布不均、连接间歇性和资源限制给实际应用带来了额外的挑战。交通智能涉及四个具有不同通信需求的层次:安全性关键的实时控制(需要高带宽和低延迟);交通和移动性管理(需要中等带宽);运维和维护智能(需要低带宽和高延迟);以及环境和基础设施感知(需要非常低的带宽)。LoRaWAN尤其适用于后两者。车辆的移动性导致与路边基础设施的接触时间较短,数据异质性源于路线、地形、货物和驾驶行为的差异,从而产生深度非独立同分布(non-IID)的局部数据分布。组织上的异质性反映了市政机构、私人车队和基础设施提供商之间的竞争利益。成本敏感性是推动LoRaWAN采用的重要因素,因为许多交通物联网(IoT)项目在资源紧张的预算下运行。

尽管近年来关于IoV、LoRaWAN和FL的研究迅速增长,但针对它们结合应用的研究仍然较少。现有的调查通常只关注其中一个领域(例如智能交通系统(ITS)中的FL[[1]]、[2]]、[3]]或LoRaWAN的基本通信限制[[4,5]],很少对通信约束、系统架构、学习算法、应用适用性、安全考虑和性能评估进行全面讨论。由于相关文献的研究交叉点仍在形成中,本文综合了关于FL在受限通信链路上的积极成果和LoRaWAN可扩展性方面的局限性。因此,研究人员仍难以确定哪些IoV应用适用于基于LoRaWAN的FL,以及为实现高效部署所需的设计选择。本文通过对基于LoRaWAN的IoV FL进行综合性回顾,解决了这些问题,从架构、算法和应用角度探讨了通信约束与分布式学习之间的相互作用,回顾了现有系统架构、通信高效的学习方法、安全和隐私机制、应用领域以及评估方法,并讨论了当前的研究挑战和未来工作的方向,以实现实用、可扩展且保护隐私的IoV FL。

**主要贡献**
1. 对基于LoRaWAN的IoV FL部署架构进行了全面回顾,包括平面式、以网关为中心、分层式、混合式和仓库同步式方法。
2. 详细比较了在LoRaWAN限制下的通信高效FL技术,包括量化、稀疏化、异步学习、联邦提炼和语义通信。
3. 分析了文献中提到的移动性、通信限制、统计异质性、隐私和安全挑战及其潜在解决方案。
4. 根据通信需求、延迟容忍度、部署复杂性和LoRaWAN适用性,系统评估了IoV应用领域。
5. 讨论了开放的研究挑战和未来研究方向,以支持高效且可扩展的LoRaWAN支持下的FL系统的发展。

本文遵循了一套结构化的文献筛选和分类方法,旨在提高透明度、可复现性和分析严谨性。其目的不是提供关于LoRaWAN、FL和IoV所有研究的详尽文献综述,而是提炼出如何在资源有限的LoRa/LPWAN网络上支持联邦和分布式学习的方案。筛选过程结合了文献、主题、技术和应用导向的筛选标准。搜索涵盖了六个学术数据库:Scopus、IEEE Xplore、ACM数字图书馆、Web of Science Core Collection、ScienceDirect和arXiv。Google Scholar仅作为补充资源,用于从主要数据库识别出的记录进行反向和正向扩展搜索。搜索范围涵盖截至2026年5月15日的出版物。方法论工作流程分为三个主要阶段:(i) 初始文献库的确定;(ii) 多阶段筛选和排除;(iii) 主题分类和证据综合。图1展示了作者制定的整体工作流程。

搜索策略围绕三个核心概念维度设计:通信基础、学习范式和应用领域。通信维度包括LoRa、LoRaWAN、LPWAN和Chirp扩频;学习维度包括FL、分布式学习、协作学习、设备内学习和联邦提炼;应用维度包括车联网、车辆网络、车对车(V2X)、车对车辆(V2V)、智能交通系统(ITS)和车队应用。此外还进行了涉及梯度压缩、量化、稀疏化、知识提炼和原型学习的补充搜索,以识别与通信高效FL相关的技术。由于LoRa/LoRaWAN、FL和IoV的直接交叉点产生的文献量较少,因此还纳入了双向组合作为扩展搜索。LoRa/LPWAN–FL交叉用于识别在受限无线条件下开发的通信和学习机制,而FL–IoV交叉用于识别与底层无线技术无关的车辆联邦学习架构和算法。这些扩展搜索得到的研究用于建立可迁移的设计原则和方法学见解,而不仅仅作为LoRaWAN–FL–IoV直接交叉点的证据。

本文的主要贡献包括:
- 对基于LoRaWAN的IoV FL部署架构进行了全面回顾,包括平面式、以网关为中心、分层式、混合式和仓库同步式方法;
- 详细比较了在LoRaWAN限制下的通信高效FL技术,如量化、稀疏化、异步学习、联邦提炼和语义通信;
- 分析了移动性、通信限制、统计异质性、隐私和安全挑战及潜在解决方案;
- 根据通信需求、延迟容忍度、部署复杂性和LoRaWAN适用性,系统评估了IoV应用领域;
- 讨论了开放的研究挑战和未来研究方向,以支持高效且可扩展的LoRaWAN支持下的FL系统的发展。

本文遵循三个指导原则:首先,IoV应用在通信需求上存在差异;其次,应在多层次通信架构中评估LoRaWAN;第三,在LoRaWAN严格的通信限制下,通信模型的协同设计是不可或缺的。因此,本文涵盖了LoRaWAN塑造FL工作流的架构,包括LPWAN支持控制流量而大规模同步通过容量更大通信链路进行的混合部署。

本文的其余部分结构如下:第1.2节介绍了调查方法,包括搜索的数据库、搜索字符串、纳入和排除标准、筛选计数以及统一使用的数据来源标注规则;第1.3节回顾了该领域的发展历史;第1.4节和第1.5节分别阐述了LoRaWAN和LPWAN的基础知识及FL的基础理论。第2节介绍了基于LoRaWAN的FL系统的架构设计,以及安全性和隐私保护、应用分析和通信基础比较。第3节回顾了通信高效的学习算法、移动性感知优化技术、压缩方法和评估方法。第4节讨论了剩余的研究挑战和未来方向,第5节总结了全文。在IoV(车联网)维度上,优先考虑了涉及车辆移动性、车对车/车对车(V2X/V2V)通信、车辆跟踪、智能交通系统(ITS)、边缘辅助学习以及分布式智能的研究。当记录与研究问题无关、在非机器学习背景下使用“联合”(federated)一词、仅将LoRa视为一种用于测距或定位的技术而未涉及网络或学习功能,或仅针对与本调查中考察的通信-学习关系无关的孤立硬件或应用问题时,这些记录被排除在外。非英语出版物、专利、论文、技术博客、供应商数据表以及不相关的行业材料也被排除。如果识别出同一研究的多个版本,优先保留同行评审过的出版物,而不是预印本或重复版本。筛选过程包括三个阶段:首先,移除重复记录(包括重叠的数据库条目和预印本-已发表版本),将初始语料库从1,412条减少到968条独特记录;其次根据预定义的相关性标准筛选标题和摘要,获得214条记录进行详细评估;最后进行全文筛选,以确定这些研究是否提供了与审查内容相关的实质性技术证据,从而将语料库进一步减少到99条记录。最终筛选还通过反向引用识别出9篇相关出版物,使得最终纳入审查的参考文献总数达到108篇。最终筛选更注重技术和架构的相关性,而不仅仅是引用次数。当研究引入了可复现的模型、分析公式、实验评估、通信高效的学习机制、网络优化策略或与基于LoRaWAN的联邦学习(FL)和IoV相关的系统架构时,这些研究会被优先考虑。引用影响和出版物来源被视为相关性和科学可见性的次要指标,而非强制性选择标准。2016年之前发表的基础性研究仅在通过反向雪球效应被识别出来,并且提供了后期研究无法充分替代的基本理论或方法论基础时才会被保留。

最终选定的108篇参考文献按照调查的主要分析维度进行了组织。所选的文献被分为四个主要主题领域:(i) LoRa/LoRaWAN通信和网络限制;(ii) 在资源受限的无线网络上的联合和分布式学习;(iii) 适用于IoV和ITS的FL;(iv) 综合的LoRaWAN-FL-IoV架构、优化策略和开放性挑战。在这四个广泛类别内,文献进一步根据重复出现的技术机制进行分类,包括通信高效模型更新、梯度压缩与量化、知识蒸馏、客户端选择、资源分配、自适应通信参数、边缘辅助聚合、移动感知学习、隐私保护以及跨层优化。这种分类有助于区分在LoRaWAN-FL-IoV环境中直接展示的技术,以及从相邻的FL、LPWAN或车辆学习文献中转移的技术。为了避免概念上的夸大,通过双向搜索扩展得到的研究被明确区分开来,前者用于建立可转移的机制、理论基础和设计原则,而直接针对基于LoRaWAN的IoV的FL的研究则主要基于那些明确评估或构建这种组合的研究。由于所选文献涵盖了异构类型的证据(包括现场测量、模拟研究、分析模型、算法评估、实验原型、调查和技术规范),因此没有应用单一的形式化质量评估工具。相反,每项研究都根据证据类型进行了分类,在解释其发现时考虑了相应证据的强度。因此,实验和现场验证的结果与基于模拟的结果、分析估计、概念框架以及综合设计观察结果进行了区分。每个包含定量或比较信息的图表都附有明确的来源标签。

数值直接由引用研究的原始数据集、网络配置、实验设置、模拟环境或评估协议报告。数值是通过引用文献中报告的参数或已确立的LoRaWAN通信模型计算得出的。例如,这些数值包括发射时间、传输时长、与数据包相关的量,或其他从已发布的LoRaWAN区域和PHY/MAC参数中得出的值。“合成”(S)表示来自多个来源的跨研究范围的数值、趋势、排序或定性比较,这些来源可能具有不同的数据集、模型架构、网络配置和评估协议。这样的数值旨在表明相对行为或数量级,而不是直接可比较的绝对性能。“说明性”(I)意味着该图表或数值是用于解释关系、设计空间或定性比较的概念构建物,它不代表实验测量结果,数值轴上的数值不应被解释为实证结果。在适用性矩阵、雷达图、成熟度评估或影响-努力分析中使用的序数分数是根据相应表格或讨论中明确定义的标准分配的。此外,本调查提出的设计规则、阈值、参数建议或默认配置虽然未被文献中一致认可,但被明确标识为作者衍生的设计启发式方法。这些启发式方法旨在作为系统设计和未来实验验证的结构化和可验证的起点,而非普遍认可的阈值。总体而言,这种方法为随后的LoRaWAN通信限制、联合学习机制、车辆智能及其集成的综合提供了透明的基础。该方法刻意超越了单纯的文献计量统计,而是强调了本调查背后的系统级问题:如何高效可靠地将FL与受LoRaWAN限制的通信环境集成起来,以支持智能且可扩展的IoV应用。

本调查呈现的分类法是大约十年间三个最初独立研究社区假设演变的结果。追溯这些变化有助于理解为什么LoRaWAN-FL-IoV的交叉领域呈现出当前的样子,以及其中哪些传统是经过发展而来的,而不仅仅是继承的。

2016–2018年:独立特征描述。这两个父领域几乎是同时建立的,彼此之间互不知情。在通信方面,首批系统的LoRa可扩展性测量[22,23,29,30]用量化方式替换了供应商的覆盖范围声明,包括ALOHA碰撞行为、占空比限制和每个网关的容量上限,Adelantado等人[4]将这些内容整合为LoRaWAN限制的规范表述。在学习方面,FedAvg[36]围绕一个主要假设构建了联合优化:即通信相对于计算来说成本较高,但在发生通信时可以交换完整模型。因此,这一时期的设计响应是减少通信轮次的数量,而不是更新大小,早期的通信效率研究[49]将更新大小视为次要问题。

2018–2021年:压缩作为事后处理方法。随着FL向移动和边缘环境的发展,主流方法变成了对参数向量的压缩——包括量化[85]、稀疏化[50]、基于符号的方法[51]以及结构化或低秩更新[87]。默认的假设是交换的对象是模型的参数,而压缩是对该对象的应用。同时,联合通信-学习公式[40,41,67]开始将无线信道视为优化中的一个明确因素,分层客户端-边缘-云聚合作为对链接稀缺性的架构响应而非算法响应。这一时期出现了车辆FL[82,83,102],但假设使用的是DSRC、C-V2X或蜂窝网络;LPWAN并未在其中得到应用。

2021–2023年:从参数到知识的转变。关注点从通信量转向了统计异质性,FedProx[42]、SCAFFOLD[43]、聚类FL[44]、个性化[45],[60],[62]以及客观不一致性校正[48]表明,限制准确性的因素不仅仅是带宽,还包括非独立同分布(non-IID)结构。这一时期的两个发展对当前领域最为重要:首先是联合蒸馏[47]和原型交换[52]打破了必须交换参数的假设,产生了首批载荷成本与模型大小无关的表示方法,因此这些方法原则上可以与51字节的数据包兼容;其次是分层车辆FL[15,75,76]将移动性从一种麻烦因素转变为可以加速跨集群混合的结构属性。

2023–2026年:三个方向的融合。直到最近三年,才有研究将LPWAN直接视为FL的底层:基于LoRa物理层的嵌入式FL[39]、支持LoRaWAN的工业物联网联合框架[38]、移动感知联合[16,98]以及专为LoRa设计的FL模拟器[91]。这些研究规模较小,通常涉及不到二十个设备,但标志着通信社区的时间计算方法和学习社区的融合计算方法首次应用于同一系统。自适应稀疏量化与错误反馈[88]以及6G原生FL标准化活动[103],[104],[105]开始从相反方向闭合这一循环。

什么发生了变化,什么没有变化?四个假设的转变定义了本调查的轨迹和结构。通信成本从每轮计算转变为每字节、每单位时间的预算。交换的对象从参数转变为知识,形式包括logits、原型和残差。拓扑结构从设备-云模式转变为多层结构,网关的角色从透明中继转变为计算节点。评估方法也发生了变化——如第3.3节所述——从基于独立同分布(IID)的准确性基准转向联合准确性、发射时间、能源和公平性的报告。不变的是评估的基础本身:该领域仍缺乏一个涵盖现实移动性、LoRaWAN MAC行为和FL训练的共享基准,这也是第4.1节中将这一差距列为第一级的理由。

LoRa是由Cycleo开发、Semtech商业化的底层CSS物理层调制技术[19],而LoRaWAN则规定了在其之上运行的MAC层和网络架构。CSS线性扫描载波频率,提供了处理增益,使接收器能够在噪声阈值以下解码信号,这是LoRa在低发射功率下具有卓越链接预算的原因。扩频因子(SF7-SF12)在数据速率和传输距离之间进行权衡:每个增加大约使空中时间翻倍,同时灵敏度提高约2.5 dB。图3(a)展示了由此产生的约19:1的吞吐量差异(SF7时为5.5 kbps,SF12时降至0.29 kbps),以及14 dB的链接预算增益(137-151 dB),覆盖范围从2-5公里(城市)扩展到10-15公里(农村)。CSS还具有抗多普勒效应(LoRa链接在SF7-SF12范围内可支持最高50-150公里/小时的速度[20,21]),并且在不同扩频因子下几乎正交,使得一个网关可以同时服务多个扩频因子,而不会产生干扰——这两个特性对移动车辆至关重要。图3(b)展示了比特率与扩频因子的关系;链接预算和最小信噪比(SNR)阈值。EU868标准下的125 kHz带宽和4/5编码率。

LoRaWAN定义了三种具有不同下行行为的设备类别,每种类别对FL都有不同的影响,这些在表1中进行了总结,并附带了层堆栈及其限制。层规范和限制直接来源于LoRaWAN 1.1协议标准[35],而“FL交互点与设计影响”列则反映了作者对这些标准化限制如何影响FL系统设计的解读。

三个运行限制设定了任何LoRaWAN FL部署的约束:占空比、每个数据包的发射时间和最大有效载荷。表II列出了EU868标准下不同扩频因子的数值。在1%占空比限制下,设备在SF12时大约每148秒可以发送一个51字节的数据包——大约每小时24个数据包,或约306个32位浮点参数。在SF7时,同一设备可以每小时发送约23.8 KB的数据包(约5,957个参数)。这些数字解释了为什么即使是小型神经网络也无法在LoRaWAN上完整交换;图示展示了结果的时间景观,显示只有SF7-SF9范围内的小型模型处于实际可行的时间范围内(绿色区域)。表2显示了欧盟868标准下每个扩频因子的LoRaWAN操作参数及FL规划值。发射时间、占空比间隔和有效数据包率是根据LoRaWAN区域参数规范[21]和使用标准发射时间公式计算得出的;“实际FL用例”列将这些计算结果应用于典型的FL载荷需求[C]。

图4展示了在1%占空比和125 kHz带宽下,通过LoRaWAN上传8位量化参数的FL轮次时间(分钟)。这些轮次时间是根据表2中的发射时间和占空比值计算得出的,不是基于实际部署系统的测量结果。只有在SF7-SF9范围内,极少数模型仍能正常工作;绿色单元表示轮次时间≤10分钟。当扩展到大量设备时,问题变得更加严重:协调的FL流量峰值会大大降低有效吞吐量[23],并且当每个网关活跃的设备超过约120个时,数据包传输会显著恶化[22]。异构扩频因子分配、多网关多样性和时分调度是有效的缓解措施[24],但最可靠的方法仍然是异步的、事件触发的FL,其中更新是机会性的,而不是按照共享的时钟进行。每个数据包的有效载荷上限为51-222字节,轮际间隔至少为数十秒到几分钟,设备/小时的有效吞吐量范围为306-5,957个参数,可扩展性阈值约为每个网关100-200个同步设备,以及明显的A类下行链路不对称性,这有利于采用轻量级下行链路设计和缓存基线模型。这是该分析为任何基于LoRaWAN的联邦学习(FL)系统确定的五个设计约束。对于最高速度为50公里/小时的城市环境,使用车载LoRaWAN设备的现场实验报告显示,在SF7-SF9条件下,数据包传输率超过85%,但随着车辆速度的增加,性能会下降[25]。由于最佳扩频因子(SF)会随着车辆穿过不同的覆盖区域而变化,这些发现还表明,移动车辆的自适应数据速率(ADR)收敛可能比静态传感器更慢。这种由移动性引起的变化对于基于LoRaWAN的联邦学习尤为重要,因为在持续的训练轮次中,通信参数可能会发生变化,从而影响客户端参与度、同步性和收敛性。现有研究展示了几种将学习与基于LoRaWAN的智能车辆(IoV)系统结合的互补方向:分布式学习被用来提高LoRaWAN网络的连接性和资源利用率[26],学习辅助的资源分配被用来增强基于LoRaWAN的车辆跟踪性能[27],而DNN辅助的LoRaWAN通信已被应用于车辆跟踪系统[28]。总体而言,这些研究表明了基于学习的LoRaWAN系统在解决IoV中的连接性、资源分配和移动性问题方面的潜力。然而,它们的结果也强调了需要特定于联邦学习的机制,这些机制需要同时考虑LoRaWAN的受限有效载荷大小、占空比限制、不对称通信、间歇性连接性和车辆移动性。特别是对于多数据包的联邦学习模型更新,需要应用层排序和重传机制,因为LoRaWAN本身不提供可靠且有序的数据传输。

除了LoRaWAN之外,主要的低功耗广域网(LPWAN)替代方案还包括NB-IoT和LTE-M,两者都运行在授权的蜂窝频谱上。NB-IoT支持更大的有效载荷(最多1,600字节),但需要运营商基础设施和订阅费用,因此对于稀疏或私人部署来说吸引力较低。LTE-M支持移动性和切换,并且吞吐量高于LoRaWAN,但能耗也更高。本调查因此做出了如下定位:当私人网络部署、非授权频谱、多年电池寿命和低设备成本是主要考虑因素时,优先选择LoRaWAN;而在需要吞吐量和移动性支持的情况下,则优先选择NB-IoT/LTE-M。这里为LoRaWAN开发的设计原则——语义压缩、分层聚合、异步操作——即使应用于限制较少的LPWAN替代方案时也仍然有用。这项分析借鉴了LPWAN/LoRaWAN的测量和调查文献[[29], [30], [31], [32], [33], [34]];整个协议的行为遵循LoRaWAN 1.1标准[35]。

联邦学习(FL)考虑K个客户端,每个客户端持有从本地分布Pk中提取的本地数据Dk(包含nksamples),并共同最小化全局目标min?wF(w)=∑k(nk/n)Fk(w),其中Fk表示客户端k的本地经验损失[36,37]。在非独立同分布(non-IID)的IoV环境中,由于地理、操作和时间的原因,本地分布存在系统性差异,导致每个客户端的最佳策略与全局最优解偏离。FedAvg[36]通过三个步骤来解决这个问题:广播全局模型,在每个选定的客户端上执行Elocal SGD步骤,然后计算更新结果的加权平均值。通信成本每轮为2∣w∣·∣St∣(下行一次,上行一次);在LoRaWAN下,可以通过压缩、语义表示或分层聚合将这一需求降低几个数量级,正式限制为|Δθk|bits≤BLoRa=Pmax·8bits/设备/轮次,其中Pmax根据扩频因子(SF)的不同而在51到222字节之间变化。图5显示了四种架构下的FL通信成本分解和收敛曲线。这些数值综合了多项引用研究[[38], [39], [40], [41]]中的准确性和通信成本结果,这些研究使用了不同的数据集、模型和配置,表明了相对大小和顺序,而不是单一的直接测量结果。在LoRaWAN下,三种网络类型的成本组成部分显示,更新上传和非独立同分布数据的统计效率是共同的瓶颈;四种架构的收敛曲线显示了分层和蒸馏设计跟踪无约束的5G基线,而平坦的LoRaWAN FedAvg则低约11个百分点。一个常见的误解是只关注上传量。图4(a)显示,在LoRaWAN下,更新上传(约45%)和非独立同分布数据的统计效率(约30%)是并列的成本驱动因素;仅仅关注上传量可能会导致用一个瓶颈替换另一个瓶颈。图4(b)表明,平坦的LoRaWAN FedAvg约为81%,而无约束的5G基线约为92%,而具有分层聚合或联邦蒸馏的LoRaWAN能够以相当或更低的成本恢复大部分差距[[38], [39], [40], [41]],这证明了分层和基于蒸馏的设计对于LoRaWAN FL来说是实际需要的,而不仅仅是偏好。图6展示了六个维度上的FL算法比较。雷达图分数是作者对文献中每个算法特性的定性综合,作为说明性比较而非基准测量。联邦蒸馏和异步FL在LoRaWAN兼容性方面得分最高,而SCAFFOLD的双重开销使其无法进入可行区间。图7说明了FedAvg在本地周期中的权衡:非独立同分布客户端漂移在高周期计数下会降低准确性,因此不能通过增加本地计算来解决LoRaWAN的通信瓶颈。

表3比较了八种FL算法在通信成本、非独立同分布鲁棒性、LoRaWAN兼容性、异步支持、隐私准备程度以及整体适用于IoV方面的表现。每种算法的底层属性都来源于其原始出版物,但比较评级(低/中等/好/优秀等)是作者针对LoRaWAN-IoV适用性的定性综合,应被视为说明性比较而非基准测试得分。表4根据压缩比[R]、剩余开销[C]、LoRaWAN有效载荷兼容性[C]和IoV适用性比较了通信效率高的FL技术。参数压缩可以大幅减少通信需求,而联邦蒸馏和语义原型可以进一步降低有效载荷对模型大小的依赖。因此,这些方法对于受限的LoRaWAN-IoV部署非常有前景。表5总结了LoRaWAN-IoV网络上的FL通信效率目标,包括每轮有效载荷、收敛轮数、参与率、延迟、能耗和准确性下降。宽带FL的值综合了通用(非LoRaWAN)FL文献,并指出了典型的数量级范围,而不是直接可比较的测量值[S];LoRaWAN的目标是根据1.4 LoRaWAN和LPWAN基础以及3.2通信高效学习策略[C]中建立的有效载荷、占空比和压缩约束计算得出的;实现每个目标的策略是说明性的设计指导而非经过验证的结果[I]。与宽带FL相比,LoRaWAN需要显著更低的通信量和更宽松的同步要求,这促进了压缩、异步聚合、本地训练和个性化的发展。

隐私和安全性。差分隐私( DP)[53]在传输前添加校准噪声;在LoRaWAN下,DP噪声与激进压缩的不兼容性是一个挑战——向1位梯度添加高斯噪声可能会抹去其所有信息内容,而联合设计的压缩-DP机制[37]尚未在LPWAN中标准化。安全聚合[54]的通信成本为O(K^2),仅在簇内规模(每个网关10-50台设备)下可接受,而不是在整个网络范围内,使得网关中介的安全聚合成为实际模式。拜占庭鲁棒规则(Krum、修剪均值、坐标中位数)[55]依赖于足够的冗余更新来检测异常值,而LoRaWAN的低轮次参与率可能会削弱这一点;物理提供的单一组织车队比多组织部署具有更低的内部分析攻击风险,但这不应被假设。

非独立同分布(non-IID)缓解措施。FedProx[42]提供针对客户端漂移的免费保护,并且是从FedAvg直接升级的。集群FL[44]按客户群(例如,地理区域)分离联邦学习,将LoRaWAN流量限制在簇内更新,因为在簇内的非独立同分布严重性较低,而簇间协调则通过更丰富的回程路由。FedNova[48]消除了由于客户端执行的本地步骤数量不同而导致的客观不一致性,且额外通信成本可以忽略不计。在路线分层划分下的示例结果[56,57]显示:FedAvg大约73-75%的准确性,FedProx大约78-80%,集群FL大约86-88%,混合集群-蒸馏大约88-91%,而集中式上限约为91-93%——这些数据集依赖,但在不同研究中方法顺序是一致的。

收敛理论。FedProx收敛到最优解的邻域,其半径随异质性参数[42]而变化,因此在LoRaWAN强制的高本地周期计数下,算法选择比调整更为重要。异步FL的收敛依赖于一个迟滞界限tau,该界限在LoRaWAN长达数小时的轮次延迟下可以达到5-20轮,从而将收敛率降低到O(1/sqrt(T))而不是O(1/T)[40,46]——这通常对于IoV的准确性目标是可以接受的。联邦蒸馏缺乏可比的理论,但经验上在通信成本的1-2%内收敛到FedAvg的准确性范围内[39,47],因为logits每字节携带的信息比硬标签更多,但受到容量限制,这有助于防止过拟合本地数据。这些结果为基于LoRaWAN的FL提出了六条设计规则:第1.2.3节所述的作者推导出的设计启发式;每条规则都与上述调查的证据一致,但没有一条被文献普遍接受为共识结论,也没有在LoRaWAN–FL–IoV交叉点得到验证。它们作为可测试的出发点提供,而不是作为既定的实践。这六条规则是:优先选择蒸馏或原型交换作为通信原语,而不是量化梯度;不要将异步操作视为优化;在FedAvg的基础上使用FedProx;使集群FL与网关覆盖区域对齐;除非仓库或网关层有更丰富的基础设施,否则避免使用SCAFFOLD类双倍开销的方法;为网关中介设计隐私机制(簇内DP、簇内安全聚合、聚合点的拜占庭鲁棒性),目标是应用驱动的“足够准确性”而不是中心化奇偶性基准。这种算法基础涵盖了移动边缘/6G/智慧城市FL、个性化和公平性公式、压缩感知服务器策略、鲁棒聚合、能效和空中FL、微控制器级FL以及基于区块链的激励机制[[58], [59], [60], [61], [62], [63], [64], [65], [66], [67], [68], [69], [70], [71], [72], [73], [74]]。

概述和模式分类
将FL理论转化为可部署的基于LoRaWAN的IoV系统需要具体选择拓扑结构、网关角色和同步模型,而这些是FL算法本身无法解决的。本节开发了五种架构模式,用于组织终端设备、网关、边缘服务器和云聚合器。表6比较了五种基于LoRaWAN的FL架构模式,在覆盖范围、通信成本、非独立同分布处理、移动性支持、隐私强度和部署方面进行了排序。

异质性:来源和量化
除了第2节中的架构选择外,还有三个相互作用的挑战包括非独立同分布的车辆数据、移动性引起的中断以及在空中时间稀缺情况下的客户选择。移动性导致间歇性参与,这使得参与集偏向于链路条件良好的设备,进而又偏向于训练分布——这是一个必须整体而非零散解决的连锁问题。异质性通常通过本地移动距离(EMD)来衡量。

概述:十个挑战,优先级排序
综合第1章引言、1.1节背景和1.2节调查方法论的分析,本节确定了十个开放的研究挑战,并根据相对影响和实施难度对其进行评分,并将它们分为三个层次。表21根据影响和实施难度评分,为基于LoRaWAN的IoV中的FL确定了十个开放研究挑战。协议感知的FL、高效的更新表示、移动性感知的客户选择、基准开发以及部署验证被列为高优先级。

发现的综合
这项调查研究了基于LoRaWAN的IoV联邦学习,将其视为一个通信模型协同设计问题,涵盖了基础背景、架构模式、统计和移动性挑战、通信高效策略、安全性和隐私性、应用领域、评估方法以及研究议程。附带的结构图将叙述综合为三个阶段的流程:第1.4节中的LoRaWAN约束(有效载荷限制、占空比、下行链路不对称性)...

在准备这项工作时,作者使用了ChatGPT及其图像生成功能(OpenAI)进行英文编辑,提高了可读性和清晰度,精炼了选定的段落,并支持了选定作者开发的概念图的视觉完善和风格协调。作者根据需要审查和编辑了输出,并对发表文章的内容负全责。

作者贡献声明
Malak Abid Ali Khan:概念化、方法论、软件、数据策划、初稿撰写、审稿和编辑、资助。
Senlin Luo:监督、审稿和编辑、软件、验证。
Imran Khan Mirani:写作、审稿和编辑、数据策划。
Muhammad Hamza:写作、审稿和编辑、调查。
Zia Ur Rehman:写作、审稿和编辑、验证。
Sohrab Khan:写作、审稿和编辑、可视化。

资金信息
本工作得到了北京自然科学基金国际科学家项目的支持,项目编号为IS26047。

数据可用性声明
数据在手稿中提供。

利益冲突声明
作者声明对本文的撰写和发表没有利益冲突。穆罕默德·哈姆扎(Muhammad Hamza):负责写作、审稿与编辑工作以及数据分析;
齐亚·乌尔·雷赫曼(Zia Ur Rehman):同样负责写作、审稿与编辑工作,还包括数据验证;
索拉布·汗(Sohrab Khan):负责写作、审稿与编辑工作,以及数据可视化;
参与者还包括:马拉克·阿比德·阿里·汗(Malak Abid Ali Khan)、沈琳(Senlin Luo)、伊姆兰·汗·米拉尼(Imran Khan Mirani)。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号