面向异构边缘环境的5G/6G网络联邦学习动态客户端选择与资源分配

《Network》:Federated Learning over 5G/6G Networks: Dynamic Client Selection and Resource Allocation for Heterogeneous Edge Environments

【字体: 大 中 小 】 时间:2026年07月07日 来源:Network 3.7

编辑推荐:

  联邦学习(Federated Learning, FL)已成为一种极具前景的隐私保护边缘智能范式,它使地理分布的边缘设备能够协同训练共享模型,而无需将原始数据传输至中心云。这一能力对于5G及新兴的6G网络尤为重要,因为此类网络要求在高度异构的设备及时变无线信道

  
联邦学习(Federated Learning, FL)已成为一种极具前景的隐私保护边缘智能范式,它使地理分布的边缘设备能够协同训练共享模型,而无需将原始数据传输至中心云。这一能力对于5G及新兴的6G网络尤为重要,因为此类网络要求在高度异构的设备及时变无线信道条件下运行,同时满足严格的延迟、带宽和隐私约束。然而在实践中,同步FL常受限于计算能力有限或通信条件不利的滞后客户端(straggling clients),这增加了通信轮次延迟并降低了整体资源效率。为应对这一挑战,本研究开发了一个结构化框架,用于在异构无线边缘环境中进行动态客户端选择和无线电资源分配。每个FL轮次被构建为一个延迟感知调度问题,联合捕获本地计算时间、上行链路传输时间、最小参与约束和资源块(Resource Block, RB)分配。在此基础上,研究人员提出了一种动态客户端选择与资源分配(Dynamic Client Selection and Resource Allocation, DCS-RA)方法,该方法集成了计算感知、信道感知和公平性感知评分,并结合了由边际完成时间减少引导的贪婪资源块分配策略。该研究进一步提供了清晰的方法论结构、工作流可视化、文献依据、数据集文档和不确定性感知的结果报告。在所报告的包含100个客户端和20个资源块的仿真设置下,DCS-RA将MNIST数据集上的平均轮次完成时间从1.92秒缩短至1.55秒,将CIFAR-10数据集上的时间从2.02秒缩短至1.57秒,分别提升了19.39%和22.47%。标准差分别降低了70.59%和80.77%,进一步表明轮次间的稳定性得到改善,训练行为更加可靠。这些结果支持了核心结论:轻量级联合调度能够实质性地提高异构5G/6G边缘网络中的挂钟时间(wall-clock) FL效率。
研究背景与意义
随着机器智能从集中式云基础设施向网络边缘迁移,5G及预期的6G系统架构正经历重大变革。在此背景下,边缘原生智能不再仅仅是优化选项,而是低延迟和隐私敏感服务(如工业传感、车辆分析、移动健康和智慧城市监控)的功能性需求。边缘计算缩短了控制环路,减少了回传拥塞并改善了数据局部性,而联邦学习(FL)则无需暴露原始用户数据即可实现协作模型训练。这些特性使得FL特别适合必须同时支持海量连接、严格延迟要求和高度异构计算资源的未来无线环境。
尽管概念契合度很高,但在实际无线边缘网络中部署FL仍面临效率难题。核心挑战在于FL运行于具有非均匀CPU频率、本地数据集大小、电池预算和无线质量的客户端之上。在同步训练中,服务器必须等待所有选定参与者完成上传后才能进行聚合。因此,即使是单个弱客户端也可能决定整个通信轮次的持续时间,从而产生严重的系统异构性和通信低效问题。现有研究虽提出了多种联合或分层调度方法,但许多复杂的分解方法、分层编排或基于学习的控制在 volatile 边缘条件下进行重复轮级决策时并不总是具有吸引力。因此,开发一种分析性强、计算轻量且可直接部署的方法显得尤为迫切。本文提出的DCS-RA框架正是为了填补这一空白,旨在提供一个介于简单随机参与和重型优化调度之间的桥梁。该论文发表在《Network》期刊。
关键技术与方法
研究人员采用了理论建模与仿真实验相结合的方法。首先,建立了一个同步FL系统模型,该系统位于异构边缘网络上,涉及一个协调服务器和N个候选客户端,上行频谱被划分为K个正交资源块(RB)。研究人员将调度问题表述为一个混合整数非线性规划问题,目标是在满足最小参与约束、RB分配约束和功率预算约束的前提下,最小化由最慢客户端决定的轮次完成时间。由于精确求解过于复杂,研究人员设计了DCS-宏观研究框架。该框架的核心包括四个步骤:一是客户端状态收集,获取计算能力、工作量代理、信道增益和公平性计数器;二是客户端评分,融合计算得分(基于CPU频率和数据量)、信道得分(基于平均信道增益)和公平性得分(基于连续未选中轮数);三是基于分数的Top-M客户端选择;四是贪婪RB分配,依据边际完成时间减少量将RB分配给选定客户端。实验在包含100个客户端和20个RB的仿真环境中进行,评估了MNIST和CIFAR-10两个数据集,重点关注轮次完成时间和稳定性指标。
研究结果
动态客户端选择与资源分配方法
研究人员提出了DCS-RA方法,该方法不仅考虑客户端的计算和通信能力,还引入了公平性机制以防止弱设备被长期排除。通过集成计算感知、信道感知和公平性感知评分,并结合贪婪RB分配,该方法在降低延迟的同时提高了系统的稳定性。
主要延迟结果
实验结果显示,在MNIST数据集上,DCS-RA将平均轮次完成时间从1.92秒降至1.55秒,标准差从0.17秒降至0.05秒;在CIFAR-10数据集上,平均时间从2.02秒降至1.57秒,标准差从0.26秒降至0.05秒。这表明该方法能显著降低平均延迟并减少轮次间波动。
MNIST鲁棒性
针对相对简单的MNIST工作负载,DCS-RA表现出持续的稳定性。逐轮完成时间图显示其始终处于较窄的延迟区间内,累积平均值迅速稳定并低于基线,证明了其在轻量级任务中抑制不利选择和无效分配的有效性。
CIFAR-10鲁棒性
在处理更复杂的CIFAR-10数据集时,DCS-RA展现出更强的优势。其绝对和相对收益更大,表明随着工作负载难度和系统异质性增加,该调度器在正则化整体训练过程方面的价值愈发凸显。
结论与讨论
研究人员总结指出,DCS-RA通过结合计算感知、信道感知和公平性感知评分与基于边际延迟的RB分配,成功解决了异构5G/6G边缘环境中同步FL的轮次完成延迟问题。在100个客户端和20个RB的仿真设置下,该方法显著降低了平均轮次完成时间并大幅减少了延迟离散度,证实了轻量级联合调度可实质性提升挂钟时间FL效率。
在讨论部分,研究人员强调了本研究的局限性及未来方向。目前的证据基于仿真,尚未包含扩展到50至150个客户端的节点扩展结果、真实测试平台验证、硬件运行时间分析、明确的非独立同分布(non-IID)分区分析、权重敏感性分析、每客户端公平性指标,也未与更强的优化和强化学习基线进行比较。此外,虽然核心逻辑适用于5G和6G,但实际采用路径因网络世代而异。未来的工作应扩展到更大的异构网络、真实的衰落和移动性诱导信道动态、dropout感知的运行时适应、能量感知目标、安全和隐私保护的调度元数据、更强的基线比较以及真实的5G/6G边缘测试平台。
相关新闻
生物通微信公众号
微信
新浪微博

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