1、联邦学习在移动边缘网络中的应用与挑战

联邦学习在移动边缘网络中的应用与挑战

1. 引言

如今，全球约有 70 亿台联网的物联网（IoT）设备和 30 亿部智能手机。这些设备配备了日益先进的传感器、计算和通信能力，可用于各种众包传感任务，如医疗用途和空气质量监测。随着深度学习（DL）的兴起，终端设备收集的大量数据为有意义的研究和应用开辟了无数可能性。

传统的以云为中心的方法中，移动设备收集的数据会上传到基于云的服务器或数据中心进行集中处理。然而，这种方法存在诸多问题：
- 隐私问题 ：数据所有者对隐私的敏感度日益增加，政策制定者出台了数据隐私立法，如欧盟的《通用数据保护条例》（GDPR）和美国的《消费者隐私权利法案》，限制了数据的收集和存储。
- 延迟问题 ：以云为中心的方法存在较长的传播延迟，对于需要实时决策的应用，如自动驾驶汽车系统，不可接受的延迟可能会带来生命威胁。
- 网络负担问题 ：将原始数据传输到云端进行处理会给骨干网络带来负担，尤其是在处理非结构化数据时，如云中心训练相对依赖无线通信，这可能会阻碍新技术的发展。

为了解决这些问题，移动边缘计算（MEC）应运而生。在 MEC 中，终端设备和边缘服务器的计算和存储能力被用于将模型训练带到离数据产生更近的地方。但传统的 MEC 方法仍存在通信成本高、隐私保护不足等问题。

为了确保训练数据留在个人设备上，并促进分布式设备之间复杂模型的协作机器学习，一种名为联邦学习（FL）的去中心化 ML 方法被引入。在 FL 中，移动设备使用本地数据协作训练 FL 服务器所需的 ML 模型，然后将模型更新（即模型的权重