4、联邦学习中的资源分配、隐私与安全问题解析

联邦学习中的资源分配、隐私与安全问题解析

1. 资源分配

1.1 联合无线电和计算资源管理

传统的联邦学习（FL）研究多采用正交接入方案，如正交频分多址（OFDMA）。不过，有研究提出了多接入宽带模拟聚合（BAA）设计，旨在降低FL中的通信延迟。

BAA方案利用多址信道的信号叠加特性，将计算和通信集成在一起，与传统方案在服务器进行全局聚合时分开进行通信和计算不同。BAA方案可重用整个带宽，而OFDMA则对带宽进行正交分配。这导致正交接入方案的通信延迟与工作节点数量成正比，而多接入方案的延迟与工作节点数量无关。

在BAA传输中，信噪比（SNR）的瓶颈在于传播距离最长的参与设备，因为较近的设备需降低传输功率以与较远设备进行幅度对齐。为提高SNR，需丢弃传播距离较长的工作节点，但这会导致模型参数截断。为平衡SNR和截断问题，考虑了三种调度方案：
- 小区内部调度：不调度超过距离阈值的工作节点。
- 全包含调度：考虑所有工作节点。
- 交替调度：边缘服务器在上述两种方案之间交替。

仿真结果表明，BAA方案在实现与OFDMA方案相似测试精度的同时，可将延迟降低10到1000倍。在高移动性网络中，小区内部调度方案在测试精度上优于全包含调度方案；而在低移动性网络中，交替调度方案表现更优。

此外，还有研究在BAA方案基础上引入了误差累积和梯度稀疏化。对于因功率限制未传输的梯度向量，先存储在误差累积向量中，在下一轮训练中用于校正局部梯度估计。当存在带宽限制时，参与设备可应用梯度稀疏化，仅传输幅度最大的元素，并将未传输元素添加到误差累积向量中。仿真结果显示，该方案比不考虑误差累积和梯度稀疏化的空中计算方案具