联邦学习在移动通信网络智能化的应用

【摘  要】为解决移动通信网络智能化中因用户隐私保护、数据孤岛等因素导致数据无法集中训练等问题，网络可融入联邦学习技术，构建高效的分布式可信网络智能化架构。概述了联邦学习研究现状以及标准现状，介绍了基于联邦学习的网络智能化架构，并基于该架构验证了客户体验管理应用案例，为移动通信网络与联邦学习的融合提供了参考和借鉴，进一步推动了联邦学习技术在网络智能化的应用。

【关键词】联邦学习；移动通信网络智能化；客户体验管理

0   引言

近年来，物联网设备、各种传感器、智能手机等设备呈现爆发式增长，产生了大量的不同类型的数据[1-2]，为了提高移动通信服务质量并实现更智能化的移动应用，在移动通信网络中引入人工智能技术受到广泛的关注。传统的思路是将利用机器学习所需的数据集中在一个中央服务器中进行模型训练和分析，然而，在部分场景下，出于隐私保护的考虑，基于数据集中式的机器学习将无法实施。同时，网络还涉及不同厂家、跨网元、跨域以及第三方应用的数据，由于厂家竞争、数据安全和地址位置等因素，数据往往以孤岛形式存在[3]，无法互通，难以满足网络智能化对数据标签和特征维度的要求[4]。此外，网络地域覆盖广、数据体量大，即使数据可传输到中央服务器，也可能会占用较大的带宽和较长的传输时延，导致AI分析效率低下[5]。

因此，移动网络需引入分布式可信的人工智能技术，能够在保护数据隐私的前提下，打破数据孤岛，解决传输短板。联邦学习作为一种能够让数据拥有者利用数据/计算/模型加密实现本地化共同建模的技术，可实现数据无法直接互通下的模型训练，保障用户隐私和数据安全，降低数据传输开销，