面向联邦学习的6G大规模物联网资源跳跃多址方案

【摘  要】随着移动设备的广泛应用和大数据的快速增长，联邦学习作为一种在分散数据环境中进行机器学习的新兴范式，吸引了越来越多的关注。同时，5G/6G均将大规模物联网场景作为其核心场景之一，以通过实现大规模设备连接来完成未来海量分散数据的实时传输。因此，6G大规模物联网可以为联邦学习中海量终端的数据处理提供有力支撑。多址技术是6G大规模物联网实现海量连接的关键，现有研究提出了多种面向大规模物联网的新型多址方案，其中资源跳跃多址方案考虑信道资源的跳跃，通过给不同用户分配不同的资源跳跃图案从而实现海量用户接入。提出了资源跳跃多址与联邦学习的结合方案，将联邦学习客户端的通信信道划分为多个子信道，然后根据其数据特征和计算资源分配资源跳跃图案。结果表明，所提出的结合方案不仅能够提高联邦学习模型的训练速度，而且能够有效保护用户数据的隐私。

【关键词】联邦学习；大规模物联网；资源跳跃多址

0   引言

随着“万物互联”时代的来临，人工智能的应用领域正在由“云”向“网边”扩展。传统机器学习算法一般都是在云端进行，但随着智能感知、智能监控等边缘终端设备的应用，边缘终端为实现更加精确的人工智能建模必须将收集到的大量原始数据通过移动互联网传输到云中，因而网络带宽将面临极大的传输负担，同时也存在着用户隐私泄漏等问题。目前移动边缘计算架构的发展使机器学习部署在网络边缘成为可能[1]。现有研究提出了联邦学习从而允许终端设备将原始数据保留在本地，在边缘服务器的协调下参与模型训练和推理，从而有效缓解网络传输压力，降低响应时延，并提升用户数据隐私性[2-4]。

联邦学习是一种分布式机器学习技术，通过与无线设备协作，在参数服务器（PS, Pa