异构物联网下资源高效的分层协同联邦学习方法

物联网(IoT)设备资源存在高度异构性,严重影响联邦学习(FL)的训练时间和精度。已有研究未充分考虑物联网设备资源的异构性,且缺乏异构设备间协同训练机制的设计,导致训练效果有限且设备的资源利用率较低。为此,该文提出资源高效的分层协同联邦学习方法(HCFL),设计了端边云分层混合聚合机制,考虑边缘服务器的差异化参数聚合频率,提出自适应异步加权聚合方法,提高模型参数聚合效率。提出资源重均衡的客户端选择算法,考虑模型精度与数据分布特征动态选取客户端,缓解资源异构性对联邦学习性能的影响。设计自组织联邦协同训练算法,充分利用空闲物联网设备资源加速联邦学习训练进程。仿真结果表明,在不同资源异构状态下,与基线方法相比,模型训练时间平均降低15％,模型精度平均提高6％,设备平均资源利用率提高52％。     

物联网中带有隐私保护的鲁棒联邦学习研究

联邦学习允许数据不出本地的情况下实现数据价值的有效流动,被认为是物联网(IoT)场景下兼顾数据共享与隐私保护的有效方法。然而,联邦学习系统易受拜占庭攻击和推理攻击的影响,导致系统的鲁棒性和数据的隐私性受损。物联网设备的数据异构性和资源瓶颈,也为带有隐私保护的鲁棒聚合算法设计带来巨大挑战。该文提出面向异构物联网的带有数据重采样的鲁棒聚合方法Re-Sim,通过测量方向相似性和标准化更新幅度实现模型的鲁棒聚合,并采用数据重采样技术增强数据异构环境下模型的鲁棒性。同时构建轻量安全聚合协议(LSA),在保证数据隐私性的同时兼顾模型鲁棒性、准确性和计算开销,并从理论上对协议的隐私性进行了分析。仿真结果表明,该方案能在数据异构情况下有效抵抗拜占庭攻击和推理攻击,与基线方法相比,该文所提方案精度提高1%～3%,同时减轻客户端侧计算开销79%。     

融合联邦学习和剪枝神经网络分布式物联网安全方法研究

针对传统物联网安全检测模型准确率不高且计算复杂度较高的问题,提出融合联邦学习和剪枝神经网络的分布式物联网安全方法。该方法在构建局部模型的基础上采用联邦学习框架构建全局模型神经元,采用剪枝方法优化全局模型神经元,以参数微调的方式构建轻量级深度学习模型。通过仿真验证了该方法对物联网恶意节点检测方面具有较好的效果及较高的安全性,可以保障物联网系统安全可靠运行。     

面向大规模物联网的随机接入:现状、挑战与机遇

在传统通信系统中,随机接入是终端与网络之间建立无线链路的必经过程,只有在随机接入完成之后,终端与网络之间才能正常进行数据传输.聚焦大规模节点物联网,首先阐述了大规模物联网随机接入的基本特征,分析了传统授权随机接入(RA)方法对于大规模物联网应用的局限性;然后从系统模型、协议框架、算法流程、系统性能等多个角度,讨论免授权...     

基于聚类分析的横向联邦学习方案

联邦学习是一种分布式的学习方法,参与者协同训练模型,参与者将数据保留在本地,只是把模型参数发送到服务器,从而保证了数据的安全性。研究发现,在模型训练的过程中,存在遭受数据投毒的数据或恶意窜改的数据,使训练的模型难以取得较好的预测效果。因此,文章提出一个基于聚类分析的参与者评价算法,通过对数据集进行联合分析并采取相应的措施来防御投毒攻击。实验结果证明了方案的合理性和实效性,有效防止了横向联邦学习中的投毒攻击。     

面向后5G的非正交多址技术综述

在后5G时代,作为一种候选方案,非正交多址技术(Non-Orthogonal Multiple Access,NOMA)正在被5G的演进技术标准讨论,该技术可以满足大规模连接和高吞吐量的要求。阐述了NOMA技术的基本原理、技术提案、性能仿真和潜在的研究方向。首先概述了NOMA技术的发展和原理,比较了NOMA相比于正交多址技术(Orthogonal MultipleAccess,OMA)的优势;根据NOMA技术在资源块(Resource Block,RB)上复用方式的不同,从比特级和符号级的层面讨论了NOMA技术不同的技术路线。其次着重阐述了NOMA技术的仿真实验,以多用户共享接入(Multi-User Shared Access,MUSA)和稀疏码多址接入技术(Sparse Code Multiple Access,SCMA)为例进行了性能分析。最后给出了NOMA在未来的潜在研究方向,包括与多入多出(Multiple-Input Multiple-Output,MIMO)结合、与认知无线电结合和全双工NOMA等。     

面向星地协同网络的联邦边缘学习方法研究

目前地面蜂窝网络无法实现全球广域覆盖,同时抗毁性不高。低轨卫星网络的加入,弥补了地面蜂窝网络的不足。二者协同成为星地协同网络后可以打破两种网络之间互相独立的现状并结合它们的优点,是未来的发展趋势。在对星地协同网络中海量设备产生的大量数据进行分析处理时,易出现隐私信息泄露和数据孤岛问题。为解决上述问题,提出一种包含分层聚合和用户关联策略的联邦边缘学习算法。该算法通过分层聚合来适配星地协同网络,并通过用户关联策略实现时延和模型精度的联合优化。仿真表明,所提出的算法可以使协同网络中进行联邦边缘学习的全过程时延较低,同时可以得到较高的模型测试精度。     

面向6G的新型多址与波形技术

随着互联网终端海量接入,传统正交多址接入（orthogonal multiple access,OMA）技术接入效率低, 5G NR 系统面临拥塞及高时延问题,并且在高速场景下,基于正交频分复用（orthogonal frequency-division multiplexing,OFDM）的系统由于多普勒效应性能严重恶化。为满足6G在高速移动场景下低时延、高可靠、海量接入需求,首先,结合正交时频空间（orthogonal time frequency space,OTFS）和图样分割多址接入（pattern division multiple access,PDMA）技术,提出了一种OTFS-PDMA联合方案;然后,推导PDMA传输码字在时延-多普勒（delay-Doppler,DD）域采用不同分配方式的系统输入-输出关系;最后,提出了一种基于期望传播算法（expectation propagation algorithm,EPA）的低复杂度接收机。仿真结果表明,OTFS-PDMA较传统的OTFS-OMA技术能够显著提升误码率性能;对于规则码本,不同码字分配方案性能相似,而对于非规则码本,发送信号采用集中式扩频优于离散式扩频,且对于离散式扩频,PDMA 扩频信号沿多普勒轴分配,系统可取得较好性能;此外EPA接收机性能优于其他传统接收机。     

6G联邦边缘学习新范式：基于任务导向的资源管理策略

综述了面向6G的联邦边缘学习技术,能够充分利用分布在网络边缘的丰富数据使之服务于人工智能模型训练,以联邦边缘学习为代表的边缘智能技术应运而生,其中无线资源管理策略将以最优化任务学习性能为导向,例如优化模型训练时间、学习收敛性等,从而实现从通信导向到任务导向的设计范式变革。首先,概述了联邦边缘学习基本概念、典型应用场景及其在无线资源管理中的关键问题。然后,以联邦边缘学习中带宽资源分配和用户调度策略为典型的资源管理案例,深入阐述了基于任务导向的设计范式思想。最后,对联邦边缘学习的未来潜在研究方向进行了展望,包括与无线空中计算、通信感知一体化等全新技术的融合赋能。     

面向5G的非正交多址接入技术

在频谱资源受限的情况下,非正交多址接入（non-orthogonal multiple access,NOMA）技术由于其良好的过载性能而受到广泛关注。首先,提出了基于复杂度受限的NOMA理论设计模型;接着,对目前主流的NOMA 技术方案进行了研究分析,并针对每种方案给出了其设计原理;进一步,设计了基于期望值传播（expectation propagation,EP）的低复杂度接收机;最后,通过仿真比较了 NOMA 与传统正交多址接入（orthogonal multiple access,OMA）技术的性能。结果表明,NOMA较传统的OMA技术能够显著提升系统容量和误码率（block error rate,BLER）性能。     

基于联邦学习模型的电力客户隐私保护方法

为提升电力物联网中用户数据安全性,提出了电力物联网LDP联邦学习框架。该框架将物联网用户分为常规用户和敏感用户两部分。常规用户通过与电力供应商互通模型与数据,基于横向联邦学习技术学习局部模型并参与更新全局模型;敏感用户利用异构联邦迁移学习技术将全局模型关联到局部模型中,从而保证敏感用户数据安全性。将联邦学习框架应用于GRU、LSTM网络,验证了所提联邦学习框架能够提升网络性能。     

面向6G物联网的分布式译码技术

随着5G商业化和标准化的逐步推进,对6G技术的研究也提上了日程。由于其在6G无线通信系统中的巨大应用前景,物联网(IoT)技术引起了人们广泛的兴趣。面向6G的物联网网络需要允许大量设备接入并支持海量数据传输,其鲁棒性和可扩展性至关重要。在物联网中,所述“事物”(用户)可以通过采用各种多功能无线传感器实时收集环境数据。通常来说,收集的数据将反馈到中央单元以进行进一步处理。但是这一机制依赖于中央单元的正常工作,鲁棒性较差。该文提出一种分布式译码算法,该算法通过让各用户之间互相协作,交换信息来实现在各个用户处完成译码。利用分布式译码算法,每个用户可以得到与中心化处理相似的译码性能,从而提高了网络的鲁棒性和可扩展性。同时,相比传统分布式译码算法,该算法不需要每个用户了解网络的拓扑结构,因此为面向6G的高动态物联网提供了技术支撑。     

面向物联网应用的6G技术

在物联网（Internet of Things,IoT）快速发展和5G已经规模化的商业部署的背景下,在不久的将来,5G的技术指标将无法完全满足大规模IoT的应用需求。而6G技术由于其具备高传输、低时延等出色的性能指标,受到了学术界和工业界的广泛关注。因此,为了促使IoT网络能够更好地发展,基于IoT网络的应用需求,研究了面向IoT应用的6G相关候选技术,其中主要介绍了边缘智能、海陆空天一体化通信以及区块链技术3项关键技术。     

面向6G物联网的分布式译码技术

随着5G商业化和标准化的逐步推进,对6G技术的研究也提上了日程.由于其在6G无线通信系统中的巨大应用前景,物联网(IoT)技术引起了人们广泛的兴趣.面向6G的物联网网络需要允许大量设备接入并支持海量数据传输,其鲁棒性和可扩展性至关重要.在物联网中,所述"事物"(用户)可以通过采用各种多功能无线传感器实时收集环境数据.通常来说,收集的数据将反馈到中央单元以进行进一步处理.但是这一机制依赖于中央单元的正常工作,鲁棒性较差.该文提出一种分布式译码算法,该算法通过让各用户之间互相协作,交换信息来实现在各个用户处完成译码.利用分布式译码算法,每个用户可以得到与中心化处理相似的译码性能,从而提高了网络的鲁棒性和可扩展性.同时,相比传统分布式译码算法,该算法不需要每个用户了解网络的拓扑结构,因此为面向6G的高动态物联网提供了技术支撑.     

面向6G的智能物联网关键技术

6G技术将提供更高的速率、更多的连接,以及更广的网络覆盖,以满足在高度动态环境中的各类应用需求。人工智能(AI)是推动6G不断演进的核心技术,而6G也将会使能一系列需要超低时延、超高可靠的智能物联网应用,如未来智能交通系统、智慧城市等。围绕智能物联网实际应用需求,梳理了智能物联网面临的技术挑战,提出智能物联网涉及的重要技术领域,包括新型机器学习范式、物联网知识图谱技术、异构协同计算架构等,并对智能物联网的未来发展进行了展望。     

面向电力物联网调度任务的分布式知识图谱

能够充分利用各类型信息的知识图谱技术是实现电力物联网网络智能调度的关键一环。然而由于电力网络分层调度的特点,造成了知识图谱分布式的问题。梳理了知识图谱的概念及构建的一般方法,提出了一种基于联邦学习思想的分布式知识图谱架构,边缘调度中心对知识图谱进行本地更新,并上传至高层云平台。高层云平台对知识图谱进行补全及融合,调度中心之间可相互迁移知识图谱的学习表示方法。在知识图谱融合方面的初步结果表明,基于GCN的方法远优于基于TransE的方法。     

面向非独立同分布数据的联邦学习数据增强方案

为了解决联邦学习节点间数据非独立同分布(non-IID)导致的模型精度不理想的问题,提出一种隐私保护的数据增强方案。首先,提出了面向联邦学习的数据增强框架,参与节点在本地生成虚拟样本并在节点间共享,有效缓解了训练过程中数据分布差异导致的模型偏移问题。其次,基于生成式对抗网络和差分隐私技术,设计了隐私保护的样本生成算法,在保证原数据隐私的前提下生成可用的虚拟样本。最后,提出了隐私保护的标签选取算法,保证虚拟样本的标签同样满足差分隐私。仿真结果表明,在多种non-IID数据划分策略下,所提方案均能有效提高模型精度并加快模型收敛,与基准方法相比,所提方案在极端non-IID场景下能取得25%以上的精度提升。     

基于5G网络的联邦学习架构及关键技术

针对5G网络下的联邦学习架构及关键技术展开研究,通过5G网络的帮助来提升移动终端收集的小样本数据对于训练全局模型的重要意义。从具有不同本地数据集的终端可以加速模型训练和增强模型泛化能力的理论分析入手,详细阐述了如何利用5G系统优势,实现在通信资源约束下选择具有典型特征的终端成员,从而达到联邦学习效果最大化的目的。基于3GPP 5G系统现有架构,提出了支持联邦学习的5G架构以及典型解决方案流程,最后给出了仿真结果,证明了5G网络对于联邦学习具有良好增益。