Федеративное обучение в мобильных сетях периферийных вычислений: всесторонний обзор

В последние годы мобильные устройства оснащаются всё более совершенными средствами сбора данных и вычислительными возможностями. В сочетании с достижениями в области глубокого обучения (DL) это открывает множество возможностей для значимых приложений, например в медицине и транспортных сетях. Традиционные подходы к машинному обучению (ML) на основе облачных вычислений требуют централизованного хранения данных на облачном сервере или в центре обработки данных. Однако это приводит к критическим проблемам, связанным с неприемлемой задержкой и неэффективностью коммуникаций. Для решения этой проблемы были предложены мобильные периферийные вычисления (MEC), призванные приблизить интеллектуальные функции к периферии сети, где генерируются данные. Тем не менее традиционные технологии, обеспечивающие применение ML в мобильных периферийных сетях, по-прежнему требуют передачи персональных данных внешним сторонам, например периферийным серверам. Недавно, в связи с ужесточением законодательства о защите данных и ростом обеспокоенности вопросами конфиденциальности, была предложена концепция федеративного обучения (FL). При FL конечные устройства используют локальные данные для обучения ML-модели, необходимой серверу. Затем конечные устройства передают серверу для агрегации обновления модели, а не исходные данные. FL может служить технологической основой мобильных периферийных сетей, поскольку обеспечивает совместное обучение ML-модели, а также применение DL для оптимизации мобильных периферийных сетей. Однако в крупномасштабных и сложных мобильных периферийных сетях задействованы неоднородные устройства с различными ограничениями. Это создаёт проблемы, связанные со стоимостью коммуникаций, распределением ресурсов, конфиденциальностью и безопасностью при масштабном внедрении FL. В этом обзоре сначала рассматриваются предпосылки и основы FL. Затем освещаются упомянутые выше проблемы реализации FL и анализируются существующие решения. Кроме того, представлены применения FL для оптимизации мобильных периферийных сетей. В заключение обсуждаются важные проблемы и перспективные направления дальнейших исследований в области FL.