移动通信网络中的联邦学习白皮书_28页_19mb

移动通信网络中的联邦学习白皮书总结

核心内容

本白皮书由中国移动通信研究院发布，旨在探讨联邦学习（Federated Learning, FL）在移动通信网络中的应用前景、技术架构、典型场景及产业推进计划，推动移动通信网络向分布式、可信、智能方向演进。

主要观点

• 联邦学习的引入背景：随着5G-Advanced和6G的发展，移动通信网络需要在数据隐私保护的前提下提升智能化水平，而联邦学习通过“数据不出本地”的方式，为解决数据孤岛和隐私保护问题提供了有效手段。
• 产业现状：联邦学习已成为隐私计算的重要技术之一，已逐步走向商用。在垂直行业如智慧工厂、自动驾驶和智慧医疗中，联邦学习已被广泛采用。
• 愿景和目标：中国移动提出“打造智能共同体、发挥数据新价值”的愿景，目标包括资源“共”建、数安“共”保、效率“共”升、生态“共”融，以推动网络智能化和数智化转型。
• 架构设计：移动通信网络中的联邦学习分为域内联邦、跨域联邦和全局联邦三种类型。同时，提出中心化和去中心化两种架构模式，以适应不同场景需求。
• 典型应用场景：
  • 智能用户体验评价：通过联合运营商与业务服务商的数据，实现QoE评估和预测，提升用户体验。
  • 智能业务检测：基于UPF之间的横向联邦学习，实现异厂家、跨域业务识别的高准确度。
  • 跨场景智能物体追踪：结合多路视频分析与边缘计算，实现数据不出本地的实时物体追踪。
  • 联邦智慧交通：通过联合运营商与交通平台的数据，实现智能信号灯配时策略，提升城市交通效率。
• 关键使能技术：
  • 联邦学习：支持多方联合建模，避免数据泄露，提升模型泛化能力。
  • 加密技术：包括隐私集合求交、同态加密、差分隐私、可信执行环境等，保障数据与模型的安全。
  • 面向联邦学习的QoS：为联邦学习的不同阶段提供定制化的服务质量保障，提升训练效率与模型鲁棒性。
  • 数据交换平面：引入特殊的数据交换平面，满足联邦学习中大规模数据交互需求。

关键信息

• 联邦学习类型：
  • 横向联邦学习：数据特征重叠较多，用户ID重叠较少，适用于跨网元、跨域的业务检测与用户行为分析。
  • 纵向联邦学习：用户ID重叠较多，数据特征重叠较少，适用于跨域业务体验分析和联合信用等级评估。
  • 联邦迁移学习：用户ID和数据特征重叠均较少，适用于跨区域/跨运营商的模型迁移。
• 联邦学习网络架构：
  • 中心化架构：由Central Coordinator统一协调，适用于大规模、跨域的联邦学习任务。
  • 去中心化架构：通过分布式节点承担中心节点功能，适用于小规模、域内的联合建模任务。
• 产业推进计划：
  • 标准制定：推动3GPP、CCSA、ITU等标准组织制定联邦学习相关标准，促进技术落地。
  • 开源生态：整合开源框架，构建通信网络专属的联邦学习开源体系。
  • 场景挖掘：探索同构与异构场景下的联邦学习应用，形成新型数据商业模式。
  • 商用探索：推动联邦学习在移动通信网络中的商用部署，构建开放生态与应用能力测评体系。

结构清晰

1. 背景

• 移动通信网络智能化需解决数据隐私、数据孤岛和传输瓶颈等问题。
• 联邦学习技术可有效应对上述问题，成为未来网络智能化的重要方向。

2. 愿景和目标

• 愿景：打造智能共同体，发挥数据新价值，实现网络智能化与数据安全并重。
• 目标：资源共建、数安共保、效率共升、生态共融，赋能万物智联。

3. 架构

• 联邦学习架构：分为域内、跨域和全局联邦，支持多种网络拓扑结构。
• 网络架构：支持中心化和去中心化两种模式，适用于不同规模和场景需求。

4. 典型场景

• 智能用户体验评价：联合运营商与业务服务商数据，实现QoE评估。
• 智能业务检测：通过横向联邦学习提升异厂家、跨域业务识别准确度。
• 跨场景智能物体追踪：结合边缘计算与联邦学习，实现数据不出本地的物体追踪。
• 联邦智慧交通：联合运营商与交通平台数据，优化交通信号灯配时策略。

5. 关键使能技术

• 加密技术：如隐私集合求交、同态加密、差分隐私等，保障数据与模型安全。
• QoS机制：为联邦学习不同阶段提供差异化服务质量保障。
• 数据交换平面：引入特殊的数据交互通道，支持联邦学习中的大规模数据传输。

6. 产业推进计划

• 推动标准制定，引导行业共识。
• 构建开源生态，促进技术发展。
• 探索应用场景，形成新型数据商业模式。
• 推进商用落地，构建开放生态与测评体系。

参与单位及作者

缩略语列表

参考文献

1. 《6G全球进展与发展展望白皮书》，赛迪智库，2021.
2. FATE, 联邦学习白皮书v2.0, 2020.
3. 闫树，“隐私计算产品测试及行业发展观察”，2020.
4. 中国信息通信研究院，隐私保护计算技术研究报告，2020.
5. IEEE, Guide for Architectural Framework and Application of Federated Machine Learning, 2020.
6. Warnat-Herresthal, Stefanie et al., "SwarmLearning for decentralized and confidential clinical machine learning." Nature, 10.1038/s41586-021-03583-3, 2021.
7. Gartner, https://www.gartner.com/smarterwithgartner/gartner-top-strategic-technology-trends-for-2021/, 2021.
8. S2-2104541. KI #2, New Sol, Federated Learning among Multiple NWDAF Instances. China Mobile, 2020.
9. http://federated-ml.org/tutorials/2020_ITU5G.pdf, 2020.
10. 3GPP, TR 22.874 V18.0.1, 2021.