关于“FedCPF: 面向6G车联网的高效通信联邦学习方法”的学术研究报告

一、 作者、机构与发表信息 本研究的主要作者为刘苏、俞炯、邓晓衡（IEEE会员）和万少华（IEEE高级会员）。刘苏和俞炯来自中国新疆大学信息科学与工程学院，邓晓衡来自中南大学计算机科学与工程学院，万少华来自中南财经政法大学信息与安全工程学院。 该研究成果以学术论文形式发表在国际知名期刊《IEEE Transactions on Intelligent Transportation Systems》（IEEE智能交通系统汇刊）上。论文于2021年4月27日收到，经修订后于2021年7月15日被接受，最终在线发表于2021年8月3日，收录于该刊2022年2月出版的23卷2期中。

二、 研究背景与目的 本研究的核心科学领域是智能交通系统与边缘计算的交叉领域，具体聚焦于第六代移动通信网络（6G）环境下的车联网边缘计算。随着6G技术发展，一个万物互联的世界正在形成，产生了海量的敏感数据。联邦学习作为一种新兴的分布式机器学习范式，能够在不共享原始数据的前提下协同训练模型，从而保护数据隐私，因此在车联网场景中展现出巨大应用潜力，例如用于交通数据收集、车流预测和城市交通管理。 然而，将联邦学习应用于车联网边缘计算时，面临着严峻的通信开销挑战。这主要源于三个方面：首先，传统的联邦学习需要大量通信轮次才能收敛，导致总通信成本高昂。其次，在每个通信轮次的上行链路阶段，大量车辆客户端需要同时上传庞大的模型参数，加剧了上行链路的拥塞和开销。最后，部分“掉队者”（如网络连接不稳定或计算能力较弱的客户端）会延长每一轮的训练时间，不仅降低联邦学习效率，还可能进一步增加通信成本。 因此，本研究旨在解决车联网场景下联邦学习通信开销过大的问题。其核心目标是设计并实现一种高效的通信方法，在保证模型收敛速度和精度的前提下，显著减少联邦学习过程中的通信轮次和每轮通信的负荷，从而为6G车联网提供一种实用、高效的隐私保护协同学习方案。

三、 研究详细流程与方法 本研究提出了一种名为FedCPF的高效通信联邦学习方法，该方法名称源自其三个核心组成部分：“定制化”（Customized）、“部分参与”（Partial）和“灵活聚合”（Flexible）。整个研究流程包括系统框架设计、算法提出、理论分析以及全面的实验验证。

1. 系统框架与问题建模：

   • 研究首先构建了一个适用于车联网的双层联邦学习网络架构，包含设备层和参数服务器层。该架构灵活适配两种典型场景：场景（a）车辆停车时，车辆作为客户端，路边单元作为参数服务器进行边缘联邦学习；场景（b）车辆长时行驶时，通过任务卸载将数据传至路边单元，由路边单元作为客户端，云端服务器作为参数服务器进行云边协同联邦学习。
   • 研究对联邦学习的总通信成本进行了建模。假设共有K个客户端，第t轮有n(t)个客户端参与，模型参数量为ω，总通信轮次为T。则总通信开销W = Σ_{t=1}^{T} [ (n(t) + K) · ω ]。其理论上限W̃ = 2T (K · ω*)。FedCPF的目标就是通过减少T和n(t)来降低W。

2. FedCPF算法核心流程： FedCPF算法通过以下三个创新模块来优化通信效率，其单轮工作流程如下图所示（基于原文图4及算法1）：

   • “定制化”本地训练策略： 为解决传统联邦学习中所有客户端执行相同训练周期（Epoch）导致的梯度发散、收敛慢的问题，FedCPF为每个客户端k在第t轮引入一个“定制化”的训练周期θ_t^k。其核心是在本地损失函数fk(ωk)中增加一个约束项，形成新的优化目标：min_ω gk(ωk; ω^t) = fk(ωk) + (ε/2) * ‖ωk - ω^t‖^2。其中，ω^t是全局模型参数，ε是约束系数。这个约束项惩罚了本地模型与全局模型之间的偏离，迫使本地更新方向尽可能接近全局最优方向，从而允许不同客户端根据自身数据和条件执行不同数量的本地更新（θ_t^k ≤ E），在减少本地计算异质性负面影响的同时，加速全局收敛，进而减少总通信轮次T。
   • “部分参与”客户端选择规则： 为缓解上行链路拥塞，并避免数据量小的客户端引入噪声，FedCPF并非每轮让所有客户端都参与上传。服务器根据各客户端本地数据集的大小|Dk|计算其被选中的概率pk（数据量越大，概率越高）。每轮仅按照此概率选择一个小规模的客户端子集St参与本轮的上行通信和聚合。这直接减少了每轮参与上传的客户端数量n(t)，降低了单轮通信开销。
   • “灵活聚合”策略： 为应对掉队客户端导致的训练时间延长，FedCPF为每一轮的上行通信阶段设置了一个时间窗口[r_s^t, r_e^t]。只有在此时间窗口内完成本地训练并成功上传更新的客户端，其模型参数才会被服务器纳入本轮聚合。超时的客户端将被直接丢弃。这种策略动态调整了每轮实际参与聚合的客户端数量，避免了等待慢速设备，缩短了单轮耗时，提升了整体效率。

3. 理论收敛性分析： 研究对FedCPF算法的收敛性进行了严格的理论证明。作者引入了“v-局部多样性”的概念来衡量不同客户端本地损失函数之间的差异程度。在假设本地函数满足Lipschitz连续、平滑且具有有界多样性的前提下，通过推导证明了FedCPF算法在目标函数上的期望下降具有保障，并给出了收敛速率的表达式。这从理论上确保了FedCPF在减少通信的同时，不会牺牲模型的收敛性。

4. 实验设计与验证流程： 研究通过大量实验验证FedCPF的有效性，实验对象包括多种数据集和模型。

   • 数据集： 使用了合成数据集（Synthetic）以及真实联邦学习基准LEAF中的MNIST和FEMNIST数据集。合成数据集通过参数(α, β)控制数据的统计异质性（非独立同分布程度），生成了IID、Synthetic_0.5_0.5、Synthetic_1_1等不同异质性水平的数据。
   • 对比基线： 主要对比算法是经典的FedAvg。
   • 评估指标： 测试精度、训练损失、总通信轮次、单客户端平均通信开销。
   • 实验设置： 模拟包含一个参数服务器和K个客户端的联邦网络。每轮随机选择部分客户端（n(t)=10）。使用多项式逻辑回归模型进行分类任务。关键参数包括：本地训练周期E、约束项系数ε、以及模拟系统异质性的参数η（代表执行少于E个周期更新的客户端比例）。
   • 实验流程：
     1. 验证定制化训练策略： 在合成数据集上，固定E=20，变化ε值（0, 0.3, 0.8, 1），观察在不同统计异质性下模型的收敛速度和精度。ε=0即退化为FedAvg。结果表明，ε=1时，FedCPF在不同异质性环境下都表现出最稳定和快速的收敛，显著减少了达到目标精度所需的通信轮次。
     2. 验证灵活聚合策略： 在不同数据集上，设置不同的系统异质性水平η（0%， 50%， 90%），测试FedCPF的性能。结果表明，即使在高η值（即很多客户端是掉队者）的情况下，FedCPF仍能保证收敛，且性能明显优于FedAvg。
     3. 评估通信成本： 统计FedCPF和FedAvg在不同数据集上达到相同目标精度所需的总通信轮次，以及每轮每个客户端的平均通信开销（MB）。通过对比，量化FedCPF的通信优化效果。

四、 主要研究结果 1. 定制化训练策略的有效性： 实验结果表明，约束项系数ε的设置对性能至关重要。在统计异质性较高的合成数据集上，与FedAvg（ε=0）相比，FedCPF（ε=1）能够显著提升收敛速度并提高最终精度。例如，在Synthetic_1_1数据集上，FedCPF的测试精度平均比FedAvg提高了10.51%。这表明定制化训练策略通过约束本地更新方向，有效缓解了非独立同分布数据带来的梯度发散问题，从而用更少的通信轮次（更小的T）达到了更好的模型性能。 2. 灵活聚合策略的鲁棒性： 在模拟不同系统异质性（η）的实验中发现，FedAvg的性能随η升高（掉队客户端增多）而显著下降，收敛曲线振荡加剧。而FedCPF在不同η设置下（0%， 50%， 90%）均能保持相对稳定的收敛趋势和较高的精度。例如，在FEMNIST数据集上，当η=90%时，FedCPF的精度比FedAvg高出33.61%。这证明了灵活聚合策略能够有效容忍客户端的不稳定性和动态性，保障了联邦学习在真实车联网复杂环境下的可行性。 3. 通信成本的显著优化： * 单轮开销降低： 通过部分参与和灵活聚合，FedCPf减少了每轮实际上传的客户端数量和传输等待时间。实验数据显示，在MNIST数据集上，FedCPF(η=90%)使单客户端单轮平均通信开销从FedAvg的299.8 MB优化至约296.8 MB，优化率约1.02%；在FEMNIST上，优化率可达4.76%。 * 总轮次大幅减少： 由于收敛加速，达到相同目标精度所需的总通信轮次T显著减少。这是通信成本降低的主要贡献者。例如，在MNIST数据集上要达到75%的精度，FedAvg需要约300轮，而FedCPF仅需约100轮，通信优化率（轮次减少比例）提升了约2.9倍。在合成数据集Synthetic_1_1上，FedCPF的通信优化效果更是提升了2.35倍。 * 整体性能提升： 综合来看，与基线FedAvg相比，FedCPF在实现高效通信的同时，以更快的收敛速度将平均测试精度提升了6.31%，并将平均通信优化率提高了2.15倍。

五、 研究结论与价值 本研究成功提出并验证了FedCPF，一种专门面向6G车联网边缘计算的高效通信联邦学习框架。其核心结论是：通过集成“定制化本地训练”、“部分客户端参与”和“灵活聚合”三重机制，FedCPF能够有效解决车联网环境下联邦学习通信开销高昂的瓶颈问题。 该研究的价值体现在： * 科学价值： 为异构网络（统计异构和系统异构）下的联邦学习算法设计提供了新思路。定制化训练策略中对损失函数的约束项设计，以及结合数据量的概率化客户端选择机制，是对现有联邦学习优化理论的有益补充。严格的收敛性分析也为类似方法的理论研究提供了参考。 * 应用价值： FedCPF直接针对车联网这一高动态、资源受限的应用场景，具有明确的工程实践意义。它使得在保护车辆用户隐私的前提下，利用分散在大量车辆上的数据训练高性能AI模型（如驾驶行为分析、交通流量预测）变得更为可行和经济，有助于推动智能交通系统和自动驾驶技术的实际落地。

六、 研究亮点 1. 问题导向的综合性解决方案： 研究没有孤立地看待通信开销问题，而是系统性地从“减少总轮次”、“减少单轮参与客户端数”和“减少单轮等待时间”三个维度联合优化，提出了完整的FedCPF框架。 2. 创新性的算法组件： “定制化本地训练策略”中引入的约束项，巧妙地将全局模型信息作为正则化器，引导本地训练方向，这是加速收敛的关键创新。“部分参与规则”基于数据量的概率选择，兼顾了公平性和效率。“灵活聚合策略”的时间窗口机制简单有效地处理了掉队者问题。 3. 严谨的实验验证： 研究采用了从合成数据到真实数据的多种数据集，充分测试了算法在不同统计异质性和系统异质性下的性能。实验结果全面，涵盖了精度、损失、通信轮次、单轮开销等多个关键指标，有力支撑了结论。 4. 理论与实验结合： 研究不仅提供了充分的实验证据，还给出了算法的收敛性理论分析，体现了工作的严谨性和深度。

七、 其他有价值内容 论文在引言和相关工作部分对车联网边缘计算、联邦学习的挑战（通信开销、异质性、掉队者）以及现有优化工作（如减少通信轮次、模型压缩、客户端选择）进行了清晰的梳理，为读者理解本研究的定位和贡献提供了良好的背景。此外，研究明确得到了中国国家自然科学基金等项目支持，体现了其受关注程度。