本文档属于类型a，即单篇原创研究报告。以下是对该研究的学术报告：

主要作者及机构

本研究由Joohyung Lee、Jungchan Cho和H. Vincent Poor共同完成。Joohyung Lee和Jungchan Cho来自韩国加川大学（Gachon University）的计算机科学系，H. Vincent Poor则来自美国普林斯顿大学（Princeton University）的电气与计算机工程系。该研究已发表在IEEE Wireless Communications Letters期刊上，预计于2025年正式出版。

学术背景

本研究的主要科学领域为分布式学习（distributed learning），特别是分片联邦学习（Split Federated Learning, SFL）。SFL结合了联邦学习（Federated Learning）和分片学习（Split Learning）的优势，旨在减轻客户端（如移动设备）的计算负担，同时提高模型训练的收敛速度。然而，SFL在无线网络环境中面临诸多挑战，包括通信开销增加、隐私泄露风险以及能量消耗问题。特别是在移动设备（MDs）上，电池寿命和计算能力的限制使得这些问题更加突出。

本研究的目标是提出一种动态分片层控制机制，通过优化分片层（cut layer）的选择，在满足延迟和隐私约束的前提下，实现SFL过程中的能量高效训练。分片层的选择决定了模型在客户端和服务器端的划分点，直接影响训练负载的平衡以及客户端模型对数据重建攻击的鲁棒性。

研究流程

本研究分为以下几个主要步骤：

1. 问题建模：
   研究首先将问题建模为一个时间平均能量消耗最小化问题。分片层的选择在整个SFL过程中动态调整，基于估计的总能量消耗和隐私需求。研究提出了一个理论框架，通过虚拟延迟赤字队列（virtual latency deficit queue）和Lyapunov优化理论，将长期优化问题转化为一系列轮次（round-wise）的漂移加成本最小化任务。

2. 系统模型：
   研究提出了一个SFL架构，包含一个联邦学习服务器（Fed Server）和一个主服务器（Main Server），以及多个移动设备（MDs）作为客户端。模型被分为客户端模型（client-side model）和服务器端模型（server-side model），分片层决定了划分点。研究详细分析了客户端和服务器端的计算延迟、通信延迟以及能量消耗模型。

3. 优化算法设计：
   研究设计了一种基于Lyapunov优化理论和虚拟队列技术的迭代算法，用于动态控制分片层。该算法通过最小化漂移加成本函数，实现了在每轮训练中对分片层的优化。研究还将整数变量松弛为连续变量，并通过引入辅助变量将非凸优化问题转化为凸优化问题，使用CVX求解器进行求解。

4. 性能评估：
   研究通过仿真实验评估了所提出机制的性能。实验设置了5个移动设备，每个设备的带宽为5 MHz，全局训练轮次为50，局部训练轮次为2，延迟要求为每轮1500秒。研究比较了不同权重因子v对时间平均能量消耗和延迟违反的影响，并选择了最优的v值进行后续比较。研究还使用了CIFAR-10数据集验证了所提出机制在训练损失和测试准确率上的表现。

主要结果

1. 能量消耗与延迟的权衡：
   研究结果表明，随着权重因子v的增加，所提出机制优先最小化能量消耗，但延迟违反的可能性也随之增加。通过选择最优的v值，研究在满足延迟和隐私约束的前提下，有效降低了时间平均能量消耗。

2. 与其他基线的比较：
   研究将所提出机制与四种基线方法进行了比较。基准1专注于最小化能量消耗，但严重违反延迟约束且不满足隐私要求；基准3满足隐私要求，但能量消耗显著增加；基准2试图平衡延迟和能量消耗，但未能满足隐私要求；基准4满足隐私约束，但未能满足延迟要求。相比之下，所提出机制在满足延迟和隐私约束的同时，有效降低了能量消耗，并实现了最低的总成本。

3. CIFAR-10数据集上的表现：
   研究在CIFAR-10数据集上验证了所提出机制的性能。结果表明，动态分片层选择机制在训练损失和测试准确率上均表现出稳定的收敛性，与基线方法相比具有可比性。

结论

本研究提出了一种新颖的动态分片层控制机制，旨在在满足延迟和隐私约束的前提下，实现SFL过程中的能量高效训练。研究通过Lyapunov优化理论和虚拟队列技术，动态优化分片层的选择，有效降低了时间平均能量消耗，同时确保了训练性能的稳定性。仿真实验和CIFAR-10数据集上的验证结果表明，所提出机制在能量消耗、延迟和隐私之间的权衡上优于现有基线方法。

研究亮点

1. 动态分片层控制：
   本研究首次提出了在SFL过程中动态控制分片层的机制，通过Lyapunov优化理论将长期优化问题转化为轮次优化任务，实现了能量消耗的最小化。

2. 能量、延迟与隐私的权衡：
   研究在满足延迟和隐私约束的前提下，成功降低了时间平均能量消耗，解决了SFL在无线网络环境中的关键挑战。

3. 理论框架与算法设计：
   研究提出了一个理论框架，设计了一种基于Lyapunov优化和虚拟队列的迭代算法，并通过松弛和辅助变量将非凸优化问题转化为凸优化问题，使用CVX求解器进行求解。

4. 广泛的性能验证：
   研究通过仿真实验和CIFAR-10数据集验证了所提出机制的有效性，结果表明其在能量消耗、延迟和隐私之间的权衡上优于现有基线方法。

其他有价值的内容

本研究还详细分析了SFL过程中的计算延迟、通信延迟以及能量消耗模型，为后续研究提供了理论基础。此外，研究提出的动态分片层控制机制可应用于其他分布式学习场景，具有广泛的应用前景。