Federated Learning in Mobile Edge Networks: A Comprehensive Survey🕊

百度学术链接

0x00 摘要

一篇联邦学习的综述，还没看完(～￣▽￣)～

KEY WORDS: FL,Communication,Resources,Privacy,Security

0x01 介绍

传统以云端为中心数据处理方式、阻碍新技术的发展：
- 用户的隐私保护意识越来越强;保护个人隐私法律的出台。
- 数据长距离传输产生的延迟会满足应用的时效性。
- 增加主干网络的负担、特别是处理无结构数据。
移动边缘计算MEC：

End-edge-cloud:
- 组成：终端设备、边缘节点、云端服务器。
- 特点：训练数据被发送到边缘节点进行训练。
- 问题：增加大量的传输开销、不能满足那些需持久稳定训练的应用；而且边缘计算的卸载和数据加工，也会涉及到个人敏感数据。用户不相信平台所说的保护措施，仍然怕数据泄露。
Federated Learning:
- 简单介绍
  
  特性：
  
  带宽的高利用率：网络传输模型而不是未训练的模型、降低了带宽的占用，提高利用率。
  
  隐私的保密性：数据不必上传至云服务器。
  
  低延时：模型的参数更新快
- 应用：
  
  一般应用：例如谷歌的输入法、进行输入预测。
  
  移动边缘网络优化技术：传统网络优化技术是建立静态模型、很少建立动态模型。FL可用于优化计算卸载和传输网络。
- 挑战：
  - 通信开销高的问题仍然存在：高纬度的模型数据更新和实际中设备的可用带宽限制、例如DNN中上百万的参数。
  - 参与设备的参差不齐：包括数据质量、算力、参与计算的意向等、必须从资源配置的角度考虑好。
  - 拜占庭陷阱：当恶意用户和聚集服务器存在时、隐私无法得到保障。(已经得到证实、恶意参与者可以从其他参与者分享的参数中提取有用信息)
- 研究现状：
  研究FL没有考虑移动边缘网络；研究MEC的没有考虑实施FL的挑战、和FL作为优化的潜力。
  
  本文贡献：
  - 令FL成为合作机器学习的重要样例；为后续研究人员提供FL执行指南和开源框架。
  - 讨论FL与集中机器学习的不同特性；讨论在执行过程中困难的解决办法。
  - 利用FL优化移动边缘网络；讨论在边缘计算中将FL作为隐私保护的应用。
  - FL的挑战和未来研究方向。
说明：

对现有研究分成两类：研究FL的基础问题和探索FL的应用。