---
title: 聯邦學習結合O-RAN 開放基站的發展與展望
tags: nycu MIRC104
---
# 聯邦學習結合O-RAN 開放基站的發展與展望
> [name=蔡秀吉]<br/>[time=Feb 12 2022][color=#F4B400]

English Title: Development and Prospect of Federated Learning Integration with O-RAN
## 摘要
開放式無線電接取網路 (O-RAN) 的出現，正高速驅動著我國的數位發展；O-RAN藉由開放介面、支援雲原生部屬、新增支援AI/ML Workflow 的RAN智慧控制器 (RIC) 等…創新技術，將人工智慧與行動通訊技術進行整合，為下世代行動通訊發展帶來了新的機會，有望翻轉傳統電信生態系，促進社會全面數位化。而人工智慧與行動通訊技術的結合，為人類生活帶來便利的同時，也帶來新的技術挑戰；隨著社會逐漸朝向萬物聯網 ( Internet of Everything，IoE ) 的數位化發展，在下世代行動通訊時代，日常生活中的所有設備將會以數據流 (Data Stream) 的形式進行資料傳輸，這也意味著將會產生巨量資料通訊的需求，巨量資料在傳輸的過程中，用戶隱私權保護是否完善，將深刻影響數位化社會的日常生活和諧發展。
為此，一種重視用戶隱私的分散式機器學習框架：聯邦學習 (Federated Learning，FL) 就此出現，並成為學術界一項極具吸引力的研究課題。那麼究竟甚麼是聯邦學習，以及如何將其應用在未來數位化的日常生活上，就讓我們繼續看下去~

## 前言
雖然本文打的可能會稍微得過於“在烏托邦紙上談兵”，但是我還是覺得聯邦學習結合 O-RAN 超有前景，適合應用在有 Diversity UEs 的專網！
> （像是醫院場域，ICU 需要高頻寬量的 video surveillance、又需要 NB-IOT 的穿戴式裝置）| BTW: NB-IOT 在 5G 稱為 Redcap 標準 [color=#F4B400]

## 聯邦學習缺點
看了一些聯邦學習 (FL) 用於通訊的論文，瞭解聯邦學習的一些痛點
UE 端的算力不一，加上連線狀態不穩定，有高延遲問題
每個 UEs 的資料異質性 (Heterogeneity) 太大（因為使用者的習慣都不一樣），造成聚合伺服器 train 出來的 model 不能用。
Attck 資安問題（UE 傳送惡意資料給伺服器，來搗亂伺服器的 model）
有關 藉由逆向工程 擷取 gradient 或是 paramerter 來反推用戶資訊，這部分我還沒有相關 Solution 或想法
因為由於聯邦學習的隱私保護，我們無法知道 UE 回傳給聚合伺服器的 gradient 是否為惡意。

## 一開始就阻止惡意 UE 的產生，就不會出現傳送惡意資料的問題
但是關於要阻止 UE 傳輸惡意資料，我們一開始就先做 UE 認證~
UE 要接取 O-RAN 的 5G 訊號，就會需要 SIM 卡，那如果先做 SIM 卡/ eSIM+ 裝置認證，讓認證的裝置才能擁有 5G 網路接取權。
然後 UE APP 跟 MEC APP（就是 UE APP 跟 MEC Platform 當中的 Servise registry 和 traffic rules control App 進行認證和授權）
> Servise registry 和 traffic rules control App 於圖片紅框


圖源：https://devopedia.org/multi-access-edge-computing

然後其實 UPF 後端還可以再防一層，讓 SMF 和 PCF 來控管數據流，沒通過認證的 UE 或 App 無法 Access MEC 及其後端服務。
> （這部分可否用於聯邦學習待研究，因為聯邦學習隱私源則，我們無法得知 gradient 是否為惡意，但是是可以擋一下搗亂聚合伺服器 model 的 DDoS 攻擊，應該是沒問題的）

聯邦學習的痛點是什麼？UEs 系統異質性太大（系統算力不一、有人傳很快、有人低延遲）的問題嘛！
如果我們進行了 UE 認證，所以 MEC 就知道它下面註冊了哪些裝置，
那我們都知道 O-RAN RIC platform 當中的 xAPP 負責 RRM、QoS。
有關 RIC Platform 和 Near-RT RIC介紹 請詳見本篇文：https://thc1006.blogspot.com/2023/01/near-rt-ric.html

## xApp 網路切片
那如果我們寫一個 xAPP 進行網路切片，把 連線順暢 和 容易脫隊 透過網路切片分成兩組
然後透過 MTL 多工學習，同時對兩切片組進行聯邦學習來優化 UE
抑或是 聯邦學習分別對兩切片組建模，來訓練及迭代，實現異質性設備的非同步聯邦學習
## 省電 O-RAN
然後如果想用盡 O-RAN 架構優點，就再更硬核一點，根據該地區的能源使用潮汐效應，設計一個 xAPP 來達到省電目標！

## 缺點
但是以上架構仍有一些缺點啦~ 可想而知整體複雜度變超高，還有成本提高，這就有點違反 O-RAN 初衷了~
加入聯邦學習，我覺得會因為運算，網路延遲會提高~
然後如果採用 O-RAN 架構的話，我覺得可以在 DU 前面 (Open Fronthaul介面) 做惡意偵測，阻止 UE 搗亂 model，然後應該還需要再加裝 PTP 校正延遲~
## 凌晨 4:00 寫的手稿
明天是我前女友生日~ 我該祝他生日快樂嗎？

### 參考資訊
- [Asynchronous Federated Learning on Heterogeneous Devices: A Survey](https://arxiv.org/abs/2109.04269)
Author: Chenhao Xu, Youyang Qu, Yong Xiang et al.
arxiv, 2021
- [Federated Learning: Challenges, Methods, and Future Directions](https://arxiv.org/pdf/1908.07873)
Tian Li, Anit Kumar Sahu, Ameet Talwalkar, Virginia Smith

#### 與我聯繫
[e-mail]