蔡秀吉
Aug 15 2023
聯邦學習 Federated Learning(FL)是一種以保護終端設備隱私為宗旨的機器學習框架;聯邦學習可以在不蒐集各個 UE 數據的情況下,訓練一個用於共享的 ML 模型。
聯邦學習在實現優化模組的同時,也實現了使用者設備(UE)隱私保護,讓所有的使用者設備(UE)對於自身的資料有完整控制權。
Open RAN 藉由標準化的開放介面以及開源軟體,實現了行動網路架構模塊化,電信營運商可將來自不同軟硬體供應商的設備組合在一起,建立 O-RAN。
O-RAN 架構中的 RIC(無線智慧控制器)對於 RRM (無線資源管理)優化至關重要。在 O-RAN RIC 中整合聯邦學習框架,意味著每個 Network Node 或基站(BS) 都可以使用本地端 UEs 生成的數據,在本地端構建自己的優化模型,無需與主服務器共享隱私數據。
因此將聯邦學習引入 O-RAN 架構,作為處理巨量資料通訊的無線資源管理以及使用者裝置(UE)資料隱私保護,是值得學術研究發展的方向。
聯邦學習(FL)提供了以下功能:
雖然聯邦學習整合O-RAN 的應用案例才剛起步,但目前已經有一些不錯的用例,(如:UE移動性流量預測)
詳細資訊:https://www.youtube.com/watch?v=mf5kxVcB-gI
Google 在這一領域率先推出了一款名為 TensorFlow Federated 的聯邦學習解決方案工具。
儘管聯邦學習促進了邊緣網路的集體智慧,但實現上並非沒有遇到瓶頸;瓶頸包括以下因素:
#openran #oran #oranalliance #oranRIC #federatedlearning #dataprivacy #tensorflowfederated