《6G 网络分布式学习白皮书》.pdf

摘要 近年随着人工智能技术的快速发展，通信网络与人工智能之间的联系已经越来越密切， 人工智能与通信的融合将成为未来智能社会重要的基础支撑，使能智能普惠时代的到来。 人工智能与通信的融合包括通信网络本身的智能化 (Al for Networks)和网络提供的新 型智能化服务(Networks for Al)两大场景，在6GANA 相关白皮书中已有详尽的描述，而 无论哪类场景，从算法角度，在6G 网络中主要体现为分布式学习和推理的范式。因此， 本白皮书将对6G 网络分布式算法理论、关键问题和潜在应用进行系统化梳理和总结，分 析 6G 网络中的分布式学习范式应该具备的特征和预期的目标。并从无线网络本身具备的 特点出发，给出分布式学习在应用到6G 网络中时面临的关键技术挑战。综合分析相应的 核心技术框架、指出研发中遇到的关键问题和应对策略，详细描述在各个关键技术挑战方 向上的研究进展和存在的问题，并在此基础上分析相应分布式算法的合理性，应用服务中 的一致性以及算法性能可靠性的应用边界等问题，为后续研究提供参考并指示方向。另外， 本白皮书还将给出分布式学习在无线网络中的一些典型应用场景，并分析未来技术发展的 趋势和需要进一步提升的核心研究要点和方向。 摘要2 1. 6G 网络分布式学习综述 8 1.1. 观点：可标准化的高效分布式学习范式 8 1.2. 目标：使能知识在 6G 网络内的高效流动9 1.3. 挑战：6G 网络分布式学习的 KEY ISSUES 10 2. 现有分布式学习算法简介12 2.1. DPS 分布式计算 12 2.2. 联邦学习13 2.3. 拆分学习 14 2.4. 多智体强化学习15 2.5. 群体学习16 2.6. 迁移学习17 3. Key lssues 的研究进展17 3.1. #Keylssue 1:如何应对网络超异构性 18 3.2. #Keylssue 2:如何应对网络超离散性26 3.3.# Keylssue 3:如何应对网络超动态性36 3.4. #Keylssue 4:如何应对网络超大规模性39 3.5. #Keylssue 5:如何应对网络资源管理复杂性44 3.6. #Keylssue 6:如何应对网络超高能耗46 4. 分布式学习在无线网络中的典型应用场景49 4.1. 流量预测 49 4.2. 用户接入55 4.3. 车联网自动驾驶61 4.4. 工业物联网故障检测 66 4.5. 空天地一体化网络67 5. 总结与展望70 参考文献71 缩略语 78 图目录 图3-1无线网络支持联邦学习应用的系统配置及调度流程30 图 3-2 收敛步数的结果验证31 图 3-3 系统配置与调度策略的对比验证31 图3-4层剪枝联邦学习系统结构33 图3-5 同构和异构场景下的联邦学习层剪枝部署示意图34 图3-6 层剪枝联邦学习全局模型准确率曲线对比35 图3-7 层剪枝的通信计算效率36 图3-8VGG16 网络拆分37 图3-9共识主动性机制作为多个智能体之间的间接通信方式41 图 3-10 资源的高效管理算法的整体结构图 46 图 3-11 6G 网络多层次 节点部署示意图 47 FL 图3-12 6G 网络智能计算模型优化示意图 49 图4-1 VHFL网络架构示意图50 图4-2 VHFL 训练进程示意图50 图4-3 HFL节点间数据信息交互模式51 图4-4 VHFL训练中心及分布式节点的神经网络模型示意图51 图4-5多种学习模式下训练 loss、测试 loss、预测准确率的对比52 图4-6 VHFL的收敛趋势53 图4-7 采用横向联邦学习的中心化学习的客户体验优化框架54 图4-8 异构网下用户接入模型示例57 图4-9 基于 MDP的双层决策框架 59 图4-10SARA, OLA, LAA和 PFSMTS的系统平均吞吐量比较 60 图 4-11车联网仿真场景示意图63 图4-12 分布式协作多工厂异常检测方案67 图4-13基于联邦学习的天地一体化边缘计算网络架构 68 图4-14 多智能体协作模型69 文档作者列表： 贡献者 单位