Federated Self-Supervised Modulation Classification under Non-IID and Imbalanced Data

في الهواء غير المرئي من حولنا، تعزف سيمفونية فوضوية من الموجات الراديوية باستمرار. من إشارات الـ Wi-Fi التي تحمل رسائل البريد الإلكتروني الخاصة بك إلى اتصالات الشبكة الخلوية التي تبقي هاتفك متصلاً، تُعد هذه التدفقات غير المرئية من البيانات هي شريان الحياة للاتصالات الحديثة. ولتتمكن الأجهزة اللاسلكية من فهم هذا الضجيج، يجب أن تكون ذكية بما يكفي للاستماع، وتحديد نوع الإشارة التي تتحدث، وتعديل سلوكها وفقاً لذلك. هذه القدرة، المعروفة باسم التصنيف التلقائي للتعديل (automatic modulation classification)، هي بمثابة "الآذان" لنظام الراديو المعرفي، مما يسمح للشبكات بتجنب التداخل واستخدام الطيف الراديوي المحدود بكفاءة. تقليدياً، تطلب تعليم الكمبيوتر التعرف على هذه الإشارات جمع كميات هائلة من البيانات المسجلة في موقع مركزي. ومع ذلك، فإن هذا النهج يشبه محاولة حل لغز عن طريق إرسال كل قطعة منه بالبريد إلى شخص واحد؛ فهو بطيء، ومكلف، ويثير مخاوف جدية بشأن الخصوصية لأن البيانات الخام غالباً ما تحتوي على معلومات حساسة حول من يتحدث وأين. علاوة على بعض ذلك، في العالم الحقيقي، نادراً ما تكون البيانات مثالية؛ فالإشارات غالباً ما تكون ضعيفة، أو مشوهة بسبب المسافة، أو تأتي من مصادر موزعة بشكل غير متساوٍ، مما يجعل من الصعب على نموذج واحد مدرب مركزياً أن يعمل بشكل جيد في كل مكان.

ولحل هذه المشكلات، طور الباحثون عثمان أكرم، وييوي تشين، وهاريس فيكالو من جامعة تكساس في أوستن طريقة جديدة لتدريب هذه الأنظمة الذكية. فبدلاً من جمع كل البيانات في مكان واحد، ابتكروا طريقة تسمى FedSSL-AMC، والتي تسمة العديد من الأجهزة المختلفة بالتعلم معاً دون مشاركة تسجيلاتها الخام أبداً. تخيل مجموعة من الطلاب في فصول دراسية مختلفة يحاولون تعلم لغة جديدة؛ بدلاً من إرسال دفاتر ملاحظاتهم إلى معلم مركزي، يمارس كل منهم التدريب باستخدام مواده المحلية الخاصة ويشاركون فقط القواعد العامة التي اكتشفوها. في هذا النظام الجديد، "الطلاب" هم الأجهزة اللاسلكية، و"القواعد" هي الأنماط الرياضية التي تصف كيف تبدو الإشارات. استخدم الباحثون تقنية تسمى التعلم شبه الموجه (self-supervised learning)، وهي تقنية ذكية للغاية لأنها تسمح للأجهزة بالتعلم من الكميات الهائلة من البيانات غير المصنفة التي تواجهها بشكل طبيعي، بدلاً من الانتظار حتى يقوم بشري بتصنيف كل إشارة. وهذا أمر بالغ الأهمية لأن البيانات المصنفة نادرة ومكلفة في الحصول عليها، بينما تدفقات الضجيج الراديوي غير المصنفة وفيرة.

يتضمن جوهر نهجهم برنامجاً حاسوبياً متخصصاً، وهو نوع من الشبكات العصبية المصممة للنظر في تدفق الوقت في الإشارة. يتعلم هذا البرنامج التعرف على "بصمات الأصابع" الفريدة لأنواع التعديل المختلفة — وهي الطرق المحددة التي يتم بها تشفير الإشارات لحمل المعلومات — من خلال مقارنة أجزاء الإشارة المتشابهة مع أجزاء مختلفة. تعمل الأجهزة معاً بطريقة اتحادية (federated manner)، مما يعني أنها تتعاون لتحسين الفهم المشترك لهذه الأنماط دون الكشف عن بياناتها الخاصة. وبمجرد إنشاء هذا الفهم المشترك، يستخدم كل جهاز كمية صغيرة من بياناته المصنفة الخاصة لضبط مصنف بسيط، مما يعلمه أساساً كيفية تحديد الإشارات المحددة التي يواجهها في بيئته المحلية. هذه العملية المكونة من خطوتين — تعلم الشكل العام للإشارات أولاً ثم التخصص محلياً — تسم تجعل النظام قوياً حتى عندما تكون البيانات فوضوية أو غير متساوية أو نادرة.

اختبر الباحثون هذه الطريقة على ثلاث مجموعات مختلفة من البيانات: مجموعة بيانات اصطناعية مخصصة، ومجموعة بيانات واقعية تم تسجيلها عبر الهواء باستخدام معدات راديو متخصصة، ومجموعة بيانات عامة ضخمة من الإشارات الرقمية والتماثلية. وفي كل اختبار، تفوقت طريقتهم الجديدة على الأساليب القياسية الموجودة. على سبيل المثال، في مجموعة البيانات الاصطعية، حققت الطريقة الجديدة دقة تقترب من 67 بالمائة، وهي أعلى بكثير من أفضل طريقة تالية، والتي كانت تحوم حول 61 بالمائة. وعلى مجموعة البيانات الواقعية المسجلة عبر الهواء، كان التحسن أكثر وضوحاً، حيث وصلت الطريقة الجديدة إلى دقة تبلغ حوالي 85 بالمائة مقارلة بحوالي 79 بالمائة لأفضل بديل. وظلت هذه النتائج ثابتة حتى عندما أدخل الباحثون ظروفاً صعبة، مثل وجود كميات متفاوتة جداً من البيانات لكل نوع من أنواع الإشارات بين الأجهزة المختلفة، أو عندما كانت الإشارات مشوهة بمستويات متفاوتة من الضوضاء والانزياحات الترددية.

إن أحد النتائج الرئيسية للدراسة هو أن هذه الطريقة فعالة للغاية في الاتصال. فبينما تتطلب الأساليب التقليدية غالباً آلاف الجولات من التواصل المتبادل بين الأجهزة للوصول إلى مستوى عالٍ من الدقة، حقق النهج الجديد نتائج متفوقة في عشر جولات فقط. وهذا يمثل انخفاضاً هائلاً في الوقت والطاقة المطلوبة لتدريب النظام. كما أظهر الباحثون أن الطريقة تعمل بشكل جيد حتى عندما تمتلك الأجهزة عدداً قلي جداً من الأمثلة المصنفة للعمل بها، وهي مشكلة شائعة في التطبيقات العملية حيث يكون تصنيف البيانات أمراً صعباً. ومن خلال الاعتماد على وفرة البيانات غير المصنفة لتعلم البنية الأساسية للإشارات، يمكن للنظام التكيف بسرعة ودقة مع البيئات الجديدة. تضمنت الدراسة أيضاً تحليلاً نظرياً أثبت أن الطريقة سليمة رياضياً، مما يظهر أن عملية التعلم مستقرة وأن النظام يمكنه التمييز بشكل موثوق بين أنواع الإشارات المختلفة حتى عندما تكون البيانات مشوشة.

تمتد تداعيات هذا العمل إلى ما هو أبعد من مجرد تحسين التعرف على الإشارات. فمن خلال تمكين الأجهزة من التعلم التعاوني دون مشاركة البيانات الخام، يعالج هذا النهج المخاوف المتزايدة بشأن الخصوصية وأمن البيانات في الشبكات اللاسلكية. إنه يقدم مساراً للمضي قدماً في بناء شبكات أكثر ذكاءً وتكيفاً يمكنها العمل بفعالية في الظروف المعقدة وغير المتوقعة في العالم الحقيقي. لقد أثبت الباحثون أنه من الممكن بناء نظام ليس دقيقاً فحسب، بل فعالاً ويحترم خصوصية المستخدم أيضاً. ويمثل هذا خطوة مهمة نحو الجيل القادم من الاتصالات اللاسلكية، حيث يمكن للشبكات أن تفهم بيئتها وتتكيف معها ديناميكياً في الوقت الفعلي، مما يضمن استمرار عزف السيمفونية غير المرئية للموجات الراديوية بسلاسة للجميع. إن نجاح هذه الطريقة يشير إلى أن مستقبل الذكاء اللاسلكي لا يكمن في مركزية البيانات، بل في توزيع عملية التعلم نفسها، مما يسم يسمح للشبكة بأن تصبح أكثر ذكاءً من خلال التعاون بدلاً من الجمع.