⚡ electrical engineering

Energy-Efficient Federated Learning with Relay-Assisted Aggregation in IIoT Networks

Dieser Beitrag schlägt ein energieeffizientes, durch Relais unterstütztes Framework für federiertes Lernen in Netzwerken des Industrial Internet of Things vor, das partielle Aggregation und einen sequenziellen parametrischen konvexen Approximationsalgorithmus zur Optimierung der Gerätegruppierung, der Relaisauswahl und der Leistungszuweisung nutzt, wodurch der Energieverbrauch und die Ausfallwahrscheinlichkeit erheblich reduziert und die Konvergenz unter strengen Latenzbedingungen beschleunigt werden.

Ursprüngliche Autoren: Hamid Reza Hashempour, Mostafa Nozari, Gilberto Berardinelli, Yanjiao Li, Jie Zhang, Hien Quoc Ngo, Shashi Raj Pandey

Veröffentlicht 2026-05-25

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Hamid Reza Hashempour, Mostafa Nozari, Gilberto Berardinelli, Yanjiao Li, Jie Zhang, Hien Quoc Ngo, Shashi Raj Pandey

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich einen riesigen Fabrikboden vor, der mit hunderten intelligenten Maschinen gefüllt ist (wie Roboterarme, Sensoren und Kameras). Jede Maschine hat ihr eigenes „Gehirn" und lernt, eine spezifische Aufgabe zu erledigen, etwa das Erkennen von Fehlern auf einem Förderband. Anstatt alle ihre Rohdaten (Fotos, Messwerte) an einen zentralen Chef-Computer zu senden – was das Netzwerk überlasten und Geschäftsgeheimnisse preisgeben würde –, möchten sie gemeinsam lernen. Dies nennt man Federated Learning (FL).

In einer Fabrik ist die Luft jedoch voller Metallwände, die Signale blockieren, und die Maschinen haben oft einen niedrigen Batteriestand. Das direkte Senden eines „Gehirn-Updates" (eines Modells) an den Chef kann langsam, unzuverlässig sein oder die Batterie vollständig entleeren.

Dieser Artikel schlägt eine clevere Lösung vor: Lassen Sie die Maschinen sich gegenseitig helfen.

Hier ist die Aufschlüsselung ihrer Idee mit einfachen Analogien:

1. Das Problem: Die „Lärmbelastete Fabrik"

Stellen Sie sich vor, Sie versuchen, eine Nachricht über einen lauten, mit Metall gefüllten Fabrikboden zu einem Manager zu schreien.

Direktes Schreien (Single-Hop): Wenn eine Maschine weit entfernt ist oder hinter einer großen Maschine steht, geht ihre Stimme verloren oder dauert zu lange. Wenn sie zu laut schreit, um gehört zu werden, entleert dies ihre Batterie schnell.
Das Ziel: Wir müssen die Updates aller schnell zum Manager bringen, ohne die Batterie zu erschöpfen und ohne dass die Nachricht verloren geht.

2. Die Lösung: Das „Boten-Relais"-System

Die Autoren schlagen eine zweistufige Strategie vor:

Die starken Maschinen (Relais): Einige Maschinen haben eine klare, starke Sichtverbindung zum Manager. Diese Maschinen fungieren als Relais.
Die schwachen Maschinen: Maschinen mit schlechten Verbindungen schreien nicht direkt. Stattdessen flüstern sie ihr Update einer nahen „starken Maschine" (dem Relais) zu.
Der magische Trick (Partielle Aggregation): Dies ist das Geheimnis des Artikels. Anstatt dass das Relais jedes einzelne Gehörte weiterleitet (was eine große Datenmenge wäre), mischt es sie zuerst zusammen.
- Analogie: Stellen Sie sich fünf Personen vor, die versuchen, einem Chef eine Geschichte zu erzählen. Anstatt dass fünf Personen fünf verschiedene Versionen schreien, hört eine Person (das Relais) alle fünf zu, schreibt eine zusammengefasste Geschichte auf und erzählt dem Chef dann diese eine Zusammenfassung. Dies spart eine enorme Menge an Zeit und Energie.

3. Der „smarte Manager" (Der Algorithmus)

Der zentrale Server (Edge-Server) fungiert wie ein sehr intelligenter Verkehrsleiter. Er rät nicht einfach, wer schreien und wer flüstern soll. Er löst ein komplexes mathematisches Rätsel, um zu entscheiden:

Wer spricht direkt? (Diejenigen mit einem klaren Weg).
Wer braucht einen Helfer? (Diejenigen mit blockierten Wegen).
Wer ist der beste Helfer? (Die Maschine mit der besten Verbindung zum Chef).
Wie laut sollten sie schreien? (Optimierung der Leistung, damit sie keine Batterie verschwenden).

Der Artikel verwendet eine Methode namens SPCA (Sequential Parametric Convex Approximation). Denken Sie daran als eine „Raten-und-Prüfen"-Schleife, die mit jedem Versuch schlauer wird und das perfekte Gleichgewicht zwischen Geschwindigkeit und Batterielebensdauer findet.

4. Was sie fanden (Die Ergebnisse)

Die Autoren führten Simulationen (Computertests) durch, um zu sehen, wie gut dies im Vergleich zur alten Methode funktioniert (jeder schreit direkt).

Weniger Batterieentleerung: Ihre Methode sparte eine enorme Menge an Energie. In einigen Fällen wurde sechsmal weniger Energie verbraucht als bei Maschinen, die direkt schrien. Selbst im Vergleich zu Maschinen, die sich nur gegenseitig halfen, ohne die Daten zuerst zusammenzufassen, sparte sie zweimal mehr Energie.
Weniger verlorene Nachrichten: Im alten System ging etwa 1 von 100 Nachrichten verloren (Ausfall). In ihrem neuen System ging nur 1 von 1.000.000 Nachrichten verloren. Es ist wie der Wechsel von einem wackeligen Walkie-Talkie zu einer kristallklaren Telefonleitung.
Schnelleres Lernen: Da mehr Maschinen teilnehmen können, ohne die Batterie zu erschöpfen oder das Zeitlimit zu überschreiten, lernt die Gruppe schneller und genauer, selbst wenn die Maschinen unterschiedliche Datentypen haben.

5. Reale Unordnung (Unvollkommene Informationen)

Der Artikel testete auch, was passiert, wenn der „Verkehrsleiter" keine perfekten Informationen über den Fabriklärm hat (Unvollkommene Kanalzustandsinformationen). Selbst bei dieser Unsicherheit hielt ihr System gut stand, insbesondere wenn die Maschinen ein paar „Testsignale" (Pilots) sendeten, um dem Manager zu helfen, den Lärm besser zu verstehen.

Zusammenfassung

Kurz gesagt lehrt dieser Artikel einer Gruppe von Fabrikmaschinen, wie sie effizient gemeinsam lernen. Anstatt alle zum Chef zu schreien (was langsam und ermüdend ist), bilden sie Teams, in denen starke Mitglieder die Gedanken der schwachen Mitglieder zusammenfassen, bevor sie sie weitergeben. Dies spart Batterie, verhindert verlorene Nachrichten und hilft der gesamten Fabrik, schneller zu lernen.

Technische Zusammenfassung: Energieeffizientes Federated Learning mit relaisgestützter Aggregation in IIoT-Netzwerken

Problemstellung
Dieser Artikel adressiert die Herausforderungen beim Einsatz von Federated Learning (FL) in Umgebungen des Industrial Internet of Things (IIoT), speziell innerhalb von Maschinen-Subnetzwerken (SNs). Obwohl FL privatsphäreschonendes kollaboratives Training ermöglicht, wird seine Implementierung in IIoT durch strenge Latenzbeschränkungen, Energiebegrenzungen batteriebetriebener Geräte und unzuverlässige drahtlose Verbindungen behindert, die durch Signalblockaden und Mehrwegeausbreitung in metallischen Fabrikumgebungen verursacht werden. Diese Probleme führen zu asynchronen Updates, Modellinkonsistenzen und einem hohen Kommunikationsaufwand. Bestehende Lösungen versagen häufig darin, Energieeffizienz (EE), kooperative Kommunikation und die spezifischen Zuverlässigkeitsanforderungen industrieller SNs gleichzeitig zu adressieren. Darüber hinaus gehen viele Ansätze von perfekter Kanalzustandsinformation (CSI) aus, was in dynamischen industriellen Umgebungen unpraktisch ist.

Methodik
Die Autoren schlagen ein relaisgestütztes Übertragungsframework vor, bei dem bestehende SNs als Decode-and-Forward (DF)-Relais für benachbarte Geräte mit schwachen Direktverbindungen zum Edge-Server (ES) fungieren. Die Methodik ist wie folgt strukturiert:

Systemmodell: Das Netzwerk besteht aus SNs, die in zwei Gruppen unterteilt sind: solche, die direkt zum ES senden (Ein-Hop, $N_{1h}$ ), und solche, die einen Zwei-Hop-Pfad über ein Relay-SN nutzen (Zwei-Hop, $N_{2h}$ ). Im Zwei-Hop-Szenario führen Relais eine partielle Aggregation der von zugeordneten SNs empfangenen lokalen Modelle durch, bevor sie eine kombinierte Aktualisierung an den ES weiterleiten. Dies reduziert das über den zweiten Hop übertragene Gesamtvolumen.
Optimierungsproblem: Das Ziel ist die Minimierung des gesamten Energieverbrauchs (Berechnung + Übertragung) aller beteiligten SNs unter Einhaltung einer strengen latenzbezogenen Rundenschranke ( $T_{th}$ ). Das Problem umfasst die gemeinsame Optimierung der Sendeleistung, der CPU-Frequenz, der SN-Gruppierung und der Relay-Auswahl.
Zerlegung und Algorithmen:
- Zerlegung: Das nicht-konvexe Optimierungsproblem wird in Teilprobleme zerlegt: Optimierung der CPU-Frequenz, Relay-Auswahl/SN-Gruppierung und Sendeleistungsregelung.
- SN-Gruppierung und Relay-Auswahl: Ein schwellenwertbasierter Algorithmus unter Verwendung einer ternären Suche klassifiziert SNs in Ein-Hop- oder Zwei-Hop-Gruppen. Er entfernt iterativ SNs mit den schwächsten Verbindungen, bis die gesamte Übertragungsverzögerung die Latenzbeschränkung erfüllt, mit dem Ziel, die Anzahl der teilnehmenden SNs zu maximieren.
- Leistungsoptimierung: Um die Nicht-Konvexität des Energie-Minimierungsproblems zu behandeln, wenden die Autoren eine Sequential Parametric Convex Approximation (SPCA)-Methode an. Dies approximiert nicht-konvexe Constraints iterativ mit konvexen Surrogaten, um einen stationären Punkt zu finden.
- Unvollkommene CSI (ICSI): Das Framework wird auf Szenarien mit unvollkommener CSI unter Verwendung der Minimum-Mean-Square-Error (MMSE)-Schätzung erweitert. Ein effektiver Signal-zu-Interferenz-plus-Rausch-Verhältnis (SINR)-Ausdruck wird hergeleitet, um Kanalabschätzungsfehler zu berücksichtigen, und der SPCA-Algorithmus wird angepasst, um die daraus resultierenden nicht-konvexen Ratenbeschränkungen zu handhaben.
Konvergenzanalyse: Der Artikel liefert eine theoretische Konvergenzanalyse, die das relaisgestützte Schema mit dem Standard-Ein-Hop-FL vergleicht. Es wird gezeigt, dass die partielle Aggregation an Relais die effektive Gradientenvarianz und Datenheterogenität ( $\Gamma_{eff}$ ) reduziert, was zu engeren Konvergenzschranken führt, insbesondere unter nicht-IID-Verteilungen.

Hauptbeiträge

Neues Protokoll: Einführung eines relaisgestützten FL-Protokolls für IIoT, das bestehende SNs als Relais ohne dedizierte Infrastruktur nutzt und partielle Aggregation zur Reduzierung des Overheads integriert.
Einheitliches Optimierungsframework: Entwicklung eines einheitlichen EE-Optimierungsframeworks basierend auf SPCA, das sowohl unter Bedingungen perfekter CSI (PCSI) als auch unvollkommener CSI (ICSI) operiert.
Algorithmisches Design: Vorschlag eines auf ternärer Suche basierenden Algorithmus für die optimale SN-Klassifizierung und Relay-Auswahl zur Minimierung der Verzögerung und Maximierung der Teilnahme, gekoppelt mit einem SPCA-basierten Leistungsregelungsmechanismus.
Theoretische Analyse: Herleitung von Konvergenzschranken für relaisgestütztes FL, die die Vorteile reduzierter Varianz und Heterogenität im Vergleich zu Ein-Hop-Ansätzen hervorheben.
Umfassende Evaluierung: Umfangreiche Simulationen zur Validierung der Leistung des Frameworks hinsichtlich Konvergenzgeschwindigkeit, Ausfallwahrscheinlichkeit und Energieeffizienz.

Ergebnisse
Simulationsergebnisse unter Verwendung des Fashion-MNIST-Datensatzes in einer Fabrikumgebung (100x100 m²) zeigen:

Konvergenz: Die vorgeschlagene Methode erreicht ein Konvergenzverhalten, das eng mit einer „Ideal FL"-Basislinie übereinstimmt und das Ein-Hop-FL erheblich übertrifft. Sie reduziert den normalisierten mittleren quadratischen Fehler (NMSE) des Trainingsverlusts um eine Größenordnung im Vergleich zum 1-Hop-FL.
Ausfallwahrscheinlichkeit: Das Framework reduziert die Wahrscheinlichkeit von Übertragungsverzögerungsverletzungen (Ausfall) drastisch, von $10^{-2}$ in Ein-Hop-Szenarien auf $10^{-6}$ mit der vorgeschlagenen SPCA-basierten Methode.
Energieeffizienz: Das vorgeschlagene Schema erzielt erhebliche Energieeinsparungen. Im Vergleich zur Ein-Hop-Übertragung reduziert es den Uplink-Energieverbrauch um bis zu das 6-Fache. Im Vergleich zu einem Zwei-Hop-Schema ohne partielle Aggregation erzielt es eine Reduktion von fast dem 3-Fachen.
Robustheit gegenüber ICSI: Unter unvollkommener CSI ist die Leistungsverschlechterung begrenzt. Eine Erhöhung der Pilotlänge ( $L_p$ ) verengt die Energiespanne zwischen ICSI und PCSI erheblich, wobei $L_p=20$ eine vernachlässigbare Verschlechterung im Vergleich zum perfekten Wissen zeigt.
Skalierbarkeit: Die Methode behält ihre überlegene Energieeffizienz bei, wenn die Anzahl der SNs von 10 auf 200 steigt.

Bedeutung und Behauptungen
Der Artikel behauptet, die erste Arbeit zu sein, die relaisgestützte TDMA-Übertragung mit strengen Timing-Beschränkungen für FL-Training speziell innerhalb industrieller IIoT-Netzwerke integriert. Die Bedeutung liegt in seiner Fähigkeit, den Kompromiss zwischen Energieverbrauch und Latenz auszugleichen und gleichzeitig hohe Zuverlässigkeit und schnelle Konvergenz zu gewährleisten. Durch die Nutzung bestehender SNs als Relais und die Durchführung partieller Aggregation eliminiert das Framework die Notwendigkeit einer dedizierten Relay-Infrastruktur und mildert gleichzeitig den „doppelten Pfadverlust"-Effekt, der oft bei passiven Lösungen wie rekonfigurierbaren intelligenten Oberflächen (RIS) zu beobachten ist. Die Autoren behaupten, dass ihr Ansatz in kommunikationsbeschränkten Umgebungen besonders effektiv ist und eine skalierbare Lösung für den energieeffizienten FL-Einsatz in Smart Factories bietet. Die Arbeit erkennt an, dass sie zwar strenge Latenzbeschränkungen zur Gewährleistung einer synchronisierten Aggregation durchsetzt, aber stochastische Synchronisationsfehler oder Veraltetheit von Updates nicht explizit modelliert, was als Forschungsrichtung für die Zukunft identifiziert wird.