⚡ electrical engineering

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

Este artículo propone un marco de aprendizaje federado asistido por relés y eficiente energéticamente para redes de Internet de las Cosas Industrial que utiliza agregación parcial y un algoritmo secuencial de aproximación convexa paramétrica para optimizar la agrupación de dispositivos, la selección de relés y la asignación de potencia, reduciendo así significativamente el consumo de energía y la probabilidad de interrupción mientras acelera la convergencia bajo restricciones estrictas de latencia.

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

Publicado 2026-05-25

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

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

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina un enorme piso de fábrica lleno de cientos de máquinas inteligentes (como brazos robóticos, sensores y cámaras). Cada máquina tiene su propio "cerebro" y está aprendiendo a realizar una tarea específica, como detectar defectos en una cinta transportadora. En lugar de enviar todos sus datos crudos (fotos, mediciones) a una computadora jefe central, lo cual saturaría la red y revelaría secretos comerciales, quieren aprender juntos. Esto se llama Aprendizaje Federado (FL).

Sin embargo, en una fábrica, el aire está lleno de paredes metálicas que bloquean las señales, y las máquinas a menudo tienen poca batería. Enviar una "actualización del cerebro" (un modelo) directamente al jefe puede ser lento, poco fiable o agotar la batería por completo.

Este artículo propone una solución inteligente: Deja que las máquinas se ayuden entre sí.

Aquí está el desglose de su idea usando analogías simples:

1. El Problema: La "Fábrica Ruidosa"

Imagina intentar gritar un mensaje a un gerente a través de un piso de fábrica ruidoso y lleno de metal.

Grito Directo (Salto Único): Si una máquina está lejos o detrás de una máquina grande, su voz se pierde o tarda demasiado. Si grita demasiado fuerte para ser escuchada, agota su batería rápidamente.
El Objetivo: Necesitamos que todas las actualizaciones lleguen al gerente rápidamente, sin quedarse sin batería y sin que el mensaje se pierda.

2. La Solución: El Sistema de "Relevo de Mensajeros"

Los autores sugieren una estrategia de dos pasos:

Las Máquinas Fuertes (Relés): Algunas máquinas tienen una línea de visión clara y fuerte hacia el gerente. Estas máquinas actúan como Relés.
Las Máquinas Débiles: Las máquinas con conexiones pobres no gritan directamente. En su lugar, susurran su actualización a una "Máquina Fuerte" cercana (el Relé).
El Truco Mágico (Agregación Parcial): Este es el ingrediente secreto del artículo. En lugar de que el Relé simplemente pase adelante cada susurro individual que escucha (lo cual sería una gran cantidad de datos), primero los mezcla.
- Analogía: Imagina a cinco personas intentando contar una historia a un jefe. En lugar de que cinco personas griten cinco versiones diferentes, una persona (el Relé) escucha a las cinco, escribe un solo resumen de la historia y luego le cuenta al jefe ese único resumen. Esto ahorra una cantidad masiva de tiempo y energía.

3. El "Gerente Inteligente" (El Algoritmo)

El servidor central (Servidor de Borde) actúa como un controlador de tráfico muy inteligente. No solo adivina quién debe gritar y quién debe susurrar. Resuelve un complejo acertijo matemático para decidir:

¿Quién habla directamente? (Aquellos con un camino claro).
¿Quién necesita un ayudante? (Aquellos con caminos bloqueados).
¿Quién es el mejor ayudante? (La máquina con la mejor conexión al jefe).
¿Qué tan fuerte deben gritar? (Optimizando la potencia para que no desperdicien batería).

El artículo utiliza un método llamado SPCA (Aproximación Convexa Paramétrica Secuencial). Piensa en esto como un bucle de "prueba y error" que se vuelve más inteligente con cada intento, encontrando el equilibrio perfecto entre velocidad y vida de la batería.

4. Lo Que Encontraron (Los Resultados)

Los autores realizaron simulaciones (pruebas informáticas) para ver qué tan bien funciona esto en comparación con la forma antigua (todos gritando directamente).

Menor Agotamiento de Batería: Su método ahorró una gran cantidad de energía. En algunos casos, utilizó 6 veces menos energía que las máquinas gritando directamente. Incluso en comparación con máquinas que simplemente se ayudan entre sí sin resumir los datos primero, ahorró 2 veces más energía.
Menos Mensajes Perdidos: En el sistema antiguo, aproximadamente 1 de cada 100 mensajes se perdía (interrupción). En su nuevo sistema, solo 1 de cada 1.000.000 de mensajes se perdió. Es como pasar de una radio de mano inestable a una línea telefónica cristalina.
Aprendizaje Más Rápido: Debido a que más máquinas pueden participar sin quedarse sin batería o agotar el tiempo, el grupo aprende más rápido y con mayor precisión, incluso si las máquinas tienen diferentes tipos de datos.

5. El Desorden del Mundo Real (Información Imperfecta)

El artículo también probó qué sucede si el "controlador de tráfico" no tiene información perfecta sobre el ruido de la fábrica (Información Imperfecta del Estado del Canal). Incluso con esta incertidumbre, su sistema se sostuvo bien, especialmente si las máquinas enviaron algunas "señales de prueba" (pilotos) para ayudar al gerente a entender mejor el ruido.

Resumen

En resumen, este artículo enseña a un grupo de máquinas de fábrica cómo aprender juntas de manera eficiente. En lugar de que todos griten al jefe (lo cual es lento y agotador), forman equipos donde los miembros fuertes resumen los pensamientos de los miembros débiles antes de pasarlos hacia arriba. Esto ahorra batería, evita mensajes perdidos y ayuda a que toda la fábrica aprenda más rápido.

Resumen Técnico: Aprendizaje Federado Eficiente Energéticamente con Agregación Asistida por Reles en Redes IIoT

Enunciado del Problema
Este artículo aborda los desafíos de implementar el Aprendizaje Federado (FL) en entornos del Internet Industrial de las Cosas (IIoT), específicamente dentro de subredes (SN) de maquinaria. Si bien el FL ofrece entrenamiento colaborativo que preserva la privacidad, su implementación en IIoT se ve obstaculizada por restricciones estrictas de latencia, limitaciones energéticas de dispositivos alimentados por batería y enlaces inalámbricos poco fiables causados por bloqueos de señal y desvanecimiento por multitrayectoria en entornos de fábricas metálicas. Estos problemas conducen a actualizaciones asíncronas, inconsistencias en los modelos y una alta sobrecarga de comunicación. Las soluciones existentes a menudo no logran abordar simultáneamente la eficiencia energética (EE), la comunicación cooperativa y los requisitos específicos de fiabilidad de las SN industriales. Además, muchos enfoques asumen una Información de Estado del Canal (CSI) perfecta, lo cual es poco práctico en entornos industriales dinámicos.

Metodología
Los autores proponen un marco de transmisión asistida por reles donde las SN existentes actúan como reles de decodificación y reenvío (DF) para dispositivos vecinos con enlaces directos débiles hacia el Servidor de Borde (ES). La metodología se estructura de la siguiente manera:

Modelo del Sistema: La red consta de SNs divididas en dos grupos: aquellas que transmiten directamente al ES (un solo salto, $N_{1h}$ ) y aquellas que utilizan una ruta de dos saltos a través de una SN relé (dos saltos, $N_{2h}$ ). En el escenario de dos saltos, los reles realizan una agregación parcial de los modelos locales recibidos de las SN asociadas antes de reenviar una actualización combinada al ES. Esto reduce el volumen total de datos transmitidos en el segundo salto.
Problema de Optimización: El objetivo es minimizar el consumo total de energía (computación + transmisión) de todas las SN participantes, cumpliendo al mismo tiempo con una restricción estricta de latencia por ronda ( $T_{th}$ ). El problema implica optimizar conjuntamente la potencia de transmisión, la frecuencia de la CPU, la agrupación de SN y la selección de reles.
Descomposición y Algoritmos:
- Descomposición: El problema de optimización no convexo se descompone en subproblemas: optimización de la frecuencia de la CPU, selección de reles y agrupación de SN, y control de potencia de transmisión.
- Agrupación de SN y Selección de Reles: Un algoritmo basado en umbral que utiliza búsqueda ternaria clasifica las SN en grupos de un solo salto o de dos saltos. Elimina iterativamente las SN con los enlaces más débiles hasta que el retraso total de transmisión satisface la restricción de latencia, con el objetivo de maximizar el número de SN participantes.
- Optimización de Potencia: Para manejar la no convexidad del problema de minimización de energía, los autores emplean un método de Aproximación Convexa Paramétrica Secuencial (SPCA). Esto aproxima iterativamente las restricciones no convexas con sustitutos convexos para encontrar un punto estacionario.
- CSI Imperfecta (ICSI): El marco se extiende a escenarios con CSI imperfecta utilizando estimación de Error Cuadrático Medio Mínimo (MMSE). Se deriva una expresión efectiva de la Relación Señal a Interferencia más Ruido (SINR) para tener en cuenta los errores de estimación del canal, y el algoritmo SPCA se modifica para acomodar las restricciones de tasa no convexas resultantes.
Análisis de Convergencia: El artículo proporciona un análisis teórico de convergencia que compara el esquema asistido por reles con el FL estándar de un solo salto. Demuestra que la agregación parcial en los reles reduce la varianza efectiva del gradiente y la heterogeneidad de los datos ( $\Gamma_{eff}$ ), lo que conduce a límites de convergencia más ajustados, particularmente bajo distribuciones de datos no IID.

Contribuciones Clave

Protocolo Novel: Introducción de un protocolo de FL asistido por reles para IIoT que utiliza SN existentes como reles sin infraestructura dedicada, incorporando agregación parcial para reducir la sobrecarga.
Marco de Optimización Unificado: Desarrollo de un marco de optimización de EE unificado basado en SPCA que opera bajo condiciones tanto de CSI Perfecta (PCSI) como de CSI Imperfecta (ICSI).
Diseño Algorítmico: Propuesta de un algoritmo basado en búsqueda ternaria para la clasificación óptima de SN y la selección de reles, con el fin de minimizar el retraso y maximizar la participación, acoplado a un mecanismo de control de potencia basado en SPCA.
Análisis Teórico: Derivación de límites de convergencia para FL asistido por reles, destacando los beneficios de la reducción de varianza y heterogeneidad en comparación con los enfoques de un solo salto.
Evaluación Exhaustiva: Simulaciones extensas que validan el rendimiento del marco en términos de velocidad de convergencia, probabilidad de interrupción y eficiencia energética.

Resultados
Los resultados de simulación utilizando el conjunto de datos Fashion-MNIST en un entorno de fábrica (100x100 m²) demuestran:

Convergencia: El método propuesto logra un comportamiento de convergencia estrechamente alineado con una línea base de "FL Ideal" y supera significativamente al FL de un solo salto. Reduce el Error Cuadrático Medio Normalizado (NMSE) de la pérdida de entrenamiento en un orden de magnitud en comparación con el FL de 1 salto.
Probabilidad de Interrupción: El marco reduce drásticamente la probabilidad de violaciones de retraso de transmisión (interrupción), disminuyéndola de $10^{-2}$ en escenarios de un solo salto a $10^{-6}$ con el método propuesto basado en SPCA.
Eficiencia Energética: El esquema propuesto logra ahorros energéticos sustanciales. En comparación con la transmisión de un solo salto, reduce el consumo de energía de enlace ascendente hasta en 6 veces. En comparación con un esquema de dos saltos sin agregación parcial, logra una reducción de casi 3 veces.
Robustez ante ICSI: Bajo CSI imperfecta, la degradación del rendimiento es limitada. Aumentar la longitud del piloto ( $L_p$ ) reduce significativamente la brecha energética entre ICSI y PCSI, mostrando $L_p=20$ una degradación insignificante en comparación con el conocimiento perfecto.
Escalabilidad: El método mantiene una eficiencia energética superior a medida que aumenta el número de SN de 10 a 200.

Significado y Afirmaciones
El artículo afirma ser el primer trabajo que integra la transmisión TDMA asistida por reles con restricciones de tiempo estrictas para el entrenamiento de FL específicamente dentro de redes industriales IIoT. La importancia radica en su capacidad para equilibrar la compensación entre el consumo de energía y la latencia, garantizando al mismo tiempo alta fiabilidad y convergencia rápida. Al aprovechar las SN existentes como reles y realizar agregación parcial, el marco elimina la necesidad de infraestructura de relé dedicada, al tiempo que mitiga el efecto de "doble pérdida de trayectoria" a menudo observado en soluciones pasivas como las Superficies Inteligentes Reconfigurables (RIS). Los autores afirman que su enfoque es particularmente efectivo en entornos con restricciones de comunicación, ofreciendo una solución escalable para la implementación de FL eficiente energéticamente en fábricas inteligentes. El trabajo reconoce que, si bien impone restricciones de latencia estrictas para garantizar una agregación sincronizada, no modela explícitamente errores estocásticos de sincronización o desactualización de las actualizaciones, identificando esto como una dirección para futuras investigaciones.