Geometric Fairness-Aware Routing for Federated Edge Networks

Resumen Técnico: Enrutamiento con Conciencia de Equidad Geométrica para Redes de Borde Federadas (Geo-FairFed)

Planteamiento del Problema
El artículo aborda el desafío crítico del enrutamiento en las emergentes redes 6G y de borde inteligente (edge-intelligent), que consisten en miles de millones de dispositivos diversos y distribuidos geográficamente. Los sistemas de enrutamiento existentes enfrentan dos limitaciones primordiales:

1. Falta de Equidad: Los marcos de optimización tradicionales suelen priorizar métricas agregadas (latencia, rendimiento/throughput) a expensas de la equidad de los nodos individuales. Los nodos con abundancia de recursos tienden a dominar las decisiones de enrutamiento, dejando a los dispositivos más débiles o remotos con un servicio degradado.
2. Desajuste Geométrico: La mayoría de los modelos de enrutamiento basados en aprendizaje automático actuales, incluidos los que utilizan Redes Neuronales de Grafos (GNN), operan en espacios de incrustación euclidianos. Estos espacios no logran capturar con precisión la naturaleza jerárquica, de ley de potencia y asimétrica de las topologías de red del mundo real, lo que conduce a un equilibrio de carga de tráfico subóptimo.

Además, aunque el Aprendizaje Federado (FL) ofrece un entrenamiento distribuido que preserva la privacidad, los métodos de agregación de FL estándar (como FedAvg) a menudo asumen homogeneidad estadística entre los clientes, lo que resulta en modelos globales sesgados en entornos de borde heterogéneos.

Metodología: El Marco Geo-FairFed
Los autores proponen Geo-FairFed, una arquitectura de enrutamiento federado que integra el aprendizaje geométrico hiperbólico con la optimización con restricciones de equidad. El marco opera a través de tres etapas iterativas:

1. Aprendizaje Geométrico Local (HGNN):
   Cada nodo de borde entrena una política de enrutamiento local utilizando una Red Neuronal de Grafo Hiperbólica (HGNN). En lugar del espacio euclidiano, las incrustaciones de los nodos se mapean a una variedad hiperbólica de curvatura negativa ($H_d$). Esto permite al modelo codificar las relaciones jerárquicas y las asimetrías de conexión inherentes a las topologías de red. El objetivo local minimiza una función de pérdida compuesta que comprende la latencia de extremo a extremo, el consumo de energía y las tasas de pérdida de paquetes, junto con una pérdida de consistencia geométrica para mantener la integridad de la variedad.

2. Agregación con Conciencia de Equidad:
   Para abordar el sesgo en la agregación federada estándar, Geo-FairFed introduce un mecanismo de ponderación ajustado por equidad. En lugar de ponderar las actualizaciones únicamente por el tamaño de la muestra (como en FedAvg), el agregador calcula un peso basado en la desigualdad de desempeño local de un nodo.

   • El sistema utiliza el Índice de Equidad de Jain para cuantificar la equidad de desempeño local.
   • Los nodos que exhiben una mayor desigualdad (puntuaciones de equidad más bajas) reciben pesos de agregación menores, evitando que influyan desproporcionadamente en el modelo global si están dominando recursos, al tiempo que aseguran que los nodos con bajo desempeño no sean ignorados.
   • La función objetivo global minimiza una suma ponderada de la pérdida de enrutamiento, una penalización de equidad (derivada del índice de Jain) y la distorsión geométrica.

3. Optimización Conjunta:
   El marco emplea una estrategia de optimización unificada que equilibra la eficiencia del enrutamiento, la consistencia geométrica y la equidad. El análisis teórico establece garantías de convergencia bajo supuestos de funciones de pérdida local suaves, varianza de gradiente acotada y curvatura de la variedad limitada.

Contribuciones Clave

• Representación Hiperbólica para el Enrutamiento: La introducción de HGNNs para aprender representaciones conscientes de la topología en una variedad de curvatura negativa, permitiendo la codificación eficiente de patrones jerárquicos y asimétricos comunes en redes de borde a gran escala.
• Agregación Federada con Restricciones de Equidad: El desarrollo de un método de enrutamiento federado que integra el Índice de Equidad de Jain directamente en el proceso de agregación, ajustando dinámicamente los pesos para equilibrar el desempeño entre dispositivos heterogéneos.
• Optimización Unificada y Garantías Teóricas: Una estrategia de optimización propuesta que minimiza simultáneamente el retardo de enrutamiento, la inconsistencia geométrica y la injusticia. El documento proporciona una prueba teórica que demuestra la convergencia bajo curvatura limitada y demuestra que el término de equidad conduce a un equilibrio de mejora de Pareto.
• Evaluación Exhaustiva: Simulaciones extensas en topologías dinámicas de 6G e IoT (incluyendo grafos sintéticos de Barabási-Albert y conjuntos de datos de ISP del mundo real como RocketFuel y TopologyZoo) que validan la eficacia del marco.

Resultados Experimentales
Las simulaciones demuestran que Geo-FairFed supera a los protocolos de enrutamiento geométrico y federado de última generación (incluyendo DQN-Routing, FedAvg-Routing y el HGNN-Routing estándar). Las métricas clave de desempeño incluyen:

• Latencia: Una reducción en la latencia promedio de aproximadamente un 20%.
• Consumo de Energía: Una disminución en el uso de energía del 17%.
• Equidad: Una mejora en el Índice de Equidad de Jain de hasta un 21%.
• Convergencia: El marco logra una convergencia más rápida hacia una pérdida de estado estacionario más baja y una meseta de equidad más alta en comparación con las líneas base.
• Sensibilidad a la Curvatura: Los experimentos indican que una curvatura hiperbólica modesta (por ejemplo, $\kappa \approx -0.3$) produce una precisión de enrutamiento óptima, confirmando que la geometría hiperbólica representa mejor las jerarquías de red que el espacio euclidiano ($\kappa=0$).

Significancia y Reivindicaciones
El artículo afirma que Geo-FairFed mejora significativamente tanto la eficiencia como la equidad del enrutamiento en redes a gran escala. Al incrustar la topología en una variedad hiperbólica e integrar la equidad en las actualizaciones federadas, el sistema logra un equilibrio de mejora de Pareto, lo que significa que mejora la equidad sin causar una degradación significativa en la eficiencia general del enrutamiento.

Los autores enfatizan que este enfoque cierra la brecha entre el aprendizaje de representación geométrica y la optimización de redes distribuidas. Afirman que el marco es particularmente efectivo en entornos de borde y 6G heterogéneos donde los modelos euclidianos tradicionales y el promedio federado estándar no logran dar cuenta de las jerarquías topológicas y las disparidades de los nodos. El estudio concluye que la incorporación de la conciencia de equidad geométrica es esencial para la próxima generación de redes de comunicación inteligentes y escalables.

Nota: El documento reconoce limitaciones respecto a factores de despliegue en el mundo real, tales como rezagados (stragglers), conexiones inestables y ataques adversarios, señalando que estas son áreas para investigaciones futuras y no capacidades actuales del marco propuesto.