Geometric Fairness-Aware Routing for Federated Edge Networks

Résumé Technique : Routage Géométrique Sensible à l'Équité pour les Réseaux de Bordure Fédérés (Geo-FairFed)

Énoncé du Problème
L'article traite du défi critique du routage dans les réseaux émergents 6G et les réseaux intelligents en périphérie (edge-intelligent), qui sont composés de milliards de dispositifs diversifiés et géographiquement distribués. Les systèmes de routage existants font face à deux limitations primaires :

1. Manque d'Équité : Les cadres d'optimisation traditionnels privilégient souvent les métriques agrégées (latence, débit) au détriment de l'équité individuelle des nœuds. Les nœuds riches en ressources ont tendance à dominer les décisions de routage, laissant les dispositifs plus faibles ou distants avec un service dégradé.
2. Inadéquation Géométrique : La plupart des modèles de routage actuels basés sur l'apprentissage automatique, y compris ceux utilisant les réseaux de neurones sur graphes (GNN), opèrent dans des espaces de plongement euclidiens. Ces espaces ne parviennent pas à capturer avec précision la nature hiérarchique, suivant une loi de puissance et asymétrique, des topologies de réseaux réels, ceant ainsi un équilibrage de charge de trafic sous-optimal.

De plus, bien que l'apprentissage fédéré (Federated Learning - FL) offre un entraînement distribué préservant la confidentialité, les méthodes d'agrégation FL standard (comme FedAvg) supposent souvent une homogénéité statistique entre les clients, ce qui entraîne des modèles globaux biaisés dans les environnements de bordure hétérogènes.

Méthodologie : Le Cadre Geo-FairFed
Les auteurs proposent Geo-FairFed, une architecture de routage fédéré qui intègre l'apprentissage géométrique hyperbolique avec une optimisation contrainte par l'équité. Le cadre fonctionne à travers trois étapes itératives :

1. Apprentissage Géométrique Local (HGNN) :
   Chaque nœud de bordure entraîne une politique de routage locale en utilisant un réseau de neurones sur graphes hyperboliques (HGNN). Au lieu de l'espace euclidien, les plongements de nœuds sont projetés sur une variété hyperbolique à courbure négative ($H_d$). Cela permet au modèle d'encoder les relations hiérarchiques et les asymétries de connexion inhérentes aux topologies de réseau. L'objectif local minimise une fonction de perte composite comprenant la latence de bout en bout, la consommation d'énergie et les taux de perte de paquets, ainsi qu'une perte de cohérence géométrique pour maintenir l'intégrité de la variété.

2. Agrégation Sensible à l'Équité :
   Pour remédier au biais des agrégations fédérées standard, Geo-FairFed introduit un mécanisme de pondération ajusté selon l'équité. Au lieu de pondérer les mises à jour uniquement par la taille de l'échantillon (comme dans FedAvg), l'agrégateur calcule un poids basé sur l'inégalité de performance locale du nœud.

• Le système utilise l'indice d'équité de Jain pour quantifier l'équité de performance locale.
• Les nœuds présentant une inégalité plus élevée (scores d'équité plus bas) reçoivent des poids d'agrégation plus faibles, empêissant ainsi d'influencer de manière disproportionnée le modèle global s'ils dominent les ressources, tout en veillant à ce que les nœuds sous-performants ne soient pas ignorés.
• La fonction objectif globale minimise une somme pondérée de la perte de routage, d'une pénalité d'équité (dérivée de l'indice de Jain) et de la distorsion géométrique.

3. Optimisation Conjointe :
   Le cadre emploie une stratégie d'optimisation unifiée qui équilibre l'efficacité du routage, la cohérence géométrique et l'équité. L'analyse théorique établit des garanties de convergence sous les hypothèses de fonctions de perte locales lisses, de variance de gradient bornée et de courbure de variété limitée.

Contributions Clés

• Représentation Hyperbolique pour le Routage : L'introduction des HGNN pour apprendre des représentations sensibles à la topologie dans une variété à courbure négative, permettant un encodage efficace des motifs hiérarchiques et asymétriques communs dans les réseaux de bordure à grande échelle.
• Agrégation Fédérée Contrainte par l'Équité : Le développement d'une méthode de routage fédéré qui intègre l'indice d'équité de Jain directement dans le processus d'agrégation, ajustant dynamiquement les poids pour équilibrer les performances entre les dispositifs hétérogènes.
• Optimisation Unifiée et Garanties Théoriques : Une stratégie d'optimisation proposée qui minimise simultanément le délai de routage, l'incohérence géométrique et l'injustice. L'article fournit une preuve théorique de convergence sous une courbure limitée et démontre que le terme d'équité conduit à un équilibre de Pareto-amélioration.
• Évaluation Complète : Des simulations étendues sur des topologies 6G et IoT dynamiques (incluant des graphes de Barabási-Albert synthétiques et des ensembles de données de fournisseurs d'accès Internet réels comme RocketFuel et TopologyZoo) validant l'efficacité du cadre.

Résultats Expérimentaux
Les simulations démontrent que Geo-FairFed surpasse les protocoles de routage géométriques et fédérés de pointe (incluant DQN-Routing, FedAvg-Routing et le HGNN-Routing standard). Les indicateurs de performance clés incluent :

• Latence : Une réduction de la latence moyenne d'environ 20 %.
• Consommation d'Énergie : Une diminution de la consommation d'énergie de 17 %.
• Équité : Une amélioration de l'indice d'équité de Jain allant jusqu'à 21 %.
• Convergence : Le cadre atteint une convergence plus rapide vers une perte d'état stationnaire plus faible et un plateau d'équité plus élevé par rapport aux bases de référence.
• Sensibilité à la Courbure : Les expériences indiquent qu'une courbure hyperbolique modeste (par exemple, $\kappa \approx -0,3$) produit une précision de routage optimale, confirmant que la géométrie hyperbolique représente mieux les hiérarchies de réseau que l'espace euclidien ($\kappa=0$).

Signification et Revendications
L'article affirme que Geo-FairFed améliore considérablement l'efficacité et l'équité du routage de réseaux à grande échelle. En ancrant la topologie dans une variété hyperbolique et en intégrant l'équité dans les mises à jour fédérées, le système atteint un équilibre de Pareto-amélioration, ce qui signifie qu'il améliore l'équité sans causer de dégradation significative de l'efficacité globale du routage.

Les auteurs soulignent que cette approche comble le fossé entre l'apprentissage de représentation géométrique et l'optimisation de réseau distribuée. Ils affirment que le cadre est particulièrement efficace dans les environnements de bordure et 6G hétérogènes où les modèles euclidiens traditionnels et la moyenne fédérée standard ne parviennent pas à prendre en compte les hiérarchies topologiques et les disparités entre les nœuds. L'étude conclut que l'intégration de la sensibilité géométrique à l'équité est essentielle pour la prochaine génération de réseaux de communication intelligents et évolutifs.

Note : L'article reconnaît les limites concernant les facteurs de déploiement en conditions réelles tels que les retardataires (stragglers), les connexions instables et les attaques adverses, notant que ce sont des domaines pour des recherches futures plutôt que des capacités actuelles du cadre proposé.