⚡ electrical engineering

Energy-Efficient Federated Learning in Cooperative Communication within Factory Subnetworks

Dit artikel presenteert een energie-efficiënt transmissionprotocol voor federatief leren in industriële subnetwerken dat gebruikmaakt van relais-geassisteerde communicatie en een sequentiële parametrische convexe benadering om de totale energieverbruik te halveren en de uitvalkans te verlagen ten opzichte van enkelvoudige hop-transmissie.

Oorspronkelijke auteurs: Hamid Reza Hashempour, Gilberto Berardinelli, Shashi Raj Pandey, Hien Quoc Ngo

Gepubliceerd 2026-03-24

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Hamid Reza Hashempour, Gilberto Berardinelli, Shashi Raj Pandey, Hien Quoc Ngo

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een enorme, drukke fabriek voor. Overal staan robots, sensoren en machines die continu data verzamelen. De eigenaar van de fabriek wil een slimme "brein" (een AI-model) bouwen die alle machines beter laat werken. Maar hier zit een probleem: de machines mogen hun geheime productiedata niet naar een centrale computer sturen vanwege privacy en beveiliging.

De oplossing? Federated Learning. In plaats van de data te sturen, sturen de machines hun leermomenten (de updates van hun eigen brein) naar een centrale plek. Daar worden deze samengevoegd tot één slimme, globale brein.

Maar nu komt de uitdaging waar dit artikel over gaat: Energie en Snelheid.
In een fabriek zijn de machines vaak op batterijen of moeten ze extreem snel reageren. Als elke machine zijn leermomenten rechtstreeks naar de centrale server stuurt, kan het zijn dat:

De batterij snel leeg raakt (te veel energie).
De signalen onderweg vastlopen door metalen machines (trage verbinding).
Het te lang duurt voordat de fabriek "slim" is.

De Oplossing: De "Tussenpersoon" (Relays)

De auteurs van dit artikel, Hamid, Gilberto, Shashi en Hien, hebben een slimme manier bedacht om dit op te lossen. Ze gebruiken tussenpersonen (in de techniek 'relays' of 'sAPs' genoemd).

Stel je voor dat je een brief moet bezorgen in een groot, labyrint-achtig magazijn vol met hoge metalen rekken.

De oude manier (Single-hop): Je probeert de brief rechtstreeks naar de manager te gooien. Als er een rek in de weg staat, mis je je doel, of moet je heel hard schreeuwen (veel energie) om gehoord te worden.
De nieuwe manier (Cooperative/Two-hop): Je geeft de brief eerst aan een collega (de tussenpersoon) die dichterbij staat en een beter zicht heeft. Die collega leest de brief, schrijft hem netjes over en geeft hem dan door aan de manager.

Dit klinkt misschien als meer werk, maar in werkelijkheid bespaart het enorm veel energie en tijd, omdat de afstand per stap kleiner is en de kans op een "vastlopen" signaal kleiner is.

Hoe werkt hun slimme plan?

De onderzoekers hebben een algoritme bedacht dat als een slimme dispatcher werkt. Dit systeem doet drie belangrijke dingen:

Wie doet wat?
Het systeem kijkt naar elke machine. Als een machine een goede, directe lijn heeft naar de manager, mag die het zelf doen (één sprong). Als de lijn slecht is (bijvoorbeeld door een grote machine in de weg), wordt er een tussenpersoon ingeschakeld (twee sprongen).
Hoe hard schreeuwen?
Het systeem bepaalt precies hoe hard elke machine moet "schreeuwen" (zenden). Niet harder dan nodig. Als je te hard schreeuwt, verspil je batterij. Als je te zacht schreeuwt, hoor je het niet. Het algoritme vindt het perfecte midden.
De "SPCA" - De Slimme Rekenmachine
Het berekenen van de perfecte balans tussen snelheid, afstand en energie is ontzettend moeilijk (wiskundig gezien een "niet-conveks" probleem). De auteurs gebruiken een techniek genaamd SPCA.
- Vergelijking: Stel je voor dat je een berg moet beklimmen, maar de weg is zo hobbelig dat je niet weet welke kant op. De SPCA is als een slimme gids die zegt: "Laten we eerst een rechte lijn trekken naar de top, dan kijken we waar we zijn, en dan passen we de route weer een beetje aan." Door dit steeds te herhalen, vinden ze de snelste en zuinigste route.

Wat levert het op?

De resultaten in het artikel zijn indrukwekkend:

Minder uitval: De kans dat een machine faalt om zijn update te sturen (uitvalkans) is veel kleiner.
Twee keer minder energie: Door slim gebruik te maken van tussenpersonen, gebruiken de machines minstens de helft minder energie dan wanneer ze het alleen proberen.
Sneller leren: De fabriek wordt sneller slim omdat de data sneller en betrouwbaarder aankomt.

Conclusie

Kortom: Dit artikel laat zien hoe we in de fabriek van de toekomst (de "Industrie 4.0") AI kunnen laten leren zonder de batterijen van onze robots leeg te trekken of de productie te vertragen. Door slimme "tussenmannen" in te zetten en de communicatie precies af te stemmen, krijgen we een fabriek die niet alleen slim is, maar ook zuinig en betrouwbaar. Het is alsof je een team van koeriers hebt die samenwerken om een pakketje zo snel en zuinig mogelijk te bezorgen, in plaats van dat één persoon het hele traject moet afleggen.

Titel: Energie-efficiënt Federated Learning in Cooperatieve Communicatie binnen Fabrieksnetwerken

1. Probleemstelling

Het artikel adresseert de uitdagingen van het implementeren van Federated Learning (FL) in industriële Internet of Things (IIoT) omgevingen, specifiek binnen fabrieks-subnetwerken.

Context: In IIoT-netwerken moeten apparaten (sensoren, robots) lokaal AI-modellen trainen en deze updaten naar een centrale server (pAP) sturen zonder ruwe data te delen, om privacy te waarborgen.
Uitdagingen:
- Energiebeperkingen: Batterij-aangedreven IoT-apparaten moeten een balans vinden tussen de energie voor lokaal rekenwerk en het verzenden van modelupdates.
- Netwerkomstandigheden: Fabrieksomgevingen kenmerken zich door signaalblokkades (door metalen machines), fading en mobiliteit, wat leidt tot hoge latentie en onbetrouwbaarheid.
- Strikte Latentie-eisen: Industriële toepassingen vereisen zeer korte cyclus-tijden voor training en inferentie.
- Optimalisatiecomplexiteit: Het gezamenlijk optimaliseren van communicatie- en rekenresources is een niet-convex probleem met sterke koppelingen tussen variabelen.

Het doel is om een energie-efficiënt transmissieprotocol te ontwikkelen dat de totale energieverbruik minimaliseert terwijl strikte latentie-beperkingen worden gehaald, gebruikmakend van relais-assistie (via secundaire toegangspunten of sAPs).

2. Methodologie

De auteurs stellen een systeemmodel voor met $N$ sensoren en $K+1$ toegangspunten (één primair pAP en $K$ secundaire sAPs die fungeren als relais).

A. Communicatieprotocol (Cooperatief TDMA)
Het systeem gebruikt een Time Division Multiple Access (TDMA) protocol met drie fasen binnen een tijdslot:

Fase 1 (Twee-hop): Sensoren in de 'two-hop' groep ( $N_{2h}$ ) zenden hun data uit. Deze wordt ontvangen door zowel het pAP als de beste gekozen sAP.
Single-hop: Sensoren in de 'single-hop' groep ( $N_{1h}$ ) zenden direct naar het pAP.
Fase 2 (Twee-hop): De geselecteerde sAPs decoderen en doorsturen (Decode-and-Forward, DF) de data van de 'two-hop' sensoren naar het pAP.
Het pAP combineert de energie van het directe signaal en het versterkte signaal van de sAPs vóór decoding, wat de betrouwbaarheid verhoogt.

B. Energie- en Latentie-Modellering
De totale energie ( $E$ ) bestaat uit:

Lokale Rekenenergie ( $E_L$ ): Afhankelijk van de CPU-frequentie ( $f_n$ ), het aantal iteraties en de datasetgrootte.
Transmissie-energie ( $E_T$ ): Afhankelijk van de zendkracht en de haalbare data-rate.
De completietijd ( $T^c_n$ ) moet binnen een drempelwaarde ( $T^{th}$ ) blijven.

C. Optimalisatie-algoritme
Het probleem om de totale energie te minimaliseren onder latentie-beperkingen is niet-convex en moeilijk op te lossen. De auteurs hanteren een ontkoppelde aanpak:

CPU-frequentie optimalisatie: De frequentie wordt ingesteld op het laagst mogelijke niveau dat nog voldoet aan de tijdslimiet, om rekenenergie te minimaliseren.
Relais-selectie en Transmissie-energie:
- Classificatie: Apparaten worden ingedeeld in $N_{1h}$ of $N_{2h}$ op basis van hun kanaalcondities. Een apparaat kiest voor twee-hop als de effectieve kanaalwinst (minimale winst van de twee hops) beter is dan de directe link.
- Power Control: Voor de transmissie-energie minimaliseren gebruiken ze de Sequential Parametric Convex Approximation (SPCA) methode. Dit vervangt de niet-convexe beperkingen door convexe benaderingen (via hulpvariabelen en lineaire ondergrenzen), waardoor het probleem oplosbaar wordt als een Semidefinite Programming (SDP) probleem.

3. Belangrijkste Bijdragen

Formulering van het probleem: Het definiëren van een energie-efficiëntieprobleem voor FL met relais in industriële subnetwerken, rekening houdend met zowel computatie- als transmissie-energie.
Hybride Transmissieprotocol: Een nieuw protocol dat apparaten dynamisch toewijst aan single-hop of twee-hop (cooperatief) modus, gebaseerd op Channel State Information (CSI), om de totale doorvoer te maximaliseren.
SPCA Oplossing: De toepassing van de Sequential Parametric Convex Approximation methode om het complexe, niet-convexe optimalisatieprobleem (vooral de tijdsbeperkingen) te transformeren in een reeks convexe problemen die efficiënt opgelost kunnen worden.
Integratie van Relais: Het is een van de eerste werken dat een relais-assisterend TDMA-protocol integreert met FL-training onder strikte tijdslimieten in fabrieksnetwerken.

4. Resultaten

De prestaties zijn geëvalueerd via simulaties in een 3x3 m² fabrieksomgeving met 20 sensoren en variërend aantal sAPs (gebruikmakend van het MNIST dataset voor handgeschreven cijferherkenning).

Betrouwbaarheid (Outage Probability): Het gebruik van meerdere sAPs (bijv. "1 of 4" strategie, waarbij 4 relais beschikbaar zijn) verlaagt de uitvalkans (outage probability) aanzienlijk vergeleken met single-hop. Hogere zendkracht en meer relais leiden tot lagere latentie en minder uitval.
Energie-efficiëntie:
- Het voorgestelde cooperatieve schema verbruikt minimaal twee keer minder energie dan single-hop transmissie.
- Specifiek toont de "1 of 4" configuratie de beste prestaties, met een energiereductie van >50% ten opzichte van single-hop.
Convergentie: Het systeem bereikt sneller de gewenste modelnauwkeurigheid binnen de strikte tijdslimieten, terwijl single-hop in sommige scenario's faalt om binnen de tijdslimiet te blijven.

5. Betekenis en Conclusie

Dit onderzoek toont aan dat het integreren van cooperatieve communicatie (relais) in Federated Learning voor industriële toepassingen cruciaal is voor de haalbaarheid en efficiëntie.

Praktische Impact: Het biedt een oplossing voor de energie- en latentieproblemen in IIoT, wat essentieel is voor de implementatie van intelligente fabrieken.
Technische Inzicht: De studie demonstreert dat een slimme combinatie van CPU-frequentie-schaling, dynamische relais-selectie en geavanceerde convex-optimalisatie (SPCA) leidt tot aanzienlijke besparingen in energieverbruik zonder in te leveren op prestaties of betrouwbaarheid.
Toekomst: De resultaten suggereren dat het gebruik van meerdere secundaire toegangspunten (sAPs) als relais een kosteneffectieve strategie is om de levensduur van batterijen in IIoT-netwerken te verlengen en de betrouwbaarheid van AI-training te garanderen.