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

Resumo Técnico: Aprendizado Federado Eficiente em Energia com Agregação Assistida por Rele em Redes IIoT

Declaração do Problema
Este artigo aborda os desafios de implantar Aprendizado Federado (FL) em ambientes de Internet das Coisas Industrial (IIoT), especificamente dentro de sub-redes (SNs) de máquinas. Embora o FL ofereça treinamento colaborativo que preserva a privacidade, sua implementação em IIoT é dificultada por restrições estritas de latência, limitações de energia de dispositivos alimentados por bateria e links sem fio não confiáveis causados por bloqueios de sinal e desvanecimento por multipath em ambientes fabris metálicos. Essas questões levam a atualizações assíncronas, inconsistências de modelo e alta sobrecarga de comunicação. Soluções existentes frequentemente falham em abordar simultaneamente a eficiência energética (EE), a comunicação cooperativa e os requisitos específicos de confiabilidade das SNs industriais. Além disso, muitas abordagens assumem Informações de Estado do Canal (CSI) perfeitas, o que é impraticável em ambientes industriais dinâmicos.

Metodologia
Os autores propõem um framework de transmissão assistida por reles, onde SNs existentes atuam como reles de decodificação e encaminhamento (DF) para dispositivos vizinhos com links diretos fracos para o Servidor de Borda (ES). A metodologia é estruturada da seguinte forma:

1. Modelo do Sistema: A rede consiste em SNs divididas em dois grupos: aquelas transmitindo diretamente para o ES (um salto, $N_{1h}$) e aquelas utilizando um caminho de dois saltos via um SN de rele (dois saltos, $N_{2h}$). No cenário de dois saltos, os reles realizam agregação parcial dos modelos locais recebidos das SNs associadas antes de encaminhar uma atualização combinada para o ES. Isso reduz o volume total de dados transmitidos no segundo salto.
2. Problema de Otimização: O objetivo é minimizar o consumo total de energia (computação + transmissão) de todas as SNs participantes, aderindo a uma restrição estrita de latência por rodada ($T_{th}$). O problema envolve otimizar conjuntamente a potência de transmissão, a frequência da CPU, o agrupamento de SNs e a seleção de reles.
3. Decomposição e Algoritmos:
   • Decomposição: O problema de otimização não convexo é decomposto em subproblemas: otimização da frequência da CPU, seleção de reles/agrupamento de SNs e controle de potência de transmissão.
   • Agrupamento de SNs e Seleção de Reles: Um algoritmo baseado em limiar usando busca ternária classifica as SNs em grupos de um salto ou dois saltos. Ele remove iterativamente SNs com os links mais fracos até que o atraso total de transmissão satisfaça a restrição de latência, visando maximizar o número de SNs participantes.
   • Otimização de Potência: Para lidar com a não convexidade do problema de minimização de energia, os autores empregam um método de Aproximação Convexa Paramétrica Sequencial (SPCA). Isso aproxima iterativamente restrições não convexas com substitutos convexos para encontrar um ponto estacionário.
   • CSI Imperfeito (ICSI): O framework é estendido para cenários com CSI imperfeito usando estimativa de Erro Quadrático Médio Mínimo (MMSE). Uma expressão eficaz de Relação Sinal-Interferência-Ruído (SINR) é derivada para contabilizar erros de estimação de canal, e o algoritmo SPCA é modificado para acomodar as restrições de taxa não convexas resultantes.
4. Análise de Convergência: O artigo fornece uma análise teórica de convergência comparando o esquema assistido por reles ao FL padrão de um salto. Demonstra-se que a agregação parcial nos reles reduz a variância efetiva do gradiente e a heterogeneidade de dados ($\Gamma_{eff}$), levando a limites de convergência mais apertados, particularmente sob distribuições de dados não-IID.

Principais Contribuições

• Protocolo Inovador: Introdução de um protocolo de FL assistido por reles para IIoT que utiliza SNs existentes como reles sem infraestrutura dedicada, incorporando agregação parcial para reduzir a sobrecarga.
• Framework de Otimização Unificado: Desenvolvimento de um framework unificado de otimização de EE baseado em SPCA que opera sob condições tanto de CSI Perfeito (PCSI) quanto de CSI Imperfeito (ICSI).
• Design Algorítmico: Proposta de um algoritmo baseado em busca ternária para classificação ótima de SNs e seleção de reles para minimizar o atraso e maximizar a participação, acoplado a um mecanismo de controle de potência baseado em SPCA.
• Análise Teórica: Derivação de limites de convergência para FL assistido por reles, destacando os benefícios da redução de variância e heterogeneidade em comparação com abordagens de um salto.
• Avaliação Abrangente: Simulações extensivas validando o desempenho do framework em termos de velocidade de convergência, probabilidade de interrupção e eficiência energética.

Resultados
Resultados de simulação usando o conjunto de dados Fashion-MNIST em um ambiente fabril (100x100 m²) demonstram:

• Convergência: O método proposto alcança um comportamento de convergência alinhado de perto com uma linha de base "FL Ideal" e supera significativamente o FL de um salto. Reduz o Erro Quadrático Médio Normalizado (NMSE) da perda de treinamento em uma ordem de grandeza em comparação com o FL de 1 salto.
• Probabilidade de Interrupção: O framework reduz drasticamente a probabilidade de violações de atraso de transmissão (interrupção), diminuindo de $10^{-2}$ em cenários de um salto para $10^{-6}$ com o método proposto baseado em SPCA.
• Eficiência Energética: O esquema proposto alcança economias substanciais de energia. Em comparação com a transmissão de um salto, reduz o consumo de energia de enlace ascendente em até 6 vezes. Em comparação com um esquema de dois saltos sem agregação parcial, alcança uma redução de quase 3 vezes.
• Robustez ao ICSI: Sob CSI imperfeito, a degradação de desempenho é limitada. Aumentar o comprimento do piloto ($L_p$) estreita significativamente a lacuna de energia entre ICSI e PCSI, com $L_p=20$ mostrando degradação negligenciável em comparação com o conhecimento perfeito.
• Escalabilidade: O método mantém eficiência energética superior à medida que o número de SNs aumenta de 10 para 200.

Significado e Alegações
O artigo afirma ser o primeiro trabalho a integrar transmissão TDMA assistida por reles com restrições de tempo rigorosas para treinamento de FL especificamente dentro de redes IIoT industriais. O significado reside na sua capacidade de equilibrar o trade-off entre consumo de energia e latência, garantindo ao mesmo tempo alta confiabilidade e rápida convergência. Ao aproveitar SNs existentes como reles e realizar agregação parcial, o framework elimina a necessidade de infraestrutura de reles dedicada, ao mesmo tempo que mitiga o efeito de "dupla perda de caminho" frequentemente observado em soluções passivas como Superfícies Inteligentes Reconfiguráveis (RIS). Os autores afirmam que sua abordagem é particularmente eficaz em ambientes com restrições de comunicação, oferecendo uma solução escalável para a implantação de FL eficiente em energia em fábricas inteligentes. O trabalho reconhece que, embora imponha restrições estritas de latência para garantir agregação sincronizada, não modela explicitamente erros estocásticos de sincronização ou obsolescência de atualizações, identificando isso como uma direção para pesquisas futuras.