Geometric Fairness-Aware Routing for Federated Edge Networks

Resumo Técnico: Roteamento com Consciência de Equidade Geométrica para Redes de Borda Federadas (Geo-FairFed)

Definição do Problema
O artigo aborda o desafio crítico de roteamento em redes emergentes de 6G e de borda inteligente, que consistem em bilhões de dispositivos diversos e geograficamente distribuídos. Os sistemas de roteamento existentes enfrentam duas limitações primárias:

1. Falta de Equidade (Fairness): Estruturas de otimização tradicionais frequentemente priorizam métricas agregadas (latência, vazão) em detrimento da equidade individual dos nós. Nós ricos em recursos tendem a dominar as decisões de roteamento, deixando dispositivos mais fracos ou remotos com um serviço degradado.
2. Descompasso Geométrico: A maioria dos modelos de roteamento baseados em aprendizado de máquina atuais, incluindo aqueles que utilizam Redes Neurais de Grafos (GNNs), opera em espaços de incorporação (embeddings) euclidianos. Esses espaços falham em capturar com precisão a natureza hierárquica, de lei de potência e assimétrica das topologias de rede do mundo real, levando a um balanceamento de carga de tráfego subótimo.

Além disso, embora o Aprendizado Federado (FL) ofereça treinamento distribuído preservando a privacidade, os métodos de agregação de FL padrão (como o FedAvg) frequentemente assumem homogeneidade estatística entre os clientes, resultando em modelos globais enviesados em ambientes de borda heterogêneos.

Metodologia: O Framework Geo-FairFed
Os autores propõem o Geo-FairFed, uma arquitetura de roteamento federado que integra aprendizado geométrico hiperbólico com otimização com restrição de equidade. O framework opera através de três estágios iterativos:

1. Aprendizado Geométrico Local (HGNN):
   Cada nó de borda treina uma política de roteamento local usando uma Rede Neural de Grafo Hiperbólica (HGNN). Em vez do espaço euclidiano, as incorporações dos nós são mapeadas para um manifold hiperbólico de curvatura negativa ($H_d$). Isso permite que o modelo codifique as relações hierárquicas e assimetrias de conexão inerentes às topologias de rede. O objetivo local minimiza uma função de perda composta que inclui latência de ponta a ponta, consumo de energia e taxas de queda de pacotes, juntamente com uma perda de consistência geométrica para manter a integridade do manifold.

2. Agregação com Consciência de Equidade:
   Para abordar o viés nas agregações federadas padrão, o Geo-FairFed introduz um mecanismo de ponderação ajustado por equidade. Em vez de ponderar atualizações puramente pelo tamanho da amostra (como no FedAvg), o agregador calcula um peso baseado na desigualdade de desempenho local do nó.

   • O sistema utiliza o Índice de Equidade de Jain para quantificar a equidade de desempenho local.
   • Nós que exibem maior desigualdade (pontuações de equidade mais baixas) recebem pesos de agregação menores, evitando que influenciem desproporcionalmente o modelo global caso estejam dominando recursos, ao mesmo tempo em que garantem que nós com baixo desempenho não sejam ignorados.
   • A função objetivo global minimiza uma soma ponderada de perda de roteamento, uma penalidade de equidade (derivada do índice de Jain) e distorção geométrica.

3. Otimização Conjunta:
   O framework emprega uma estratégia de otimização unificada que equilibra eficiência de roteamento, consistência geométrica e equidade. A análise teórica estabelece garantias de convergência sob suposições de funções de perda local suaves, variância de gradiente limitada e curvatura de manifold limitada.

Principais Contribuições

• Representação Hiperbólica para Roteamento: A introdução de HGNNs para aprender representações conscientes da topologia em um manifold de curvatura negativa, permitindo a codificação eficiente de padrões hierárquicos e assimétricos comuns em redes de borda de larga escala.
• Agregação Federada com Restrição de Equidade: O desenvolvimento de um método de roteamento federado que integra o Índice de Equidade de Jain diretamente no processo de agregação, ajustando dinamicamente os pesos para equilibrar o desempenho entre dispositivos heterogêneos.
• Otimização Unificada e Garantias Teóricas: Uma estratégia de otimização proposta que minimiza simultaneamente o atraso de roteamento, a inconsistência geométrica e a injustiça. O artigo fornece uma prova teórica mostrando a convergência sob curvatura limitada e demonstra que o termo de equidade leva a um equilíbrio de melhoria de Pareto.
• Avaliação Abrangente: Simulações extensas em topologias dinâmicas de 6G e IoT (incluindo grafos sintéticos de Barabási-Albert e conjuntos de dados de ISP do mundo real como RocketFuel e TopologyZoo) validando a eficácia do framework.

Resultados Experimentais
As simulações demonstram que o Geo-FairFed supera protocolos de roteamento geométrico e federados de última geração (incluindo DQN-Routing, FedAvg-Routing e o HGNN-Routing padrão). As principais métricas de desempenho incluem:

• Latência: Uma redução na latência média de aproximadamente 20%.
• Consumo de Energia: Uma diminuição no uso de energia de 17%.
• Equidade: Uma melhoria no Índice de Equidade de Jain de até 21%.
• Convergência: O framework atinge uma convergência mais rápida para uma perda de estado estacionário menor e um patamar de equidade mais alto em comparação aos baselines.
• Sensibilidade à Curvatura: Experimentos indicam que uma curvatura hiperbólica modesta (ex: $\kappa \approx -0.3$) produz a precisão de roteamento ideal, confirmando que a geometria hiperbólica representa melhor as hierarquias de rede do que o espaço euclidiano ($\kappa=0$).

Significância e Alegações
O artigo afirma que o Geo-FairFed melhora significativamente tanto a eficiência quanto a equidade do roteamento de redes de larga escala. Ao incorporar a topologia em um manifold hiperbólico e integrar a equidade nas atualizações federadas, o sistema alcança um equilíbrio de melhoria de Pareto, o que significa que ele melhora a equidade sem causar uma degradação significativa na eficiência geral do roteamento.

Os autores enfatizam que esta abordagem preenche a lacanha entre o aprendizado de representação geométrica e a otimização de rede distribuída. Eles afirmam que o framework é particularmente eficaz em ambientes de borda e 6G heterogêneos, onde os modelos euclidianos tradicionais e o average federado padrão falham em considerar as hierarquias topológicas e as disparidades entre os nós. O estudo conclui que a incorporação da consciência de equidade geométrica é essencial para a próxima geração de redes de comunicação inteligentes e escaláveis.

Nota: O artigo reconhece limitações relativas a fatores de implantação no mundo real, como stragglers (nós atrasados), conexões instáveis e ataques adversários, observando que estas são áreas para pesquisas futuras e não capacidades atuais do framework proposto.