⚡ electrical engineering

On Signal Peak Power Constraint of Over-the-Air Federated Learning

该论文首次指出过空口联邦学习（AirComp-FL）常被忽视的射频功率放大器瞬时峰值功率约束问题，并分析表明采用迭代限幅滤波等常规处理方法虽能抑制失真，却会导致系统性能（尤其是多载波 OFDM 系统）因带内失真而显著下降。

原作者： Lorenz Bielefeld, Paul Zheng, Oner Hanay, Yao Zhu, Yulin Hu, Anke Schmeink

发布于 2026-04-06

📖 1 分钟阅读☕ 轻松阅读

原作者： Lorenz Bielefeld, Paul Zheng, Oner Hanay, Yao Zhu, Yulin Hu, Anke Schmeink

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文探讨了一个在“空中计算”（AirComp）联邦学习系统中被长期忽视的现实物理限制问题。为了让你轻松理解，我们可以把整个系统想象成一场**“云端合唱”**。

1. 背景：云端合唱（联邦学习 + 空中计算）

想象一下，有 40 个歌手（手机/设备）在各自的房间里练习唱歌（训练 AI 模型）。他们不想把录音（原始数据）发给指挥（服务器），因为那样太慢且泄露隐私。

传统做法（数字传输）： 每个歌手轮流对着麦克风说话，指挥一个个听，再拼凑出大家的意见。人多了，排队时间太长，效率极低。
空中计算（AirComp）： 所有歌手同时对着麦克风唱歌。利用无线电波的物理特性，声波在空中直接叠加。指挥只需要听这一瞬间的“混合大合唱”，就能算出大家的平均音高（模型梯度的平均值）。这大大加快了速度。

2. 问题所在：扩音器的“嗓子”（功率放大器）

在这个系统中，每个歌手都戴着一个扩音器（功率放大器）。

理想情况： 扩音器能完美地把任何大小的声音放大，无论声音多小还是多大，出来的声音都清晰无损。
现实情况（论文指出的问题）： 扩音器是有极限的。
- 如果歌手突然大喊一声（信号峰值很高），超过了扩音器的承受极限，扩音器就会“破音”（非线性失真）。
- 这种破音不仅会让声音变难听（带内失真，导致指挥听不清平均音高），还会产生刺耳的杂音传到隔壁频道（带外干扰，影响其他设备）。

核心矛盾：
在“云端合唱”中，歌手们唱的声音大小取决于他们刚才练习的“梯度”（模型更新的幅度）。有时候，某个歌手突然情绪激动，声音会瞬间变得极大（高 PAPR，即高峰均功率比）。
现有的算法只考虑了“平均音量”不能太大，却忽略了“瞬间最大音量”可能会把扩音器撑爆。

3. 解决方案：剪掉高音（迭代削波与滤波）

既然扩音器会破音，我们该怎么办？论文提出了一种经典的急救方法：“剪掉高音，再过滤杂音”（Iterative Clipping and Filtering, ICF）。

第一步：削波（Clipping）
想象有一个“音量限制器”。一旦某个歌手的瞬间音量超过安全线，我们就强行把那个最高的峰值“剪平”，就像把山峰削成平顶。
- 副作用： 强行削平声音会产生奇怪的谐波（失真），就像把石头强行磨平会产生碎屑。
第二步：滤波（Filtering）
这些“碎屑”（杂音）会干扰隔壁频道。所以，我们用一个“筛子”（滤波器）把那些不该有的杂音筛掉，只保留原本频率的声音。
第三步：迭代（Iterative）
神奇的是，筛掉杂音后，声音的波形又可能重新变高，再次超过限制。所以，我们需要反复进行“削平 -> 筛杂音 -> 再削平”的过程，直到声音既安全又干净。

4. 实验结果：剪掉高音的代价

研究人员在模拟环境中（用 LeNet 模型和 CIFAR-10 数据集）测试了这种方法，发现了一些有趣的现象：

单声道 vs. 多声道（OFDM）：
- 单声道（Single-carrier）： 就像一个人直接对着麦克风喊。虽然偶尔会有高音，但削掉后，合唱的准确度下降得不多，大家还能唱得挺准。
- 多声道（OFDM）： 就像把声音拆分成很多个小频道同时传输。这种模式本身就容易产生极高的瞬间峰值。如果强行削波，产生的“碎屑”（带内失真）会非常严重。
噪音越小，问题越大（反直觉）：
这是论文最惊人的发现。
- 在环境很安静（噪音低）的时候，指挥本来应该能听得很清楚。但为了利用这个安静的环境，系统会自动把歌手的音量调得非常大（为了最大化信噪比）。
- 这时候，一旦歌手稍微有点情绪波动（梯度波动），瞬间音量就会爆表。
- 当我们强行“削波”时，因为原本设定的音量基数太大，削掉的那一点点“山顶”所代表的信息损失就被放大了无数倍。
- 结果： 在环境很安静时，强行限制音量反而导致合唱彻底跑调，甚至训练失败（模型发散）。而在嘈杂环境中，因为本来音量就开得不大，削波的影响反而较小。

5. 总结与启示

这篇论文就像是一个**“音响师”的警告**：

“别光顾着设计完美的合唱算法，忘了看看扩音器会不会烧坏！在联邦学习的‘空中计算’中，如果不考虑瞬间音量的限制，直接强行限制音量（削波），可能会导致 AI 模型学歪，特别是在环境很好、本来应该学得很快的情况下，反而因为处理不当而崩盘。”

未来的方向：
我们需要设计更聪明的“扩音器控制策略”，或者找到更好的“削波”方法，让歌手们在保持音量的同时，既能保护扩音器，又不让合唱走调。

一句话总结：
这篇论文发现，在让手机同时上传 AI 学习数据的新技术中，如果忽略设备瞬间音量过大的物理限制，强行“削平”信号，反而会让 AI 学得更慢甚至学废，尤其是在环境很好、本该学得最快的时候。

这是一份关于论文《On Signal Peak Power Constraint of Over-the-Air Federated Learning》（空口联邦学习中的信号峰值功率约束）的详细技术总结。

1. 研究背景与问题 (Problem)

背景：
联邦学习（FL）是一种隐私保护的分布式边缘学习框架。为了克服大规模边缘设备传输模型更新时的通信瓶颈，空口计算（AirComp） 被提出。AirComp 利用无线多址信道的叠加特性，直接在模拟域聚合本地更新，从而显著降低通信开销。

核心问题：
现有的 AirComp-FL 研究主要关注平均功率约束下的均方误差（MSE）优化，但忽视了一个关键的物理层约束：射频功率放大器（PA）的非线性导致的瞬时峰值功率限制。

非线性失真： 当信号瞬时功率超过功率放大器的线性工作区时，会产生带内失真（In-band distortion）和带外辐射（Out-of-band emissions）。带内失真会破坏 AirComp 的聚合精度，带外辐射会干扰相邻频段。
高 PAPR 问题： 在 AirComp 中，信号幅度直接取决于梯度值的分布，可能导致极高的峰均功率比（PAPR）。特别是在多载波 OFDM 系统中，PAPR 问题本就显著，叠加 AirComp 的梯度分布特性后更为严重。
现有方案的不足： 虽然近期有针对 AirComp-OFDM 的研究，但它们仅在平均功率预算下优化 MSE，未量化或强制执行瞬时峰值功率约束。

2. 方法论 (Methodology)

本文针对单载波和多载波 OFDM 两种 AirComp-FL 系统，研究了瞬时峰值功率约束的影响，并评估了经典解决方案的效果。

系统模型：

单载波系统： 每个通信轮次（CR）分为 $N$ 个时隙，设备直接传输归一化后的梯度值。
多载波 OFDM 系统： 将梯度值映射到子载频上，传输跨越多个 OFDM 符号。
功率控制： 基于最小化聚合梯度与真实梯度之间的 MSE，采用基于阈值的功率分配策略（弱信道设备满功率发射，强信道设备信道反转）。

约束建模与解决方案：

约束建模： 定义瞬时输入功率上限 $P_{inst,max}$ ，对应信号幅度的最大值 $A_{max}$ 。传输波形必须满足 $|X(t)|^2 \le P_{inst,max}$ 。
解决方案：迭代幅度削波与滤波（ICF, Iterative Clipping and Filtering）
- 这是处理高 PAPR 的经典方法，旨在不改变调制方案的前提下降低峰值。
- 流程：
  1. 幅度削波： 对时域信号进行幅度限制（Clipping），保留相位。
  2. 频域滤波： 对削波后的信号进行 DFT，滤除带外分量（零填充子载波上的能量），以抑制带外辐射。
  3. 迭代： 滤波可能导致峰值再次增长（Peak Regrowth），因此需要重复上述步骤，直到带外辐射低于设定阈值。
- 单载波与多载波的区别： 单载波直接对梯度值削波；多载波需对过采样的时域信号进行削波，并在频域进行滤波。

3. 主要贡献 (Key Contributions)

揭示被忽视的实际约束： 首次明确指出并分析了功率放大器非线性带来的瞬时峰值功率约束对 AirComp-FL（包括单载波和多载波 OFDM）的影响。
问题表征与评估： 作为该领域的首项工作，详细表征了高 PAPR 问题，并评估了经典解决方案（ICF）在 AirComp-FL 中的实际效果，提供了具体的实现细节。
实证分析： 基于 LeNet 和 CIFAR-10 数据集进行了大规模仿真，揭示了在真实场景下，AirComp-FL 的瞬时发射功率经常超出线性限制，且削波处理会对 FL 性能产生不同程度的负面影响。

4. 仿真结果与讨论 (Results & Discussions)

仿真设置：

模型/数据： LeNet 网络，CIFAR-10 数据集，40 个用户设备（UE）。
参数： 平均功率限制 23 dBm，瞬时功率限制 26 dBm。对比了单载波和多载波（32 个子载波）系统。

关键发现：

PAPR 特性：
- 未削波时，PAPR 极高（约 35 dB）。
- 经过 ICF 处理后，PAPR 降至约 15 dB。
- 反直觉现象： 单载波系统的 PAPR 有时甚至高于多载波 OFDM 系统。这是因为单载波采用幅度调制，功率直接正比于梯度值，若梯度值较大，功率可趋向无穷大；而 OFDM 的 PAPR 主要源于多载波叠加。
聚合误差（MSE/TSE）：
- 削波引入了额外的带内失真，导致真实平方误差（TSE）增加。
- 低噪声下的恶化： 在多载波 OFDM 系统中，噪声越低，削波后的误差反而越大。
- 原因： 在低噪声环境下，为了最小化 MSE，优化算法会分配更大的缩放因子（ $\alpha$ ）。这导致 ICF 产生的带内失真被过度放大，从而显著增加了聚合误差。
联邦学习性能（准确率）：
- 单载波： 削波导致准确率有小幅且一致的下降（约 1.5-2%），但在训练初期（约 50 轮）可能出现约 8% 的显著下降。
- 多载波 OFDM： 性能下降更为严重。在低噪声环境下（如 -110 dBm/Hz），削波甚至导致模型训练发散（Divergence）。
- 结论： 强制实施峰值功率约束会显著降低聚合梯度的质量，进而损害最终模型的收敛性和准确率。

5. 意义与启示 (Significance)

理论修正： 本文打破了以往 AirComp 研究仅关注平均功率约束的假设，强调了瞬时峰值功率约束在实际硬件实现中的必要性。
性能瓶颈识别： 证明了在低噪声、多载波 AirComp-FL 场景中，简单的 ICF 方法可能因过度放大失真而导致系统失效（发散）。
未来方向： 这一发现表明，现有的基于平均功率优化的功率控制策略不足以应对实际硬件限制。未来的研究需要开发：
- 考虑峰值功率约束的新型功率控制算法。
- 更先进的 PAPR 降低技术，以减少带内失真对梯度聚合的影响。
- 针对单载波和多载波 AirComp-FL 系统的联合优化方案。

总结： 该论文通过严谨的分析和仿真，揭示了 AirComp-FL 在实际部署中面临的一个关键物理层挑战。它警告研究者，如果不妥善处理瞬时峰值功率限制，原本旨在提升效率的 AirComp 技术可能会因为硬件非线性失真而导致联邦学习性能严重下降甚至失败。