⚡ electrical engineering

Physically Constrained Federated Additive Models for O-RAN SLA-Risk Prediction

本文介绍了 Monotone FedNAM，这是一种物理约束的联邦加性模型，通过在联邦训练期间对关键性能指标实施单调性约束，确保了多租户 O-RAN 可审计且物理有效的 SLA 风险预测，从而消除了矛盾的预测，同时在精度损失极小的情况下显著减少了上行链路流量。

原作者： Aubida A. Al-Hameed, Mohammed M. H. Qazzaz, Maryam Hafeez, Syed A. Zaidi

发布于 2026-07-27

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Aubida A. Al-Hameed, Mohammed M. H. Qazzaz, Maryam Hafeez, Syed A. Zaidi

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

想象一下，你是一位庞大且高速运转的管弦乐团指挥，每一位乐手都在演奏不同的乐器，但他们都身处独立的隔音房间内。你需要预知音乐是否即将走调，以便在问题发生前立即进行修正。这就是现代移动网络面临的挑战，特别是名为 O-RAN 的一种新型灵活系统。在这个世界里，网络被划分为多个“切片”（slices），就像高速公路上的不同车道，每个切片都租给了不同的租户（tenants），而每个租户都有自己严格的速度和可靠性规则。问题在于，这些公司并不希望向彼此或网络运营商分享他们的私密流量数据，因为那是商业秘密。

为了解决这个问题，工程师们使用了名为“联邦学习”（Federated Learning）的技术。你可以把它想象成一群学生正在合作解决一道数学题。他们不需要把私密的笔记本送到中央老师那里，而是各自在自己的房间里解决属于自己的部分，最后只将最终答案（即“模型更新”）发送给老师。老师将这些答案结合起来，从而创建一个通用的指导手册。然而，这里有一个陷阱：有时学生的答案会显得非常奇怪或相互矛盾，导致生成的指导手册完全无法理解。例如，手册可能会建议“天气变好”会导致“交通拥堵”，这在物理学上是不可能的。这篇论文旨在解决这样一个问题：如何确保这些 AI 指导手册不仅能保守秘密，还能遵循基本的物理定律和逻辑，从而确保网络不会给出危险的建议。

论文的故事：教 AI 尊重物理定律

研究人员利用来自罗马一个真实测试平台的实验数据，发现了一个关于 AI 如何预测网络故障的惊人缺陷。他们当时使用的是一种被称为“神经加法模型”（Neural Additive Model, NAM）的智能模型。你可以把 NAM 想象成一个专家团队，其中每位专家只负责一个因素，比如“有多少人在线”或“信号有多强”。由于每位专家都是独立工作的，你可以观察他们的工作并看清他们的思考逻辑。这对于“可审计性”（auditability）非常有益——这意味着人类可以检查其中的数学逻辑。

但转折点在于：仅仅能“看到”数学逻辑并不意味着它是“正确”的。团队发现，当这些模型从数据中学习时，它们经常得出违背常识的结论。在其中一个案例中，模型学到：当无线电信号变好时，网络发生故障的风险反而会变高。这就像是一个天气应用告诉你，晴天是该带伞的信号，因为暴风雨即将来临。即使这些模型是在中心端进行训练的，这种情况依然发生了，而且当模型尝试通过联邦学习从不同地点共同学习时，情况变得更加糟糕。不同基站的“声音”混合在一起，创造出了一个扭曲且在物理上不可能存在的全局规则。

解决方案：“单调性”护栏

为了修复这个问题，作者创建了一个名为 Monotone FedNAM 的新系统。想象一下，你正在训练一个机器人驾驶汽车。你不仅仅是让它通过观察来学习；你还为它安装了硬编码的护栏。如果机器人看到红灯，护栏会强制它停止；如果看到绿灯，护栏会强制它前进。无论它看到了多少数据，你都不能告诉机器人要在绿灯时停止或在红灯时前进。

在这篇论文中，这些“护栏”是被称为单调性（monotonicity）的数学约束。研究人员识别出了哪些网络因素具有明确且不含糊的方向性。例如，如果“信道质量”（信号强度）上升，网络故障的风险必须下降；如果“积压量”（数据堆积）上升，风险必须上升。他们构建的模型使得对于这些特定因素，AI 被物理性地强制要求遵循这些规则。这就像是在告诉 AI：“你可以学习任何关于交通的知识，但你被严格禁止认为更强的信号会导致更多的事故。”

研究发现

当他们在 ColO-RAN 测试平台（模拟了七个不同的基站）上测试这个新系统时，结果非常显著：

零物理违规： 旧的、不受约束的模型经常违反物理定律。而新的 Monotone FedNAM 违反次数为零。它完全消除了那些奇怪的、反向的预测。
安全的代价： 为了实现这种安全性，付出了一点点代价。模型的整体预测准确度（以 AUC 分数衡量）略有下降，从不受约束版本的约 0.943 降至受约束版本的 0.901。作者指出这是一个微小的权衡：你牺牲了一点点纯粹的猜测能力，以换取对逻辑的绝对信任。
更好的通信： 由于模型必须遵循严格的规则，它不再需要频繁地在基站与中央服务器之间传输大量数据。网络传输的数据量下降了 65%，使系统运行得更快、成本更低。
泛化能力： 该模型能够将所学知识应用于一种全新的、未见过的调度策略（一种新的流量管理方式）而不会崩溃，这证明它学习的是交通的“规则”，而不仅仅是死记硬背交通模式。

宏观图景

论文的结论是，虽然“黑盒”AI 模型在预测数值方面可能略微准确，但对于关键基础设施而言，它们是危险的，因为它们无法解释为什么犯错，或者更糟的是，它们可能会做出看起来合乎逻辑但在物理上完全不可能的错误。通过迫使 AI 尊重已知的物理定律（例如“信号更好 = 风险更低”），研究人员创建了一个不仅足够准确可用，而且足够安全可靠的系统。他们表明，只要你为 AI 提供合适的护栏，它就可以既是一个聪明的预测者，也是一个逻辑严密的思考者。

技术摘要：面向 O-RAN SLA 风险预测的物理约束联邦加性模型

问题陈述

在开放无线接入网（O-RAN）中，主动式服务保障需要预测单个网络切片在违规发生前的服务水平协议（SLA）违约情况。这一任务面临三个关键挑战：

数据隐私与敏感性： 每个切片的关键性能指标（KPI）会泄露租户的流量模式和负载，这些信息具有商业敏感性。由于合同或法律限制，通常禁止跨基站汇聚原始数据，因此需要采用联邦学习（FL）方法，即模型在本地训练，仅共享更新。
可审计性与信任度： 运营商必须能够在模型驱动控制环路之前对其进行审计。标准的深度学习模型（如深度强化学习）是透明度极低的“黑盒”，而事后解释性方法对于近实时无线智能控制器（Near-RT RIC）的推理而言，往往缺乏忠实度或计算成本过高。
物理有效性： 虽然神经加性模型（NAMs）通过为每个特征学习可见的形状函数提供了内在的可解释性，但作者证明了可解释性并不保证物理有效性。在测量的 O-RAN 轨迹数据上，未受约束的 NAMs 经常学到与无线物理规律相悖的效果（例如，当信道质量改善时，反而预测 SLA 风险增加）。这一问题在联邦设置中会被加剧，因为不同客户端之间的非独立同分布（non-IID）数据会导致全局效应在聚合时发生畸变。

方法论：单调 FedNAM

作者提出了 Monotone FedNAM，这是一种旨在强制执行物理约束，同时保持可解释性和隐私性的联邦神经加性模型。

模型架构： 该模型将预测分解为特征特定函数的总和（ $f(x) = \beta_0 + \sum g_j(x_j)$ $f (x) = β_{0} + \sum g_{j} (x_{j})$ ）。
- 受约束特征： 对于具有明确物理方向的 KPI（例如，更高的积压会增加风险；更好的信道质量会降低风险），使用**单调线性样条（monotone linear splines）**进行表示。这些样条使用一组位于特征边缘分位数的 16 个共享节点。其形状通过使用 softplus 函数对样条增量进行参数化来强制执行，从而确保所有增量严格为正（或为负），从而通过构造保证单调性。
- 不受约束特征： 对于物理方向存在争议或不明确的 KPI（例如，特定的分配指标），使用不受约束的小型多层感知器（MLP）子网络或线性项进行建模。
带约束的联邦聚合： 该模型采用了改进的 FedAvg 算法。至关重要的是，单调性约束在聚合过程中得以保留。由于约束被编码在样条参数的有符号增量中，来自本地客户端的非负（或非正）增量的加权平均在服务器端仍保持为非负（或非正）。
锚定以实现可识别性： 为了防止局部形状函数的任意垂直偏移在聚合过程中扭曲全局模型，每个特征函数都锚定在一个固定的公共参考点（例如，标准化特征的 $x=0$ ）。偏移量在本地被移除并合并到全局截距中。
部署路径： 该模型被训练并作为 Non-RT RIC rApp 进行管理（负责联邦训练和模型治理）。生成的包含参数和约束清单的全局模型被部署为 Near-RT RIC xApp，用于在线、针对每个切片的 SLA 风险推理及加性解释。

核心贡献

证明了不受约束的 NAMs 的物理无效性： 作者展示了在测量的 O-RAN 轨迹上，不受约束的加性模型会学习到物理错误的形状函数（例如，反转信道质量与风险之间的关系）。这种失败在集中式和联邦式设置中都会发生，且非 IID 联邦平均会加剧这种畸变。
Monotone FedNAM： 一种新型联邦架构，通过构造方式保证了单调性在聚合下的稳定性。它选择性地仅约束具有明确物理方向的 KPI，同时对有争议的 KPI 保持不受约束，从而在物理有效性与模型灵活性之间取得平衡。
rApp-to-xApp 部署框架： 本文定义了一条实际的部署路径，即由 Non-RT RIC 管理物理一致模型的训练，然后将其部署到 Near-RT RIC 以进行可审计的实时推理。

实验结果

该模型在 ColO-RAN 测试床数据集上进行了评估，该数据集包含七个基站、三种切片类型（eMBB、MTC、URLLC）和三种调度策略。

物理有效性： Monotone FedNAM 在受约束 KPI 集上的单调性违规率为 0.000。相比之下，不受约束的本地 NAMs 违规率为 0.461，集中式 NAMs 为 0.508，不受约束的 FedNAM 为 0.652。受约束的模型将“约束形状一致性”（即不同客户端间对 KPI 效应形式的一致性）从 0.71 提升到了 1.00。
预测性能： 强制执行物理约束带来了轻微的准确性代价。Monotone FedNAM 实现了 0.901 的 AUC，而不受约束的 FedNAM 为 0.943，黑盒 FedAvg-MLP 为 0.973。相对于不受约束的联邦模型，物理治理的成本约为 0.04 AUC。
效率与泛化能力：
- 通信开销： 通过将受约束特征表示为 16 个值的增量向量而非数百个 MLP 权重，该模型将总上行流量减少了 65%（从约 10.75 MB 降至 2.15 MB，共 30 轮）。
- 泛化能力： 模型成功泛化到了一个未见的调度策略（留一调度器测试），AUC 为 0.887，证明了受治理的 KPI-风险关系是稳健的。
- 泄露鲁棒性： 移除易导致数据泄露的特征（如当前传输速率）对性能的影响很小，证实了该模型依赖于真实的因果特征。

意义与主张

论文认为，仅有可解释性对于 O-RAN 服务保障是不够的；模型还必须具备物理有效性才能值得信赖。作者主张：

物理约束必须是显式先验： 仅依靠数据来学习正确的无线物理特性是不够的，尤其是在具有非 IID 数据的联邦设置中。
选择性治理是最优的： 仅约束具有明确物理方向的 KPI（“保守集”）可以消除所有违规并使客户端形状趋于一致，同时不会牺牲具有争议特征的可解释性。过度约束（“激进集”）会在不增加可解释性价值的情况下降低准确性。
O-RAN 的可行性： 物理约束的联邦加性模型可以支持可审计的 SLA 风险推理。所提出的 Monotone FedNAM 足以精简到可部署于 Near-RT RIC，并降低了通信开销，使其成为数据隐私和模型信任至关重要的多租户 O-RAN 环境下的可行解决方案。

研究承认了局限性，指出该研究是在单个模拟测试床上进行的，且用户是静态的，并使用了代理 URLLC 标签，未来的工作需要在动态移动性、更大规模的联邦以及多运营商信任域中验证这些发现。