超越假设：在真实 5G 网络上的联邦学习测量
网络与互联网体系结构
2026-04-28 v2
摘要
在物联网设备上部署联邦学习（FL）正是受益于下一代无线技术（NextG）进展的热门领域。本文我们使用由开源和商业零售（Commercial Off-the-Shelf, COTS）组件构成的 5G-NR Standalone（SA）测试平台部署了一个 FL 应用。该 5G 测试平台由一组资源受限的边缘设备（即树莓派）组成，中心服务器配备了软件定义无线电（Software Defined Radio, SDR）并运行 O-RAN 软件。我们的测试平台允许边缘设备通过 WiFi 和以太网，除了 5G 之外进行通信。我们使用 Flower FL 框架部署 FL，并扩展了用于通信和机器学习指标的自定义仪表。我们在三个网络接口——5G、WiFi 和以太网——以及 5G 带宽和上行链路-下行链路调度比率上对 FL 应用进行分析。我们的实验结果挑战了关于无线环境下 FL 通信时间的一些常用假设，并讨论了这些假设的潜在陷阱。我们发现，在约 70% 的试验中都存在持续不稳的设备（straggler），而在其余 30% 的试验中，高通信时间导致出现竞争性持续不稳的设备。我们还比较了有无外部拥塞情况下的 5G FL 性能，并将我们的测试平台与商业 5G 进行比较，以在更广泛的背景下验证我们的发现。为可重复性，我们已开源我们的 FL 应用、仪表工具以及测试平台配置。
引用
@article{arxiv.2504.04678,
title = {Beyond Assumptions: Measuring Federated Learning over Real 5G Networks},
author = {Robert J. Hayek and Kayla Comer and Joaquin Chung and Chandra R. Murthy and Rajkumar Kettimuthu and Igor Kadota},
journal= {arXiv preprint arXiv:2504.04678},
year = {2026}
}
备注
10 pages, 15 figures, 4 tables, conference