联邦边缘网络的几何公平感知路由

新兴的6G和边缘智能网络需要在多样化且空间分布的设备之间采用有效且均衡的路由算法。现有的联邦路由系统通常优先考虑总延迟或吞吐量，而忽视公平性和网络拓扑的底层几何结构。本文描述了Geo-FairFed，一个几何公平感知路由系统，它融合了双曲图神经网络（HGNNs）和联邦优化，以在边缘节点之间提供均等的性能。每个节点在负曲率流形上学习拓扑感知表示，其中包括层次关系和连接不对称性。全局聚合器接下来通过曲率正则化目标强制执行公平性，该目标最小化路由损失、几何不一致性以及基于Jain公平指数的不平等惩罚。理论分析在有限曲率下发展了收敛保证，并表明所提出的公平性项在路由性能中产生了帕累托改进的均衡。在动态6G边缘和IoT拓扑上的大量仿真表明，与最先进的联邦和几何路由协议相比，Geo-FairFed将平均延迟最小化了20%，能耗降低了17%，公平性提高了高达21%。研究发现，将拓扑嵌入双曲流形并将公平性纳入联邦更新可以显著提高大规模网络路由的效率和公平性。