超越假设：在真实 5G 网络上测量联邦学习
数字图书馆
2025-04-08 v1 社会与信息网络
摘要
使用物联网设备部署联邦学习（FL）正是下一代无线技术发展势头最为显著的领域之一。本文使用由开源和商业离线货架（COTS）组件构成的 5G-NR 独立（SA）测试平台部署 FL 应用程序。5G 测试平台架构包括一组资源受限的边缘设备，即树莓派，以及配备软件定义无线电（SDR）并运行 O-RAN 软件的中央服务器。我们的测试平台允许边缘设备通过 WiFi 和以太网，以及 5G 与服务器通信。我们使用 Flower FL 框架部署 FL，扩展了用于通信和 ML 指标的自定义仪表。我们分析了 FL 应用程序在三个网络接口——5G、WiFi 和以太网——以及 5G 带宽和上行道-下行道调度比率上的情况。我们的实验结果挑战了关于无线 FL 通信时间的一些常见假设，并讨论了这些假设的潜在陷阱。我们发现约有 70% 的试验中存在持续不足的情况，其余 30% 中，高通信时间导致出现竞争性持续不足。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 对比，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 应用程序、仪表工具和测试平台配置。
引用
@article{arxiv.2504.04677,
title = {The Disruption Index Measures Displacement Between a Paper and Its Most Cited Reference},
author = {Yiling Lin and Linzhuo Li and Lingfei Wu},
journal= {arXiv preprint arXiv:2504.04677},
year = {2025}
}