用于无缝微波网络故障原因识别的垂直联邦学习
网络与互联网体系结构
2025-12-16 v1 人工智能
分布式、并行与集群计算
机器学习
摘要
机器学习 (ML) 已被证明为提供新型可扩展且高效故障管理解决方案的有前景的方案。在微波网络领域，基于ML的解决方案获得了显著关注。然而，当前解决方案仅可应用于单一实体(例如运营商)管理整个网络的单体化场景。随着当前网络架构向以多个运营商和供应商协作实现成本效益和可靠网络管理的非均匀通信平台发展，新的基于ML的故障管理方法必须应对由于潜在利益冲突而难以共享业务关键信息的挑战。本研究探索了在非均匀微波网络中应用联邦学习进行故障原因识别。特别是，我们研究了两种垂直联邦学习 (VFL)，即基于分段神经网络 (SplitNNs) 和基于梯度提升决策树 (FedTree) 的联邦学习，应用于不同的多供应商部署场景，并将其与数据由单个实体管理的集中场景进行比较。我们的实验结果表明，VFL基于场景的F1得分始终在集中场景之内最多仅有1%的差距， regardless of deployment strategies or model types, while also ensuring minimal leakage of sensitive-data。
引用
@article{arxiv.2502.02874,
title = {Vertical Federated Learning for Failure-Cause Identification in Disaggregated Microwave Networks},
author = {Fatih Temiz and Memedhe Ibrahimi and Francesco Musumeci and Claudio Passera and Massimo Tornatore},
journal= {arXiv preprint arXiv:2502.02874},
year = {2025}
}
备注
6 pages, 7 figure, IEEE ICC 2025