论文部分内容阅读
摘要：随着云计算、边缘计算、移动通信技术以及人工智能技术的发展和进步，云端以及边缘端的算法、模型和应用需要进行协同计算，5G网络切片和MEC两大关键技术的应用逐渐广泛，5G云边端协同技术所受到的重视度不断提升。面对各行各业普遍存在的数据孤岛和数据安全问题，联邦学习技术由此而生，使用联邦学习可以解决这些突出问题，充分挖掘数据的潜在价值。本文，将对其原理以及应用综述进行分析和论述。
关键词：联邦学习;5G云边端;协同场景;原理;应用
在信息化领域，联邦学习的主要目的就是为了解决数据孤岛和数据安全的问题，让各个参与方都可以从中获益。当前随着互联网技术的深入发展，社会生产中的诸多业务都出现了各种各样的困境，比如说，数据量庞大、数据隐私以及数据安全方面的问题。为了更好的解决数据隐私问题，避免用户数据信息泄露，就需要构建一套满足数据隐私保护和数据安全的前提下设计一个分布式机器学习框架，保证信息技术能够安全有效应用。当前，联邦学习的主要研究领域包含优化通信机制、数据隐私安全、业务场景应用等等。
一、5G云边协同与边缘智能
1、5G促进云边协同的发展
5G技术的高带宽、低时延、低功耗等特点使得云边协同效率得到了有效的提升，可以有效突破云端和边缘端通信的速度限制，同时5G技术还可以满足不同客户差异化和定制化的业务需求，推动智慧医疗和智慧教育等垂直行业快速发展。
2、联邦学习的分布式结构
传统云计算具有时效性差、能耗大、带宽有限、不利于保护数据安全和隐私等突出性问题，为了有效规避上述问题，面向边缘设备的MEC应运而生。边缘计算是在网络边缘执行计算，其优势在于可以更快的进行數据处理和分析，减少网络流量，缩短网络延迟时间，缓解网络中心所面临的压力，同时用户隐私数据存储在网络边缘设备，可以有效的保护用户数据安全和隐私。边缘计算是云计算的延伸，二者彼此之间相互依存、协同运作。在云边端协同场景中，边缘端负责在本地范围内的数据计算和存储工作，云端负责全局数据的挖掘分析、算法训练升级。
边缘计算和AI结合产生了边缘智能，存储技术、通信技术、安全隐私技术的成熟进一步推动了边缘智能的发展。边缘智能被定义为使边缘设备可以执行智能算法的能力，其包含有准确率、延迟以及功耗、内存多方面的元素。边缘智能场景中存在有三个大矛盾，用户的高服务质量要求和用户数据隐私之间的矛盾，智能应用需求多样化和边缘设备能力有限之间的矛盾，要想切实有效的解决上述矛盾，就必须要在边缘设备和云计算中心之间进行协同计算，协助计算分为云边协同、边边协同、边物协同等等，文章主要探究的是5G云边协同场景下的边缘智能，一般来说，云计算和边缘计算节点之间主要有三种协同计算方式，其具体如下：
一是训练和预测云边协同。即云计算中心根据边缘设备上传的数据训练和升级AI模型，而边缘设备负责收集和清洗数据，并基于最新模型进行实时推理。该协同方式当前的应用已经处于相对比较成熟的状态，其在视频检测等领域得到的应用比较频繁。
二是云导向的云边协同。云计算中心除了承担AI模型的训练之外，还会负责一部分模型推理工作，也就是AI模型被分割，云中心负责模型前端的计算，将中间结果传输给边缘设备，边缘设备继续执行预测工作，然后得出推理结果。该协同方式相对来说比较复杂，现如今应用频率还并不是很高，现如今还处于起步探索阶段。
三是边缘导向的云边协同。云计算中心只负责初始的模型训练任务，经过初始训练的模型下载到边缘设备，边缘设备既要模型训练也要模型推理。该协同场景也处于研究探索阶段。联邦学习是云边协同计算场景的一种形式，其必须要云计算中心和边缘设备不断交换加密的模型中间数据，部分联邦学习场景中也需要边缘设备之间直接交互加密数据，进而有效解决医疗、金融等场景中的数据安全和隐私保护等问题。
二、联邦学习在5G云边端协同场景中的应用
1、联邦学习的分布式结构分析
数据收集是5G技术发展应用的核心所在，而在传统的数据收集过程中是先将数据收集然后汇聚到边缘服务器，再汇集到云数据中心，使用云数据中心的AI模型对相关数据进行计算分析，这种数据处理方法虽然也可以顺利的对数据进行分析和整理，但是其却无法有效的保证数据的安全性和隐私。联邦学习为了保护数据隐私需要，会在云数据中心的中心云服务器和各个边缘云服务器之间使用联邦学习的方式进行模型更新，先进行局部更新，再进行全局更新，形成了一种分布式结构，数据安全以及隐私等得到了有效保障。
边缘云服务器和各个终端设备之间也可以使用联邦学习的方式实现模型更新，如果进一步对相关结构进行细分，可以分为主从式结构和非主从式结构两种。二者的区别表现为参数获取方式不同，信息收集存在有一定的差异。
2、联邦学习在不同行业的应用
现如今，随着科技的不断发展和进步，联动学习技术在各个领域的应用可谓是越来越广泛，比如说，谷歌将联邦学习技术应用于输入法之中，还有部分企业将其应用于医疗领域的跨设备开发。在我国联邦学习技术也已经应用到了医疗、金融等领域，其对于相关行业的发展产生了重要推动作用。比如说，基于联邦学习的乳腺癌图片目标识别可以帮助医疗工作者进行医疗决策，这样可以制定出更加科学合理的治疗方案，有效解决治疗层面出现的种种问题。
3、联邦学习在5G云边协同场景中的应用
在5G时代，云边协同在不同行业中的应用将会成为社会发展的新趋势，其可以有效的解决各个行业信息互通的问题，对于社会的发展和进步有着重要的推动作用。比如说，联邦学习技术可以帮助工业互联网完成数字化升级和智能化转型，推进传统农业朝着智慧农业的方向发展和建设。比如说，在医疗场景中，患者个人信息和就医过程所产生的一系列数据就属于高度保密的隐私数据，其分布在多家医疗机构之中，就可以借助联邦学习技术进行管控，避免数据泄漏或者是丢失。
总之，联邦学习在5G云边端协同场景中应用的主要目的就是为了解决数据孤岛以及数据安全方面存在的问题，保证相关技术应用的质量效果，发挥数据信息应用的积极作用。当前相关技术的应用还存在有诸多不成熟的地方，只有及时采取有效措施予以解决，才能为技术的应用提供有效保证。
参考文献：
[1]邬江兴.新型网络技术发展思考[J].中国科学，2018（8）：102-103.
[2]邬贺铨.5G已经向我们走来，2020年前至少要启动商用[J].物联网技术，2018（2）：3.
[3]游思晴，齐兆群.5G网络绿色通信技术现状研究及展望[J].移动通信，2016，40（20）：31-35.
关键词：联邦学习;5G云边端;协同场景;原理;应用
在信息化领域，联邦学习的主要目的就是为了解决数据孤岛和数据安全的问题，让各个参与方都可以从中获益。当前随着互联网技术的深入发展，社会生产中的诸多业务都出现了各种各样的困境，比如说，数据量庞大、数据隐私以及数据安全方面的问题。为了更好的解决数据隐私问题，避免用户数据信息泄露，就需要构建一套满足数据隐私保护和数据安全的前提下设计一个分布式机器学习框架，保证信息技术能够安全有效应用。当前，联邦学习的主要研究领域包含优化通信机制、数据隐私安全、业务场景应用等等。
一、5G云边协同与边缘智能
1、5G促进云边协同的发展
5G技术的高带宽、低时延、低功耗等特点使得云边协同效率得到了有效的提升，可以有效突破云端和边缘端通信的速度限制，同时5G技术还可以满足不同客户差异化和定制化的业务需求，推动智慧医疗和智慧教育等垂直行业快速发展。
2、联邦学习的分布式结构
传统云计算具有时效性差、能耗大、带宽有限、不利于保护数据安全和隐私等突出性问题，为了有效规避上述问题，面向边缘设备的MEC应运而生。边缘计算是在网络边缘执行计算，其优势在于可以更快的进行數据处理和分析，减少网络流量，缩短网络延迟时间，缓解网络中心所面临的压力，同时用户隐私数据存储在网络边缘设备，可以有效的保护用户数据安全和隐私。边缘计算是云计算的延伸，二者彼此之间相互依存、协同运作。在云边端协同场景中，边缘端负责在本地范围内的数据计算和存储工作，云端负责全局数据的挖掘分析、算法训练升级。
边缘计算和AI结合产生了边缘智能，存储技术、通信技术、安全隐私技术的成熟进一步推动了边缘智能的发展。边缘智能被定义为使边缘设备可以执行智能算法的能力，其包含有准确率、延迟以及功耗、内存多方面的元素。边缘智能场景中存在有三个大矛盾，用户的高服务质量要求和用户数据隐私之间的矛盾，智能应用需求多样化和边缘设备能力有限之间的矛盾，要想切实有效的解决上述矛盾，就必须要在边缘设备和云计算中心之间进行协同计算，协助计算分为云边协同、边边协同、边物协同等等，文章主要探究的是5G云边协同场景下的边缘智能，一般来说，云计算和边缘计算节点之间主要有三种协同计算方式，其具体如下：
一是训练和预测云边协同。即云计算中心根据边缘设备上传的数据训练和升级AI模型，而边缘设备负责收集和清洗数据，并基于最新模型进行实时推理。该协同方式当前的应用已经处于相对比较成熟的状态，其在视频检测等领域得到的应用比较频繁。
二是云导向的云边协同。云计算中心除了承担AI模型的训练之外，还会负责一部分模型推理工作，也就是AI模型被分割，云中心负责模型前端的计算，将中间结果传输给边缘设备，边缘设备继续执行预测工作，然后得出推理结果。该协同方式相对来说比较复杂，现如今应用频率还并不是很高，现如今还处于起步探索阶段。
三是边缘导向的云边协同。云计算中心只负责初始的模型训练任务，经过初始训练的模型下载到边缘设备，边缘设备既要模型训练也要模型推理。该协同场景也处于研究探索阶段。联邦学习是云边协同计算场景的一种形式，其必须要云计算中心和边缘设备不断交换加密的模型中间数据，部分联邦学习场景中也需要边缘设备之间直接交互加密数据，进而有效解决医疗、金融等场景中的数据安全和隐私保护等问题。
二、联邦学习在5G云边端协同场景中的应用
1、联邦学习的分布式结构分析
数据收集是5G技术发展应用的核心所在，而在传统的数据收集过程中是先将数据收集然后汇聚到边缘服务器，再汇集到云数据中心，使用云数据中心的AI模型对相关数据进行计算分析，这种数据处理方法虽然也可以顺利的对数据进行分析和整理，但是其却无法有效的保证数据的安全性和隐私。联邦学习为了保护数据隐私需要，会在云数据中心的中心云服务器和各个边缘云服务器之间使用联邦学习的方式进行模型更新，先进行局部更新，再进行全局更新，形成了一种分布式结构，数据安全以及隐私等得到了有效保障。
边缘云服务器和各个终端设备之间也可以使用联邦学习的方式实现模型更新，如果进一步对相关结构进行细分，可以分为主从式结构和非主从式结构两种。二者的区别表现为参数获取方式不同，信息收集存在有一定的差异。
2、联邦学习在不同行业的应用
现如今，随着科技的不断发展和进步，联动学习技术在各个领域的应用可谓是越来越广泛，比如说，谷歌将联邦学习技术应用于输入法之中，还有部分企业将其应用于医疗领域的跨设备开发。在我国联邦学习技术也已经应用到了医疗、金融等领域，其对于相关行业的发展产生了重要推动作用。比如说，基于联邦学习的乳腺癌图片目标识别可以帮助医疗工作者进行医疗决策，这样可以制定出更加科学合理的治疗方案，有效解决治疗层面出现的种种问题。
3、联邦学习在5G云边协同场景中的应用
在5G时代，云边协同在不同行业中的应用将会成为社会发展的新趋势，其可以有效的解决各个行业信息互通的问题，对于社会的发展和进步有着重要的推动作用。比如说，联邦学习技术可以帮助工业互联网完成数字化升级和智能化转型，推进传统农业朝着智慧农业的方向发展和建设。比如说，在医疗场景中，患者个人信息和就医过程所产生的一系列数据就属于高度保密的隐私数据，其分布在多家医疗机构之中，就可以借助联邦学习技术进行管控，避免数据泄漏或者是丢失。
总之，联邦学习在5G云边端协同场景中应用的主要目的就是为了解决数据孤岛以及数据安全方面存在的问题，保证相关技术应用的质量效果，发挥数据信息应用的积极作用。当前相关技术的应用还存在有诸多不成熟的地方，只有及时采取有效措施予以解决，才能为技术的应用提供有效保证。
参考文献：
[1]邬江兴.新型网络技术发展思考[J].中国科学，2018（8）：102-103.
[2]邬贺铨.5G已经向我们走来，2020年前至少要启动商用[J].物联网技术，2018（2）：3.
[3]游思晴，齐兆群.5G网络绿色通信技术现状研究及展望[J].移动通信，2016，40（20）：31-35.