R18中的5GC新特性之联邦学习（FL）和网络智能化增强 eNA3.0
来自知识星球
R18中的5GC新特性之联邦学习（FL）和⽹络智能化增强 eNA3.0
**联邦学习（FL）的本质**
联邦学习（FL）是一种分布式机器学习技术，它以中央服务器为中心节点，通过与多个参与训练的本地
服务器（客户端）交换网络信息来实现AI模型的更新迭代。具体过程如下：
1. 服务器生成一个通用神经网络模型。
2. 客户端下载该通用模型至本地，并利用本地数据训练模型。
3. 客户端将训练后的模型更新内容上传至服务器。
4. 服务器融合多个客户端的更新内容，优化初始通用模型。
5. 客户端下载更新后的通用模型，重复上述处理。
6. 此过程不断重复，直至达到某个既定标准。
在整个FL过程中，各客户端的数据始终保存在本地服务器，从而降低了数据泄露的风险。
**在R18版本的网络智能化增强eNA3.0中的应用**
在3GPP的R18版本中，引入了FL的概念，eNA3.0支持FL在多个网络数据分析功能（NWDAF）之间训练
机器学习模型。通过FL实现数据的“可用不可见”，满足本地数据不出局的隐私保护需求。这种技术与集中
式机器学习技术形成鲜明对比，后者需要将所有本地数据集上传到一台服务器，可能带来数据安全、数据
隐私和数据访问权限等安全问题。
**FL架构**
在包含多任务学习功能（MTLF）的NWDAF支持的FL中，一个包含MTLF的NWDAF作为FL服务器（FL服
务器NWDAF），其余多个包含MTLF的NWDAF作为FL客户端（FL客户端NWDAF）。架构示意如图所
**FL服务器NWDAF的主要功能**
1. 发现并选择FL客户端NWDAF参与FL。
2. 要求FL客户端NWDAF进行本地机器学习模型训练并报告本地机器学习模型信息。
3. 通过融合来自FL客户端NWDAF的本地机器学习模型信息生成全局机器学习模型。
4. 如果需要，将全局机器学习模型返回FL客户端NWDAF进行迭代训练。
**FL客户端NWDAF的主要功能**
1. 根据FL服务器NWDAF安排的任务，使用本地数据集在本地训练机器学习模型。
2. 向FL服务器NWDAF报告训练好的本地机器学习模型信息。
3. 如果需要，从FL服务器NWDAF接收全局机器学习模型进行迭代训练。
**5G网络智能化的演进**
5G网络智能化的演进情况见表1。
表1：5G的网络智能化的演进表
涵盖了5G核心网、IMS绝大多数知识点。
