中國移動：移動通信網絡中的聯邦學習白皮書（24頁）.pdf

1、隨著5G應用日趨多樣化，網絡的業務識別能力面臨多重挑戰：加密應用越來越多，人工分析識別率下降;業務類型越來越多，人工分析成本越來越高;應用更新越來越頻繁，人工分析響應速度無法及時識別;異廠家UPF數據無法集中、2B數據不出廠、不同UPF業務分布不均等原因，導致依靠單一UPF上的業務樣本數據進行業務識別模型訓練難以達到精準識別要求。通過內置網絡智能化分析功能NWDAF的UPF之間進行(準)實時橫向聯邦學習，可實現數據不出局要求下的高準確度業務識別。參與聯邦學習的UPF可內置NWDAF，內置NWDAF通過內部接口采樣業務流數據進行本地流特征學習和業務識別模型訓練，同時，部署中心NWDAF進行安全機

2、制管理，并對參與的UPF(內置NWDAF)進行模型聚合和全局模型分發。通過橫向聯邦學習的業務識別模型，可實時加載到各UPF，提升UPF的業務識別能力。通過橫向聯邦學習技術，可實現數據不出UPF前提下的多UPF聯合業務識別，提高業務識別準確度，從而滿足UPF異廠家部署數據無法集中、2B數據不出廠、個別UPF業務樣本量小等情況下的業務識別要求?；诙喾揭曨l分析的跨場景智能物體追蹤主要是根據目標檢測的結果，為相同的物體標記同一個標識ID，通過對物體的追蹤和軌跡預測，感知環境中物體的變化，目標是實現實時準確的物體運動的軌跡跟蹤及預測。通過構建跨平臺的多分支檢測器、數據關聯、運動預測等模塊組成的基于檢測

3、的目標跟蹤框架，可以實現長時間、實時的目標檢測與追蹤，由回歸、分類和ReID組成的多分支檢測器可以為跟蹤器提供更加準確的位置和ReID關聯，增強了目標跟蹤的性能。然而，由于涉及到多個平臺視頻信息的匯總及處理，傳統的集中化處理方式存在數據傳輸量大和用戶隱私保護等問題。在未來的移動通信網絡中，利用邊緣計算技術及聯邦學習技術，可以構建分布式跨平臺視頻處理架構。數據不需要集中式的進行匯總，而是由邊緣計算平臺單獨進行處理，僅對特定目標的軌跡和目標特征進行反饋，在免除了視頻傳輸的同時，也有效地保護了非目標物體的隱私。通過聯邦學習技術與邊緣計算技術的結合，可以有效利用分布式計算資源，避免冗余的數據傳輸，提升

4、聯邦技術技術模型效率。同時分布式的邊緣計算平臺還可以實現數據的本地計算，有效地保護用戶隱私。傳統交通信號燈系統采用靜態、單點控制，采集交通流相關的數據時存在困難，配時設計依賴人工經驗且周期固定，無法感知、預測、協調城市全局的交通流量，導致城市交通易擁堵、人力成本高、出行效率低。運營商在提供移動通信服務的同時，還擁有海量用戶的移動軌跡和位置等個人數據，可為交通流量的預測提供數據支撐。在用戶個人數據不出局要求下，聯邦學習為運營商依托交通行業實現基于位置的應用創新提供了可能。借助于移動通信網絡中的聯邦學習技術，智慧交通信號燈方案實現交通信號燈配時策略智能化，面向某一區域，運營商和智慧交通平臺通過數據準備、聯合特征工程、聯合模型訓練和聯合模型推理搭建運營商和交通之間的智慧交通信號燈智能框架，建立基于時間和位置的城市交通信號燈配時與網絡數據、業務數據的關系模型，并執行聯合推理，生成基于時間和位置的最佳城市交通信號燈配時策略，輸出給城市信號燈控制系統，供城市信號燈控制系統參考使用。