中移动首次在3GPP标准引入基于联邦学习的分布式智能架构

中移动首次在3GPP标准引入基于联邦学习的分布式智能架构

• 来源:网络
• 更新日期:2020-07-24

摘要：近日，在3GPP SA2第139次电子会议上，由中国移动提出的“多NWDAF实例之间联邦学习”解决方案的标准提案获得通过，这也是业界首次在3GPP国际标准引入基于联邦学习(Federated Lea

近日，在3GPP SA2第139次电子会议上，由中国移动提出的“多NWDAF实例之间联邦学习”解决方案的标准提案获得通过，这也是业界首次在3GPP国际标准引入基于联邦学习(Federated Learning)的分布式智能架构及流程。作为分布式机器学习框架，联邦学习技术可以让参与方在不共享数据的基础上进行联合建模，从技术上打破信息孤岛，实现分布式智能协作，同时也能实现模型训练效率的提升。

随着5G和AI技术的融合发展，网络智能化已成为各标准及行业组织最热门的课题之一。3GPP在5G标准制定之初，就考虑将AI与大数据分析技术应用于5G网络。NWDAF (Network Data Analytics Function，网络数据分析功能)，是3GPP在5G R15版本新引入的标准化网元。作为5G网络AI+大数据引擎，NWDAF负责数据采集、模型训练、推理判断及智能预测，并输出分析结果，供网络、网管及应用执行策略决策。

目前数据隐私和安全性已成为全球性问题，如欧盟出台GDPR(通用数据保护条例)条例。为保护数据隐私、解决数据无法共享带来的面向数据隔离的AI建模，产业界已广泛开展研究，其中联邦学习作为有效的解决方法之一。运营商具有海量数据，但存在UE数据隐私保护、异厂家无法共享、端到端数据无法共享、跨域数据无法共享、第三方数据不能直接共享等现实问题，因此NWDAF难以采集有效且全面的数据进行建模，导致模型评估效果差强人意。业界亟待探索并解决因数据隔离和数据隐私带来的数据孤岛问题，实现分布式机器学习。

中国移动提出的基于联邦学习的分布式机器学习算法可有效解决上述问题。在机器学习过程中，各参与方地位对等，通过协调者(Server NWDAF)实现公平协作;各参与方的原始数据不会泄露到外部，仅需在NWDAF之间交换模型参数，让参与方在保持独立性的基础上进行联合建模，并不断迭代优化。在满足用户隐私保护、数据安全和政府法规的要求下，该解决方案有助于实现在多个NWDAF之间高效率的无损建模，避免了独立建模的分治和割裂，进一步促进AI和5G融合，实现5G AI内生。