雾无线接入网络中的未来趋势与开放问题：联邦学习视角
在雾无线接入网络（F-RANs）中，利用分散的计算资源生成高质量的学习模型是一项具有挑战性的任务。模型训练过程需要大量的计算，对计算能力有很高的要求。尽管F-RANs边缘存在许多雾计算节点，如F-AP和用户，但这些节点分布分散，难以以经济高效的方式进行整合。特别是，模型生成的计算任务不能拆分成可由每个节点独立执行的简单任务。因此，需要设计新的协作机制来高效处理模型生成过程。
1. F-RANs的未来趋势：基于联邦学习的范式
F-RANs边缘可形成由F-AP和用户组成的雾计算层，云计算中心作为云计算层。雾计算层以分布式方式支持本地处理和网络管理功能，云计算层则实现全局集中处理和管理，F-AP与云计算中心通过回程链路连接。
由于传统的集中式学习方法难以在性能和效率之间取得平衡，因此采用名为联邦学习的模型级协作学习范式来实现F-RANs中的网络边缘智能。联邦学习无需将原始数据聚合到计算服务器即可生成高质量的学习模型。其关键思想是鼓励每个客户端根据自己的数据生成本地模型，然后将所有本地模型的更新结果发送回服务器，用于生成全局模型。
联邦学习过程的算法如下：
Initialization: Global learning model vF and local learning models v1, ..., vM. For each round of model update: Local model update: The users update the local models as vm → vm +
