6G系统云-边-端协同的联邦学习框架FedCET：计算与网络融合下的资源优化与性能提升

为解决边缘设备算力不足和通信资源受限制约联邦学习(FL)发展的问题，研究人员基于6G计算与网络融合(CNC)架构，提出云-边-终端协同的联邦学习框架FedCET。通过分层模型分割、资源感知调度和混合训练策略，实验表明该方案较FedAvg节省29.76%训练时间和25.8%通信开销，在CIFAR-10数据集上准确率提升8.92%，为6G时代分布式智能提供新范式。

　　

在物联网设备爆发式增长的时代，海量数据催生了人工智能技术的广泛应用，但数据隐私保护需求使得传统集中式机器学习面临严峻挑战。联邦学习(Federated Learning, FL)作为一种分布式学习范式，允许客户端在不共享原始数据的情况下协作训练模型，成为当前研究热点。然而实际应用中，边缘设备有限的算力和通信资源严重制约FL性能，导致模型训练效率低下甚至无法完成，这一矛盾在6G万物智联场景下将更加凸显。

针对这一关键问题，研究人员基于6G计算与网络融合(Computing and Network Convergence, CNC)的新型网络架构，创新性地提出FedCET框架。该工作通过云-边-终端三级协同机制，将CNC的资源调度能力与分层联邦学习相结合：在终端侧实施模型分割和计算卸载，边缘侧进行客户端聚类和混合训练，云端则通过知识蒸馏提升模型性能。实验数据表明，该方案在资源利用效率、训练速度和模型精度三个维度均显著优于现有方案，其中训练时间较经典FedAvg算法减少近30%，在CIFAR-10非独立同分布(Non-IID)数据下的分类准确率提升8.92个百分点。

研究团队采用多项关键技术实现突破：首先利用CNC架构的实时感知能力，对网络状态、任务复杂度进行建模分析，实现动态资源调度；其次设计基于数据分布的客户端聚类算法，结合异步-同步混合训练策略优化计算负载；最后通过云端复杂模型与边缘模型的相互蒸馏(Knowledge Distillation)实现知识迁移。所有实验均在标准数据集(CIFAR-10)的Non-IID划分设定下进行验证。

系统模型部分详细阐述了FedCET的三层架构设计。终端设备通过模型分割将计算密集型层卸载至边缘服务器，既保护数据隐私又缓解算力约束；边缘节点根据设备能力、信道质量等指标实施客户端聚类，采用分阶段训练策略协调参与节点；云端则运行大模型与边缘模型进行参数蒸馏，形成"云指导边-边辅助端"的良性循环。这种设计充分发挥了6G网络端-边-云全域资源的协同效应。

在客户端聚类环节，研究提出基于多维特征的动态分组算法。通过分析设备计算能力、数据分布和网络延迟等指标，将边缘网络中的终端设备划分为多个协同训练组，每组内部采用同步更新而组间异步聚合。这种混合训练策略相比纯同步方式降低29%的等待延迟，较纯异步方式提升15%的模型收敛速度。

通信优化方面取得显著突破。通过CNC编排层的资源感知能力，FedCET能根据实时网络状况动态调整模型传输粒度：在信道质量良好时传输完整梯度，在弱网环境下则采用稀疏化压缩。实测数据显示该机制减少25.8%的通信开销，且在丢包率20%的恶劣环境下仍能保持85%以上的训练效率。

模型性能提升最为亮眼。在CIFAR-10的Non-IID测试中，FedCET最终准确率达到78.34%，较FedAvg基线提升8.92%，同时超越SplitFed、FedGKT等最新算法4-7个百分点。消融实验证实，这种优势主要来源于三方面：云端知识蒸馏带来的性能增益(贡献42%)、边缘侧数据分布感知的聚类策略(贡献35%)，以及终端计算卸载减少的梯度偏差(贡献23%)。

该研究的创新价值主要体现在三个方面：理论层面首次将6G CNC架构与联邦学习深度融合，提出资源-学习协同优化新范式；技术层面开发出分层蒸馏、动态卸载等核心算法；实践层面验证方案在真实场景的可行性，为6G时代分布式智能计算提供重要参考。研究同时指出，未来工作需进一步探索极端网络条件下的训练稳定性，以及跨运营商场景下的协同调度机制。

这项发表于《Expert Systems with Applications》的研究，通过云-边-终端三级协同的联邦学习框架FedCET，成功解决了边缘设备资源约束这一FL发展瓶颈。其创新性地利用6G网络的计算-通信融合特性，在保证数据隐私前提下实现训练效率与模型性能的双重提升，为下一代网络中的分布式智能应用奠定重要基础。研究团队特别强调，随着6G网络建设的推进，这种深度融合网络资源与人工智能算法的思路，将在智慧医疗、工业物联网等领域产生更广泛的应用价值。