基于集中式与分布式联邦学习的频谱占用检测技术研究及其硬件实现验证

本研究针对动态频谱接入中传感器标记数据有限的关键问题，创新性地采用联邦学习(FL)框架，通过交换机器学习模型系数而非原始数据，实现了传感器间的协同频谱感知。研究团队通过硬件实验验证，在存在无标记数据传感器的情况下，系统检测概率从52.06%提升至分布式FL的68.96%和集中式FL的78.87%，为6G时代的智能频谱管理提供了可扩展的解决方案。

　　

随着无线通信技术的爆炸式发展，频谱资源日益紧张成为制约6G时代应用的瓶颈。传统静态频谱分配方式效率低下，动态频谱接入(DSA)技术应运而生，但其核心挑战在于如何让次级用户(SU)准确感知主用户(PU)的信号占用情况。现有频谱感知(SS)技术如能量检测(ED)存在SNR-wall效应，而协作频谱感知(CSS)又面临海量数据交换的负担。更棘手的是，实际部署中传感器可能因硬件故障或恶意攻击成为"不可靠节点"，这对基于机器学习的检测系统提出了严峻挑战。

波兰波兹南理工大学(Poznan University of Technology)的研究团队另辟蹊径，将联邦学习(FL)这一隐私保护技术引入频谱感知领域，创造性地提出FLSS（联邦学习频谱感知）框架。研究人员通过真实的硬件实验平台，首次系统比较了集中式与分布式FL在频谱检测中的性能差异，相关成果发表在《Expert Systems with Applications》上。

研究团队采用USRP B210软件无线电设备构建实验系统，通过精心设计的信号采集流程获取DVB-T信号样本。关键技术包括：1）设计8层特征提取架构（含8个特征向量和3个衍生指标）；2）构建双层神经网络模型（4节点/层）；3）实施两种FL聚合策略——基于准确度加权的集中式FL和基于逆距离加权(IDW)的分布式FL；4）引入故障传感器检测机制。通过50次重复实验的严格验证，研究取得多项突破性发现。

在"模型评估"部分，数据显示FL显著提升系统鲁棒性。分布式FL（3邻居节点）使平均准确度达89%，较非协作方案提升3.19个百分点。特别值得注意的是，集中式FL虽然峰值性能更优（最高准确度92.19%），但对故障节点更敏感，这为实际部署提供了重要参考。

"频谱占用检测效能"结果表明，FL能有效补偿硬件缺陷。当传感器5天线连接不良时，传统方法检测概率骤降至52.06%，而分布式FL仍保持68.96%的检测率。集中式FL表现更优异，将检测概率提升至78.87%，验证了FL对硬件容错的价值。

关于"模型尺寸影响"的深入分析揭示出工程权衡的关键点。虽然16节点网络的检测概率可达95.87%，但其480个参数导致通信开销激增。相比之下，4节点网络仅需传输72个参数，在保持78.85%平均检测率的同时，大幅提升频谱效率。

研究团队特别设计的"故障传感器检测"机制表现出色。通过比较邻居节点的模型性能差异，系统能自动降低异常节点的权重。实验显示，天线接触不良的传感器其模型准确度始终低于正常节点约5-8%，这种稳定差异为故障识别提供了可靠依据。

这项研究标志着无线通信领域的重要进步。首先，硬件验证的FLSS方案为6G动态频谱共享提供了可扩展的技术路径，其"模型共享而非数据共享"的特性既保障隐私又减少80%以上的控制信令。其次，提出的故障检测机制使系统能自适应排除异常节点干扰，这对大规模物联网部署尤为重要。最后，关于网络规模的量化分析为工程实施提供了明确指导，平衡了性能与效率的矛盾。这些创新不仅适用于通信领域，其方法论对医疗联合学习、环境监测等需要数据隐私保护的协作系统也具有重要借鉴价值。随着研究的深入，团队计划将方案扩展至毫米波频段，并探索FL与可重构智能表面(RIS)的联合优化，这将为太赫兹通信的实用化开辟新途径。