《Electronics》：A Hardware-Oriented Federated GNN Approach for Wireless Localization and Misuser Detection
编辑推荐：
无线边缘系统日益依赖设备端学习完成用户定位和误用用户检测等任务，但由于隐私和带宽限制，集中式训练往往不可行。在本工作中，研究人员研究了通信高效的联邦学习（Federated Learning，FL）方案，该方案跨客户端联合训练轻量级神经模型。研究人员比较了多任
无线边缘系统日益依赖设备端学习完成用户定位和误用用户检测等任务，但由于隐私和带宽限制，集中式训练往往不可行。在本工作中，研究人员研究了通信高效的联邦学习（Federated Learning，FL）方案，该方案跨客户端联合训练轻量级神经模型。研究人员比较了多任务共享骨干（shared-backbone）策略与训练中冻结骨干（mid-training backbone freezing）及任务分离基线（task-separate baselines）。通过使用无线图模拟器，研究人员原型化了多层感知机（Multilayer Perceptron，MLP）和一种边缘感知图神经网络（Graph Neural Network，GNN）编码器，二者均使用FedAvg训练，并评估了定位误差、误用用户F1分数（F1-score）以及训练轮次间的字节级通信量。结果显示，GNN-共享（GNN-Shared）模型与MLP-共享（MLP-Shared）基线相比，定位误差降低了28.9%，且与仅定位GNN（GNN-Loc_only）基线相比，定位误差降低了17.7%，同时与仅误用用户GNN（GNN-Mis_only）相比，最优误用用户F1分数提升了2.7%。在通信方面，经过40轮联邦训练后，GNN-共享模型与MLP-共享相比，总通信成本降低了40.1%。使用FedProx、GraphSAGE和GAT基线的额外实验表明，所提出的联邦图学习框架在不同图骨干（graph backbones）下具有灵活性。在五个随机种子的多种子实验中进一步证实了基于图的联邦学习的鲁棒性，其中GraphSAGE-FedAvg在平均定位和误用用户检测性能上表现强劲。在最多20个客户端、150个节点和不同Dirichlet非独立同分布（non-IID）参数下的可扩展性实验表明，该框架在更大图规模下保持稳定，而通信成本主要随参与客户端数量增长。为将该框架推向边缘部署，本文还引入了一种轻量级面向硬件的GNN-Lite推理原型，采用多邻居累加、基于有限状态机（Finite State Machine，FSM）的时序计算和基于只读存储器（Read-Only Memory，ROM）的系数存储。该原型在Artix-7现场可编程门阵列（Field-Programmable Gate Array，FPGA）上实现了时序收敛，占用213个查找表（LUTs）、111个触发器（FFs）、18个数字信号处理器（DSPs）、0个块随机存取存储器（BRAMs），估计总片上功耗为0.106 W。动态功耗仅为0.001 W，每次推理估计总能耗为10.6 nJ。总体而言，结果表明联邦图学习是无线边缘智能的一个有前景的方向，根据定位精度、误用用户检测性能、通信成本、鲁棒性和硬件部署之间的目标权衡，可以选择不同的图骨干。
**论文解读：面向硬件的联邦图神经网络框架在无线定位与误用用户检测中的应用**
**研究背景、问题与动机**
无线边缘系统日益依赖设备端学习完成用户定位和频谱误用检测等任务，但集中式训练因隐私和带宽约束而不可行。联邦学习（Federated Learning, FL）通过让分布式客户端协作训练共享模型而不交换原始数据，成为无线边缘智能的有前景范式。然而，现有研究多集中于单一任务（如仅定位或仅检测），且假设集中式训练或任务专用架构，缺乏对多任务联合学习、通信成本显式衡量以及硬件部署可行性的综合考量。图神经网络（Graph Neural Network, GNN）因无线网络天然可表示为图结构（节点对应设备，边对应通信、干扰或邻近关系）而极具吸引力，但其在动态、非独立同分布（non-IID）的联邦环境中的性能尚需系统评估。此外，现有边缘人工智能加速器研究大多聚焦通用神经网络推理，未针对联邦图学习中的轻量级推理路径进行专门设计。因此，本研究旨在回答以下关键问题：共享骨干（shared-backbone）FL模型能否联合支持无线定位与误用用户检测？图感知学习相比节点式多层感知机（Multilayer Perceptron, MLP）基线能带来多大增益？冻结骨干（freeze-to-heads）策略能否在不损失性能的前提下降低通信开销？共享边缘感知推理路径能否简化为适用于边缘部署的低资源现场可编程门阵列（Field-Programmable Gate Array, FPGA）原型？
**研究内容、结论与意义**
研究人员提出了一种通信感知的联邦图学习框架，用于联合无线定位和误用用户检测。该框架比较了共享骨干与任务分离训练、图感知（GNN）与节点式（MLP）骨干、FedAvg与FedProx聚合方法，引入了冻结骨干策略以减少通信负载，并在软件层面评估了定位误差、误用用户F1分数和字节级通信成本。此外，研究人员设计并实现了轻量级硬件导向的GNN-Lite推理原型，采用多邻居累加、基于有限状态机（FSM）的时序计算和只读存储器（ROM）系数存储，在Artix-7 FPGA上验证了低资源部署的可行性。主要结论包括：（1）共享GNN模型（GNN-Shared）相比MLP-共享基线定位误差降低28.9%，相比仅定位GNN降低17.7%，同时误用用户F1分数相比仅误用GNN提升2.7%；（2）冻结骨干策略使GNN-共享模型在40轮联邦训练中总通信成本比MLP-共享降低40.1%；（3）不同图骨干（GraphSAGE、GAT、NNConv）在定位精度、检测性能、通信成本和鲁棒性之间提供不同折中；（4）可扩展性实验表明框架在20个客户端、150节点、不同non-IID水平下保持稳定；（5）FPGA原型仅需213 LUTs、111 FFs、18 DSPs、0 BRAMs，总功耗0.106 W，每次推理能耗10.6 nJ。该研究的意义在于首次在同一框架下联合考虑多任务联邦学习、通信成本显式建模和轻量级硬件加速原型，为无线边缘智能的实际部署提供了方法论和工程基础。论文发表在《Electronics》。
**主要关键技术方法**
研究人员采用以下关键技术方法：（1）时间变化无线图模拟器：基于随机路点（Random-Waypoint）移动模型生成动态图，使用对数距离路径损耗模型和阴影效应计算边特征，节点特征包括接收信号强度统计、邻居数、移动信息和发射功率，边特征含距离、信噪比（Signal-to-Noise Ratio, SNR）、期望传输次数（Expected Transmission Count, ETX）和接收信号强度残差。（2）联邦学习框架：采用服务器-客户端架构，使用FedAvg（或FedProx）聚合，比较共享骨干（多任务联合训练，冻结骨干后仅更新任务头）与任务分离训练（各自独立模型）。非独立同分布（non-IID）客户端数据通过狄利克雷（Dirichlet）分布划分，浓度参数α=0.5。（3）模型架构：节点式MLP作为基线；图骨干使用基于边条件的NNConv层（式(4)(5)），隐藏维度64，支持共享或分离输出头。（4）硬件原型：采用多邻居累加、基于FSM的时序计算和ROM系数存储，使用16位有符号定点算术，在80 MHz时钟下实现Artix-7 FPGA时序收敛。（样本队列来源：模拟生成60个无线节点，5个客户端，40轮训练。）
**研究结果**
**4.1 无线图模拟器与实验设置**
通过时间变化有向图模拟器生成实验数据，节点移动性、图连接性和边特征由随机路点模型和对数距离路径损耗模型定义。节点特征经z-score归一化，客户端分区使用Dirichlet(α=0.5)制造non-IID。实验超参数：K=5客户端，E=5本地步骤，R=40轮，Adam优化器，骨干学习率0.005，头学习率0.01，隐藏大小64。
**4.2 评估协议与基线**
评估三种模式：共享（Shared）、仅定位（Loc_only）、仅误用（Mis_only），并训练集中式基线（所有数据联合）作为上限参考。主要指标：定位平均绝对误差（Mean Absolute Error, MAE）、误用用户精确率（Precision）、召回率（Recall）和F1分数（阈值0.5），以及每轮通信量（MB）和累积通信量。
**4.3 硬件导向GNN-Lite近似**
开发Verilog RTL级硬件原型，将动态NNConv核生成替换为标量边加权函数（式(22)(23)），采用多邻居累加、FSM时序控制和ROM系数存储。在Artix-7上实现时序收敛（80 MHz），资源占用极低（213 LUTs, 111 FFs, 18 DSPs, 0 BRAMs），总功耗0.106 W，动态功耗0.001 W，每次推理10.6 nJ。
**4.4 误用用户检测性能**
MLP-误用仅模型（MLP-Mis_only）不稳定，约10轮后F1分数崩溃至0；而MLP-共享在40轮中维持在0.65–0.72。GNN-共享和GNN-误用仅均稳定在0.88–0.95 F1分数。冻结骨干后，共享模型仍保持竞争性分类性能。附加基线（GraphSAGE-FedAvg）获得最强误用检测F1=0.942，但共享GNN框架提供了最佳整体折中。
**4.5 定位性能**
MLP-共享收敛更快且最终MAE低于MLP-仅定位（7.72 m vs 8.73 m）。GNN-仅定位初始MAE更低，但GNN-共享在15–20轮后收敛至相似或更优最终MAE（7.72 m vs 8.33 m）。附加指标（RMSE、中位误差、百分位误差）显示GNN-共享具有最低的MAE（7.72 m）、RMSE（10.82 m）和尾部误差。
**4.6 通信-精度折中**
GNN-共享在40轮中总通信11.7 MB，较MLP-共享的19.54 MB降低40.1%，较任务分离MLP模型的29.79 MB降低60.7%。共享骨干仅在热身阶段（前10轮）完整通信，冻结后仅交换任务头参数。
**4.7 可扩展性讨论**
客户端数从5增至20时，通信成本从3.54 MB增至14.15 MB，定位MAE从19.52 m升至30.28 m，最佳F1从0.929降至0.824。图规模从60节点增至150节点时，通信成本不变（3.54 MB），定位MAE仅微增至20.36 m，F1维持在0.90以上。不同Dirichlet参数（α=0.1,0.5,1.0）下框架稳定，α=1.0时性能最优（MAE=18.76 m, F1=0.949）。
**4.8 多种子鲁棒性分析**
在5个随机种子下重复实验。图模型（GraphSAGE-FedAvg、GAT-FedAvg、NNConv-FedAvg）均优于MLP模型（MLP-共享F1仅0.670±0.095）。GraphSAGE-FedAvg给出最低MAE（21.90±4.99 m）和最高F1（0.906±0.038）。不同图骨干在定位、检测、通信和稳定性间提供不同折中。
**4.9 硬件实现结果**
FPGA实现资源：213 LUTs, 111 FFs, 18 DSPs, 0 BRAMs, 13 I/O。最差负松弛（WNS）0.532 ns，总功耗0.106 W（动态0.001 W），延迟100 ns/节点，吞吐量10 M节点推理/秒，每次推理10.6 nJ。与现有FPGA GNN加速器对比，本设计以极低资源占用和功耗为特色，适用于边缘无线节点。
**讨论与结论**
讨论部分指出，共享GNN框架在定位精度、误用检测性能和通信效率之间提供最佳平衡，冻结骨干策略有效降低通信而不牺牲任务性能。不同图骨干可依据部署需求选择：GraphSAGE-FedAvg在检测上最优但通信较高，GAT-FedAvg通信最低但检测标准差较大。硬件原型验证了压缩的图推理路径在低资源FPGA上的可行性。研究结论翻译如下：“本文提出了一种通信高效的联邦图学习框架，用于无线定位和频谱误用检测，使用MLP和图神经骨干。该框架评估了共享与任务特定训练、FedAvg和FedProx变体、多种图骨干、基于冻结骨干的通信降低、可扩展性行为、多种子鲁棒性和轻量级FPGA推理。原始GNN-共享配置实现了强大的定位-通信折中，与MLP-共享相比定位误差降低28.9%，与GNN-仅定位相比降低17.7%，同时在40轮联邦训练中通信成本比MLP-共享降低40.1%。额外基线实验表明，GraphSAGE-FedAvg在已测图基线中达到最强误用检测性能，而GAT-FedAvg在多种子分析中提供最低通信成本。结果表明，共享图神经网络结合冻结骨干策略在精度与通信间提供了最佳整体平衡。为将该框架推向边缘部署，本文还引入了轻量级面向硬件的GNN-Lite推理原型，在Artix-7 FPGA上实现了时序收敛，总功耗0.106 W，每次推理能耗10.6 nJ。这些结果证明了将核心图启发推理流映射到低资源硬件的可行性，并支持未来无线联邦学习实用边缘智能加速器的发展。”
