《Electronics》：FedGAT: Federated Graph Attention for User Association and Interference Mitigation in C-RAN
编辑推荐：
本文提出FedGAT，一种用于云无线接入网（C-RAN）中联合用户关联与射频拉远头（RRH）间干扰抑制的联邦图注意力网络。集中式优化需要在基带单元（BBU）池处获取全局信道状态信息（CSI），这增加了前传开销并暴露用户数据。现有联邦学习方案使用无法表征干扰图的
本文提出FedGAT，一种用于云无线接入网（C-RAN）中联合用户关联与射频拉远头（RRH）间干扰抑制的联邦图注意力网络。集中式优化需要在基带单元（BBU）池处获取全局信道状态信息（CSI），这增加了前传开销并暴露用户数据。现有联邦学习方案使用无法表征干扰图的扁平局部模型，在异构多小区场景中性能下降。在FedGAT中，每个RRH根据自身CSI构建局部干扰图，并通过局部Adam梯度步训练GATv2模型。仅将参数增量发送至BBU池，BBU池通过加权联邦平均（FedAvg）进行合并，而不交换原始CSI。研究人员将联合用户关联与功率分配问题建模为混合整数非凸规划，并推导出适用于分布式训练的基于图神经网络（GNN）的连续松弛形式。针对非独立同分布的局部干扰图，获得了非渐近收敛界，表明最优性间隙随局部步数和图异构性度量增长。在3GPP城市宏蜂窝信道模型下，在相同训练预算内，FedGAT相较于联邦多层感知机基线将稳态加权和速率提升18.7%，相较于集中式图注意力网络第二版（GATv2）模型提升49.2%，同时保持原始CSI本地化。这些裕度在十次蒙特卡洛信道实现上取平均并以标准差报告，FedGAT的前传优势指训练后的隐私保护和无CSI推理，而非训练阶段的流量。
**论文解读：FedGAT——面向C-RAN用户关联与干扰抑制的联邦图注意力网络**
**一、研究背景与问题**
随着第五代（5G）及未来超五代（B5G）和第六代（6G）网络部署密度的持续增长，云无线接入网（C-RAN）作为一种常见架构，通过基带单元（BBU）池与分布式射频拉远头（RRH）之间的高容量前传链路集中处理基带信号，以支持网络级协同多点（CoMP）传输和集中式干扰管理。然而，该架构面临两大瓶颈。
第一，前传容量瓶颈。集中式资源分配算法（如加权最小均方误差，WMMSE）要求每个RRH在每个调度时隙向BBU池发送瞬时全信道状态信息（CSI），信令量随网络规模（RRH数N、用户数K、子带数S、每RRH天线数M）线性增长，在密集部署下消耗大量前传容量，且原始CSI传输引发用户位置和移动性隐私泄露风险。
第二，计算复杂度瓶颈。联合用户关联与功率分配问题在混合整数形式下是NP难问题，迭代求解器（如WMMSE）每轮迭代复杂度高，难以在大型部署中实时应用。图神经网络（GNN）以多项式推理复杂度接近WMMSE性能，但现有GNN方法多为集中式，仍保留BBU池的CSI聚合负担。
联邦学习（FL）通过在分布式节点间训练共享模型而不泄露原始测量数据，具有三个优势：信道测量保留在RRH端，保护位置信息；参数更新大小仅取决于模型而非网络规模；聚合步骤使每个RRH受益于其他RRH观察到的干扰模式。然而，现有FL应用于RAN任务（如信道估计、分布式功率控制）时，局部模型多为多层感知机（MLP）或卷积神经网络（CNN），无法表征无线电环境的干扰图结构，导致异构多小区场景下的策略退化。
**二、研究内容与结论**
针对上述问题，研究人员提出FedGAT，将基于GNN的资源分配与FL相结合。每个RRH从自身信道测量构建局部干扰图，并通过局部Adam梯度步训练图注意力网络第二版（GATv2）模型，仅将参数增量发送至BBU池，由BBU池执行加权FedAvg聚合。原始CSI全程不经过前传。
主要贡献包括：将联合用户关联与功率分配问题建模为混合整数非凸规划（P1），推导基于GNN的连续松弛形式；指定FedGAT算法，其中GATv2局部模型部署于RRH，BBU池通过加权FedAvg聚合，前传流量仅限模型参数增量；通过扩展FedProx分析至GATv2局部目标，建立非独立同分布局部干扰图下的非渐近收敛界，量化局部计算步数与RRH间图异构性之间的权衡；在3GPP城市宏蜂窝（UMa）信道条件下，与WMMSE、集中式GATv2基线（C-GAT）、FedAvg-MLP及贪心参考方案进行多蒙特卡洛信道实现对比。
**三、主要技术方法**
研究人员采用以下关键技术方法：（1）局部干扰图构建：每个RRH仅利用本地CSI，根据归一化干扰度量阈值实例化有向干扰边，生成图结构；（2）GATv2局部模型：采用两层GATv2网络，通过动态注意力机制为邻居分配权重，输出软关联分数和功率分数；（3）联邦聚合：仅交换参数增量，采用加权FedAvg合并，权重基于局部数据集大小；（4）收敛性分析：在L-光滑、有界梯度方差、有界梯度范数及图异构性有界假设下，推导非渐近收敛界；（5）仿真验证：基于3GPP UMa信道模型（TR 38.901），在PyTorch 2.2和PyTorch Geometric 2.5中实现，十次蒙特卡洛信道实现取平均。样本队列为仿真生成的随机信道实现，无真实用户数据。
**四、研究结果**
**（一）收敛行为（4.1节）**
在N=3、K=9、S=3配置下，FedGAT从相同初始化出发，经历探索阶段后持续提升，稳态加权和速率达到约xx b/s/Hz（原文具体数值以“xx”代替，因原文以符号表示），相比FedAvg-MLP提升18.7%，相比C-GAT提升49.2%。FedAvg-MLP快速收敛至约xx b/s/Hz后保持平坦，表明其均匀关联策略对信道实现不敏感。C-GAT前25轮下降后稳定在约xx b/s/Hz，且跨种子方差显著，源于全局图聚合导致梯度方向冲突。FedGAT标准偏差较大，表明其适应信道实现而非退化为单一策略。
**（二）RRH数量可扩展性（4.2节）**
固定K=9、训练预算T=200轮，FedGAT和C-GAT的绝对和速率随N增加但增速慢于WMMSE和贪心方案的线性扩展，在N=6时出现差距，与收敛分析中图异构性漂移项一致。C-GAT在N≥4时均值高于FedGAT但标准差大，排序不稳定。FedAvg-MLP对所有N保持约xx b/s/Hz平坦，无法利用空间复用增益。
**（三）用户数对频谱效率的影响（4.3节）**
固定N=3、T=50轮，随K从6增至21，所有方案每用户频谱效率下降。FedGAT在短训练预算下略低于FedAvg-MLP但接近C-GAT，且随K增加平滑衰减，不崩溃，表明GATv2注意力机制编码干扰关系使策略可泛化至不同用户密度。WMMSE和贪心作为参考，其差距随K增大而扩大。
**（四）速率-前传开销权衡（4.4节）**
固定N=3、K=9，集中式方案（WMMSE、C-GAT）每轮需交换全CSI约xxx kbits，而FedGAT和FedAvg-MLP仅传输模型参数增量（约xx kbits）。在该开销下，FedGAT达到xx b/s/Hz，高于FedAvg-MLP（xx b/s/Hz）。FedGAT在速率-通信成本权衡中优于FedAvg-MLP。训练阶段前传开销在评估网络规模下高于CSI载荷，但训练后推理完全无CSI。
**（五）稳态性能总结（4.5节）**
基线配置（N=3、K=9、S=3）下，FedGAT达到WMMSE上界的约xx%，高于FedAvg-MLP（xx%）和C-GAT（xx%）。贪心方案因正交子带和少量RRH而接近上界，但需全局几何信道知识且不学习。FedGAT的优势在于隐私保护、无CSI推理和对异构干扰拓扑的适应。
**五、讨论与结论**
讨论部分指出，图结构局部模型在联邦资源分配中优于扁平MLP基线，GATv2注意力机制使RRH能根据瞬时信道状态差异化加权干扰邻居。集中式GATv2因全局损失聚合统计特性差异大的干扰图而振荡，FedGAT通过“局部训练-全局聚合”分离避免该问题。训练阶段前传在少于439个UE时高于CSI传输，但8位量化可将交叉点降至110个UE，且训练后推理完全无CSI。贪心方案在轻负载下接近WMMSE，但FedGAT的价值在于隐私保护、无CSI推理和异构拓扑适应。
结论部分总结：FedGAT通过局部干扰图构建、GATv2局部训练和加权FedAvg聚合，在非独立同分布干扰图下建立收敛界，仿真表明其优于FedAvg-MLP 18.7%、优于C-GAT 49.2%，且保持原始CSI本地化。训练阶段前传开销在小于439个UE（8位量化后110个UE）时高于集中式CSI传输，但推理完全无CSI。未来工作将扩大蒙特卡洛规模、采用学习率退火和显式预编码优化头缩小与WMMSE差距，并通过结构化剪枝降低前传开销，扩展至RIS辅助C-RAN架构。论文发表于《Electronics》。
