面向异构物联网网络的基于语义通信与信任感知优化的自适应联邦边缘智能

《Scientific Reports》：Adaptive federated edge intelligence with semantic communication and trust-aware optimization for heterogeneous IoT networks

　　

摘要

异构物联网 (IoT) 网络的快速增长，由于设备能力多样、信道条件动态变化以及计算资源有限，在通信效率、能耗和可靠的分布式智能方面带来了重大挑战。现有的比特级通信和传统联邦学习方法，在非独立同分布数据和设备参与不可靠的情况下，往往存在通信开销过大、资源利用效率低下以及模型收敛不稳定等问题。为了解决这些局限性，本文提出了 FEI-SemCom，这是一种为异构物联网系统集成了语义通信、联邦学习和联合资源优化的自适应联邦边缘智能框架。所提出的框架引入了异构感知语义编码器、自适应语义压缩机制、基于语义贡献的客户端选择策略以及信任感知聚合方案，以提高通信效率和学习的鲁棒性。不同于现有方法独立优化通信、学习和资源分配，FEI-SemCom 根据设备能力、信道质量和能量可用性，联合自适应语义表示、客户端参与、传输参数和聚合权重。此外，所提出的框架通过启用自适应客户端参与、可靠性感知聚合和资源感知通信决策，提高了在间歇性连接条件下的韧性，使得联邦边缘智能即使在临时链路故障和设备可用性不稳定的情况下也能有效运行。大量仿真结果表明，所提出的框架在 5 dB 信噪比 (SNR) 下实现了 91.2% 的准确率，在大约 120 个训练轮次内收敛，并将通信开销、能耗和延迟分别降低至 45 MB、48 J 和 110 ms。与传统方法相比，FEI-SemCom 将通信开销降低了多达 38%，同时保持稳定的收敛和鲁棒的学习性能。这些结果表明，自适应语义通信结合联邦边缘智能在可扩展且资源高效的物联网应用方面具有潜力。