中移動首次在3GPP標準引入基于聯邦學習的分布式智能架構

近日，在3GPP SA2第139次電子會議上，由中國移動提出的“多NWDAF實例之間聯邦學習”解決方案的標準提案獲得通過，這也是業界首次在3GPP國際標準引入基于聯邦學習(Federated Learning)的分布式智能架構及流程。作為分布式機器學習框架，聯邦學習技術可以讓參與方在不共享數據的基礎上進行聯合建模，從技術上打破信息孤島，實現分布式智能協作，同時也能實現模型訓練效率的提升。

隨著5G和AI技術的融合發展，網絡智能化已成為各標準及行業組織最熱門的課題之一。3GPP在5G標準制定之初，就考慮將AI與大數據分析技術應用于5G網絡。NWDAF (Network Data Analytics Function，網絡數據分析功能)，是3GPP在5G R15版本新引入的標準化網元。作為5G網絡AI+大數據引擎，NWDAF負責數據采集、模型訓練、推理判斷及智能預測，并輸出分析結果，供網絡、網管及應用執行策略決策。

目前數據隱私和安全性已成為全球性問題，如歐盟出臺GDPR(通用數據保護條例)條例。為保護數據隱私、解決數據無法共享帶來的面向數據隔離的AI建模，產業界已廣泛開展研究，其中聯邦學習作為有效的解決方法之一。運營商具有海量數據，但存在UE數據隱私保護、異廠家無法共享、端到端數據無法共享、跨域數據無法共享、第三方數據不能直接共享等現實問題，因此NWDAF難以采集有效且全面的數據進行建模，導致模型評估效果差強人意。業界亟待探索并解決因數據隔離和數據隱私帶來的數據孤島問題，實現分布式機器學習。

中國移動提出的基于聯邦學習的分布式機器學習算法可有效解決上述問題。在機器學習過程中，各參與方地位對等，通過協調者(Server NWDAF)實現公平協作;各參與方的原始數據不會泄露到外部，僅需在NWDAF之間交換模型參數，讓參與方在保持獨立性的基礎上進行聯合建模，并不斷迭代優化。在滿足用戶隱私保護、數據安全和政府法規的要求下，該解決方案有助于實現在多個NWDAF之間高效率的無損建模，避免了獨立建模的分治和割裂，進一步促進AI和5G融合，實現5G AI內生。