中国移动：移动通信网络中的联邦学习白皮书（24页）.pdf

《中国移动：移动通信网络中的联邦学习白皮书（24页）.pdf》由会员分享，可在线阅读，更多相关《中国移动：移动通信网络中的联邦学习白皮书（24页）.pdf（24页珍藏版）》请在三个皮匠报告上搜索。

1、随着5G应用日趋多样化，网络的业务识别能力面临多重挑战：加密应用越来越多，人工分析识别率下降;业务类型越来越多，人工分析成本越来越高;应用更新越来越频繁，人工分析响应速度无法及时识别;异厂家UPF数据无法集中、2B数据不出厂、不同UPF业务分布不均等原因，导致依靠单一UPF上的业务样本数据进行业务识别模型训练难以达到精准识别要求。通过内置网络智能化分析功能NWDAF的UPF之间进行(准)实时横向联邦学习，可实现数据不出局要求下的高准确度业务识别。参与联邦学习的UPF可内置NWDAF，内置NWDAF通过内部接口采样业务流数据进行本地流特征学习和业务识别模型训练，同时，部署中心NWDAF进行安全机

2、制管理，并对参与的UPF(内置NWDAF)进行模型聚合和全局模型分发。通过横向联邦学习的业务识别模型，可实时加载到各UPF，提升UPF的业务识别能力。通过横向联邦学习技术，可实现数据不出UPF前提下的多UPF联合业务识别，提高业务识别准确度，从而满足UPF异厂家部署数据无法集中、2B数据不出厂、个别UPF业务样本量小等情况下的业务识别要求。基于多方视频分析的跨场景智能物体追踪主要是根据目标检测的结果，为相同的物体标记同一个标识ID，通过对物体的追踪和轨迹预测，感知环境中物体的变化，目标是实现实时准确的物体运动的轨迹跟踪及预测。通过构建跨平台的多分支检测器、数据关联、运动预测等模块组成的基于检测

3、的目标跟踪框架，可以实现长时间、实时的目标检测与追踪，由回归、分类和ReID组成的多分支检测器可以为跟踪器提供更加准确的位置和ReID关联，增强了目标跟踪的性能。然而，由于涉及到多个平台视频信息的汇总及处理，传统的集中化处理方式存在数据传输量大和用户隐私保护等问题。在未来的移动通信网络中，利用边缘计算技术及联邦学习技术，可以构建分布式跨平台视频处理架构。数据不需要集中式的进行汇总，而是由边缘计算平台单独进行处理，仅对特定目标的轨迹和目标特征进行反馈，在免除了视频传输的同时，也有效地保护了非目标物体的隐私。通过联邦学习技术与边缘计算技术的结合，可以有效利用分布式计算资源，避免冗余的数据传输，提升

4、联邦技术技术模型效率。同时分布式的边缘计算平台还可以实现数据的本地计算，有效地保护用户隐私。传统交通信号灯系统采用静态、单点控制，采集交通流相关的数据时存在困难，配时设计依赖人工经验且周期固定，无法感知、预测、协调城市全局的交通流量，导致城市交通易拥堵、人力成本高、出行效率低。运营商在提供移动通信服务的同时，还拥有海量用户的移动轨迹和位置等个人数据，可为交通流量的预测提供数据支撑。在用户个人数据不出局要求下，联邦学习为运营商依托交通行业实现基于位置的应用创新提供了可能。借助于移动通信网络中的联邦学习技术，智慧交通信号灯方案实现交通信号灯配时策略智能化，面向某一区域，运营商和智慧交通平台通过数据准备、联合特征工程、联合模型训练和联合模型推理搭建运营商和交通之间的智慧交通信号灯智能框架，建立基于时间和位置的城市交通信号灯配时与网络数据、业务数据的关系模型，并执行联合推理，生成基于时间和位置的最佳城市交通信号灯配时策略，输出给城市信号灯控制系统，供城市信号灯控制系统参考使用。