Simulación de sistemas de federated learning en redes móviles 5G

Abstract

El aprendizaje federado permite el entrenamiento colaborativo de modelos de machine learning entre una gran cantidad de dispositivos sin la necesidad de compartir sus datos a un servidor central. Esto se puede mediante el entrenamiento local de modelos en cada cliente, los cuales se envían a un servidor para ser integrados a un modelo global. Este método de aprendizaje se utiliza para aplicaciones en los que se requiere mantener la privacidad de los datos, por ejemplo al entrenar modelos con datos personales del smartphone de un usuario. También se utiliza cuando se tiene una gran cantidad de datos para realizar un entrenamiento eficiente utilizando la capacidad computacional de los mismos clientes. Por otro lado, las redes 5G permiten la comunicación en tiempo real con un gran ancho de banda, lo que tiene diversas aplicaciones en internet de las cosas (IoT), inteligencia artificial, etc. Sin embargo, el diseño, la implementación y el desarrollo de pruebas de estos sistemas posee grandes desafíos. Debido a que se necesita una gran cantidad de clientes para entrenar estos modelos, hacer pruebas con dispositivos físicos en la etapa de prototipado para diseñar una red puede ser costoso, lento y hasta inviable. En este trabajo se propone la simulación de sistemas de aprendizaje federado considerando dos aspectos de simulación principales. En primer lugar, una simulación de red 5G desde la capa física en adelante. Y en segundo lugar, una simulación del entrenamiento de los modelos de aprendizaje federado utilizando librerías de machine learning, como si fuesen entrenados en esta red simulada. Con respecto a los resultados obtenidos, se establece un clasificador de imágenes para el CIFAR-10 el cual se quiere entrenar y se ponen a prueba tres casos distintos de red a simular. Se muestra que la inestabilidad y perdida de paquetes tiene un mayor efecto negativo en el rendimiento de la red que la congestión.