|
 Полный текст
 XML JATS
Аннотация
Аннотация. Одной из ключевых услуг сетей связи шестого поколения является телеприсутствие, предъявляющее повышенные требования к качеству обслуживания. Современным и будущим коммуникационным инфраструктурам характерна высокая степень гетерогенности. В связи с этим обеспечение стабильного уровня качества обслуживания представляет собой сложную задачу, требующую комплексного подхода и инновационных решений. Традиционные методы управления, такие как статическое назначение приоритетов или адаптивные алгоритмы, не обладают достаточной гибкостью, а централизованные подходы машинного обучения сопряжены с рисками конфиденциальности и высокой нагрузкой на сеть. Целью настоящей работы является систематизация и сравнительный анализ методов федеративного обучения, применяемых для прогнозирования и оптимизации качества обслуживания в гетерогенных сетях телеприсутствия. Сущность предлагаемого в статье подхода заключается в авторской классификации методов федеративного обучения, за основу которой взяты два критерия: архитектурная организация и способ адаптации к гетерогенности. Для каждого класса приведены детальные описания, выделены сильные и слабые стороны. Принцип сравнительного анализа строится на сопоставлении подходов по ключевым показателям: точность прогнозирования, скорость сходимости, коммуникационные задержки, конфиденциальность, вычислительная нагрузка на устройства, устойчивость к гетерогенности, сложность реализации и безопасность. Анализ выполнен на основе данных из рецензируемых источников и позволил выявить количественные преимущества сравниваемых показателей (например, сокращение раундов обучения на 1,91--38,89 % и снижение коммуникационных задержек на 9,52--40,00 % для иерархической архитектуры MultiFed). Экспериментальные данные, представленные в анализируемых работах, подтверждают, что федеративное обучение обеспечивает баланс между прогностической точностью, конфиденциальностью и масштабируемостью, причем выигрыш наиболее заметен для устройств с гетерогенными данными. Научная новизна состоит в предложенной классификации методов федеративного обучения и систематизации их преимуществ и ограничений применительно к специфике сетей телеприсутствия, что позволяет обоснованно выбирать архитектуру в зависимости от сценария использования. Практическая значимость определяется сформулированными авторами рекомендациями по выбору методов федеративного обучения для различных условий (региональная гетерогенность, ограниченные ресурсы устройств, жёсткие требования к задержкам), что может быть использовано при проектировании и эксплуатации сетей связи.
Ключевые слова
федеративное обучение, распределенное обучение, телеприсутствие, QoS, гетерогенные сети, 6G, оптимизация задержек, прогнозирование QoS
Библиографическая ссылка на статью
Лаптева Т. В., Мутханна А. С. А. Обзор и сравнительный анализ методов федеративного обучения для оптимизации качества обслуживания в гетерогенных сетях телеприсутствия // Информационные технологии и телекоммуникации. 2026. Т. 14. № 2. С. 25‒36. DOI: 10.31854/2307-1303-2026-14-2-25-36. EDN: LPRJVF
Reference for citation
Lapteva T., Muthanna A. Federated Learning as a Method for Optimizing Service Quality in Heterogeneous Telepresence Networks // Telecom IT. 2026. Vol. 14. Iss. 2. PP. 25‒36. (in Russian). DOI: 10.31854/2307-1303-2026-14-2-25-36. EDN: LPRJVF
|
|
Литература
1. Taghia J., Moradi F., Larsson H., Lan X., Orucu A., Ebrahimi M., et al. Congruent Learning for Self-Regulated Federated Learning in 6G // IEEE Transactions on Machine Learning in Communications and Networking. 2024. Vol. 2. PP. 29--149. DOI: 10.1109/TMLCN.2023.3347680. EDN: VARJVJ
2. Temiz F., Salehi S., Erol-Kantarci M. Edge Learning via Federated Split Decision Transformers for Metaverse Resource Allocation // arXiv.org. 2026. URL: https://ar5iv.labs.arxiv.org/html/2602.16174 (Accessed 30.08.2026)
3. 3GPP TS 22.261 version 18.6.1. 3rd Generation Partnership Project. Technical Specification Group Services and System Aspects. Service requirements for the 5G system. Stage 1 (Release 18).
4. Кучерявый А. Е., Давуд А. А., Волков А. Н., Мутханна А. С. А., Парамонов А. И., Елагин В. С. и др. Сети связи шестого поколения: фрактальные архитектуры, голографические взаимодействия, телеприсутствие, сетевые роботы: учебник для вузов. СПб., Москва, Минск: Питер, 2024. 320 с.
5. Al-Quraan M., Mohjazi L., Bariah L., Centeno A., Zoha A., Arshad K., et al. Edge-Native Intelligence for 6G Communications Driven by Federated Learning: A Survey of Trends and Challenges // IEEE Transactions on Emerging Topics in Computational Intelligence. 2023. Vol. 7. Iss. 3. PP. 957--979. DOI:10.1109/TETCI. 2023.3251404
6. Xu J., Lin J., Li Y., Xu Z. MultiFed: A fast converging federated learning framework for services QoS prediction via cloud--edge collaboration mechanism // Knowledge-Based Systems. 2023. Vol. 268. P. 110463. DOI: 10.1016/j.knosys.2023. 110463. EDN: ORNKNM
7. Setayesh M. Machine learning-based algorithms design for network slicing, federated learning, and 360° video streaming in wireless systems. PhD Thesis. Vancouver: University of British Columbia, 2024. DOI: 10.14288/1.0441439
8. Bragato F., Giordani M., Zorzi M. Federated Reinforcement Learning to Optimize Teleoperated Driving Networks. 2024. DOI: 10.48550/arXiv. 2410.02312
9. Ossongo E., Esseghir M., Merghem-Boulahia L. A multi-agent federated reinforcement learning-based optimization of quality of service in various LoRa network slices // Computer Communications. 2024. Vol. 213. PP. 320--330. DOI: 10.1016/j. comcom.2023.11.015. EDN: OQGADB
10. Song X., Xu B., Zhang X., Wang S., Song T., Xing G., et al. Everyone-Centric Heterogeneous Multi-Server Computation Offloading in ITS with Pervasive AI // IEEE Network. 2023. Vol. 37. Iss. 2. PP. 62--68. DOI: 10.1109/MNET.2023. 10061628. EDN: QWGJYN
11. Li T., Sahu A. K., Zaheer M., Sanjabi M., Talwalkar A., Smith V. Federated Learning: Challenges, Methods, and Future Directions // IEEE Signal Processing Magazine. 2020. Vol. 37. Iss. 3. PP. 50--60. DOI: 10.1109/msp.2020.2975749. EDN: BFBNOW
|
Выпуски журнала 
Статья
Метаданные статьи распространяются по лицензии