无网络环境下基于联邦学习的移动群智感知框架

为解决传统的MCS任务无法在一些偏远或网络不稳定的地区执行，本文提出了一种新型的模型架构，专门针对那些无网络环境下的MCS任务执行。基于链路QoS感知建立节点之间数据传输机制，用于传输联邦学习参数，同时针对节点间性能以及任务执行时间的差异，对联邦聚合算法进行优化。实验结果表明，本文提出的框架与对应机制的组合，不仅提高了任务执行的效率，还保障了数据的安全性和模型的性能。

移动群智感知(Mobile Crowd Sensing, MCS)，作为物联网的新星，融合了众包思维与移动感知。它以智能终端为感知单元，将数据传送至服务器，挖掘知识以应对大规模任务，尤其是与人类行为相关的挑战。然而，随着MCS 的广泛应用和智能设备数量的爆炸式增长[1]，任务规模扩大、数据量倍增，给服务器带来了数据传输的压力。

为了解决这些问题， 最新的研究开始探索MCS 范式转变的可能性。

移动终端性能的提升使得深度学习在移动终端的部署成为可能，针对智能终端的深度学习模型优化方案不断涌现，使得在移动智能终端上部署分布式训练任务变得可行。在传统的人工智能训练和推理过程中需要共享大量数据，数据的隐私保护引起了人们的高度重视。出于数据安全和隐私保护方面的考虑，用户时常不愿进行数据共享，逐渐形成了数据孤岛[2]。

联邦学习(Federated Learning, FL) [3]是谷歌于2016 年提出的概念，主要用于解决数据孤岛问题。

其核心思想是分布式深度学习，从参与者处收集所需参数而非原始数据来训练模型。通过这种方式， 将数据共享问题转化为模型共享问题，确保参与者的数据不会离开本地，具有保护隐私、提高通信效率的优点。

移动群智感知任务通常依赖于平台和服务器来执行[4]。然而，有些情况下，任务执行者可能会面临脱离平台和服务器的挑战，这时就需要探讨和实施无网络环境下的移动群智感知任务。

在无网络环境下，移动群智感知任务的实施面临着一些特殊的挑战。由于缺乏网络连接，实时数据传输变得不可行，因此就需要参与者之间更多的本地交互和协调机制。参与者之间的沟通和协作不能依赖于网络平台，因此组织者需要设计有效的协作流程和通信策略，确保每位参与者都能够明确自己的角色和任务。

2. 相关工作 MCS 目前是一个重要的研究课题。由于这是一个广泛的研究领域，因此有许多针对这种情况带来的挑战的贡献。

在MCS 收集数据方面，更多的研究关注了收集数据的质量问题，如Wan 等人[5]提出了一种基于区块链的移动群智感知数据声誉方案，可有效降低时延、避免单点故障、保护数据隐私。Mehanna [6]提出了一种检测移动群智感知数据完整性的方法，通过对数据质量的感知来补充数据的缺失值，同时依赖聚类算法来检测数据是否存在异常值。而本文的研究重点则关注如何处理收集到的数据。