我们近日发表于《IEEE Transactions on Mobile Computing》的论文 （Doi:10.1109/TMC.2026.3730669） 提出了 CEBTFL 框架，该文章于2025年4月投稿，历时近一年半，主要应用场景如下：

   手机、摄像头、智能电表、工业传感器等边缘设备每天都会产生大量数据。如果把这些数据全部上传到云端训练 AI 模型，不仅会消耗大量带宽和能量，还可能带来隐私泄露风险。联邦学习提供了一种解决思路：数据留在本地，设备只上传模型更新，由服务器汇总形成全局模型。

     但在移动边缘计算环境中，联邦学习仍面临三类难题：一是模型更新数据量大，通信开销高；二是部分恶意设备或边缘服务器可能上传错误更新，破坏模型训练；三是即使不上传原始数据，攻击者仍可能通过模型更新反推出隐私信息。

      针对这些问题，论文提出了 CEBTFL，即一种通信高效且拜占庭容错的联邦学习框架。它的核心思路是：用压缩后的方向信息代替完整模型更新，并结合多层验证机制识别异常更新，从而同时降低通信成本、增强抗攻击能力和保护数据隐私。

       具体来说，CEBTFL 首先让设备只上传模型更新的方向，而不是完整数值，将通信开销从 32 位浮点信息压缩为 1 位方向信息。为了避免过度压缩导致模型精度下降，它进一步引入历史本地更新和全局更新趋势，对当前上传方向进行修正，使模型在数据分布不均衡的情况下仍能稳定训练。

       其次，CEBTFL 在边缘服务器侧利用少量验证数据，对终端上传的更新方向进行相似度评估，降低异常设备更新的影响。在云端，它又结合真实验证数据和虚拟数据，对不同边缘服务器上传的模型进行一致性判断，从而识别可能被攻击的边缘服务器。与此同时，误差补偿机制会记录并修正压缩带来的偏差，进一步提高模型收敛质量。

      实验结果表明，CEBTFL 在 MNIST、CIFAR-10、PBC 等数据集上能够显著降低通信开销，并在存在恶意设备或恶意边缘服务器的情况下保持较高模型准确率。相比传统联邦学习方法，它更省通信资源；相比简单方向压缩方法，它具有更好的精度和鲁棒性。同时，由于不暴露完整梯度信息，它也能有效降低模型反演攻击带来的隐私泄露风险。

      总体来看，这项研究解决的是边缘智能落地中的关键问题：如何让大量资源受限、环境复杂、存在攻击风险的边缘设备，在不上传原始数据的前提下安全高效地协同训练 AI 模型。CEBTFL 为物联网、工业互联网、车联网和 6G 边缘智能等场景提供了一种兼顾通信效率、系统安全和隐私保护的技术方案。

支持单位：