本书围绕无线通信网络中的联邦学习展开。首先介绍联邦学习的兴起，阐述其定义、分类、架构等基础理论。接着详细讲解集中式和去中心化联邦学习的算法原理及实践，包括FedSGD、FedAvg、FedProx等算法，深入探讨联邦学习的隐私保护与攻击防御机制，分析面临的威胁及应对策略。随后聚焦联邦学习优化技术，提出基于智能反射面和Stackelberg博弈等的优化方法。还研究了其在无线网络中的应用，如多智能反射面系数优化和内容流行度预测。最后介绍从联邦学习到联邦分析的拓展，以及无线边缘联邦学习的实战。
本书适合从事无线通信与人工智能融合研究的工程师、科研人员，以及想要了解6G通信技术的读者等学习，也可用作高等院校相关专业的教材及参考书。

第1章 联邦学习基础 001
1.1 人工智能的机遇与挑战 002
1.2 分布式机器学习 005
1.3 6G与联邦学习 011
1.4 联邦学习概述 012
1.4.1 联邦学习的基础概述 013
1.4.2 联邦学习的发展历程 022
1.4.3 联邦学习的应用前景 028
1.4.4 联邦学习的技术挑战 031
1.5 本书组织架构 033
参考文献 036

第2章 集中式联邦学习 039
2.1 联邦随机梯度下降算法——FedSGD 040
2.1.1 算法原理 040
2.1.2 代码实践 044
2.2 联邦平均算法——FedAvg 045
2.2.1 算法原理 045
2.2.2 代码实践 047
2.3 联邦近端优化算法——FedProx 051
2.3.1 算法原理 052
2.3.2 代码实践 055
2.4 总结 060
参考文献 060

第3章 去中心化联邦学习 061
3.1 迭代顺序 063
3.2 联邦架构 065
3.3 网络拓扑 069
3.4 通信机制 072
3.5 安全和隐私 074
3.6 更新范式 078
3.7 开源框架 081
3.8 应用场景 085
3.9 总结 094
参考文献 095

第4章 联邦学习的隐私保护与攻击防御 101
4.1 用户隐私保护 103
4.1.1 参与者、威胁模型和深度隐私 104
4.1.2 防止外部恶意参与者 106
4.1.3 防止恶意服务器 110
4.2 鲁棒性攻击 116
4.2.1 针对模型性能的对抗性攻击 117
4.2.2 非恶意故障模式 125
4.3 总结 127
参考文献 127

第5章 联邦学习优化技术 131
5.1 基于智能反射面辅助的分布式联邦学习优化技术 132
5.1.1 背景 132
5.1.2 系统模型 133
5.1.3 基于贪心算法的用户分组策略 138
5.1.4 仿真分析 140
5.2 联邦学习通信效率优化技术 147
5.2.1 背景 147
5.2.2 系统模型 150
5.2.3 基于Stackelberg博弈的用户调度算法——SCS 153
5.2.4 基于进化理论的无线带宽分配算法 157
5.2.5 仿真分析 160
5.3 总结 169
参考文献 169

第6章 联邦学习在无线网络中的应用 171
6.1 基于联邦学习的多智能反射面系数优化 172
6.1.1 背景 172
6.1.2 系统模型 173
6.1.3 基于联邦学习的反射系数优化算法 177
6.1.4 仿真分析 181
6.2 基于联邦学习的内容流行度预测 185
6.2.1 背景 185
6.2.2 系统模型 186
6.2.3 基于FL-LSTM的流行度预测算法 189
6.2.4 仿真分析 194
6.3 总结 198
参考文献 198

第7章 面向元宇宙的联邦学习 199
7.1 发展背景 200
7.2 相关概念 201
7.2.1 元宇宙 201
7.2.2 人工智能 204
7.2.3 元宇宙中的人工智能 205
7.3 面向元宇宙的联邦学习 206
7.3.1 大数据技术的应用 206
7.3.2 通信技术的应用 211
7.3.3 物联网技术的应用 212
7.3.4 边缘计算技术的应用 220
7.3.5 区块链技术的应用 221
7.3.6 扩展现实技术的应用 222
7.4 总结 223
参考文献 224

第8章 从联邦学习到联邦分析 225
8.1 联邦分析背景 226
8.2 联邦分析相关概念及原理 228
8.2.1 联邦分析的工作架构 229
8.2.2 联邦分析与联邦学习的区别 230
8.3 联邦分析的应用场景 231
8.4 挑战和开放的机遇 233
8.4.1 算法的安全性和隐私性 233
8.4.2 对系统故障的鲁棒性 234
8.4.3 参与激励机制 235
8.4.4 分布式和信任 235
8.5 总结 236
参考文献 237

第9章 无线边缘联邦学习实战 239
9.1 硬件架构 240
9.2 联邦平均算法实战——基于FLOWER框架 245
9.2.1 FLOWER框架简介 245
9.2.2 FedAvg算法实战 246
9.2.3 操作说明 255
9.3 总结 258
参考文献 259

随着深度学习算法与算力基础设施的持续演进，以及海量业务数据在分布式终端上的不断累积，人工智能技术已深度渗透至自动驾驶、医疗辅助诊断、智能制造等诸多垂直领域，成为推动社会生产力变革的核心驱动力。然而，数据驱动的人工智能范式在释放巨大价值的同时，亦引发了严峻的隐私泄露风险。近年来，多起大规模用户数据滥用事件表明，传统的集中式数据采集与处理模式已难以满足日益严格的隐私合规要求。在此背景下，“负责任的人工智能”（Responsible AI）理念应运而生，其核心内涵涵盖算法的公平性、可解释性与隐私保护性。联邦学习正是在这一技术伦理框架下发展起来的一种分布式机器学习范式，其根本目标是在不聚合原始数据的前提下，实现跨节点的协同模型训练。
联邦学习的核心科学内涵在于其独特的优化问题设定。与传统分布式机器学习相比，联邦学习面临更为复杂的系统级挑战。具体而言，联邦学习框架中各计算节点对本地数据享有绝对控制权，节点的计算能力与网络连接状态呈现高度异构性，且不同节点上的数据分布通常不满足独立同分布假设。上述特征使得联邦学习在收敛性分析、通信效率优化、隐私安全保障及系统鲁棒性设计等方面，均呈现出区别于经典分布式优化的独特理论内涵与技术难点。
与传统分布式机器学习假设各节点数据独立同分布（IID）不同，联邦学习面临的首要挑战是统计异构性（Statistical Heterogeneity），即各参与节点的本地数据分布存在显著差异。这种非独立同分布（Non-IID）特性使得各节点以本地数据计算的梯度指向不同的局部最优解，导致全局模型在聚合过程中出现客户端漂移（Client Drift）现象，严重制约全局模型的收敛速度与最终精度。此外，个性化联邦学习（Personalized Federated Learning）作为另一重要研究方向，通过模型插值、元学习或本地微调等技术，使每个客户端在共享全局知识的同时获得适配本地数据分布的个性化模型，从而在全局收敛与本地适配之间取得平衡。
除统计异构性外，系统异构性（System Heterogeneity）是联邦学习面临的另一根本性挑战。参与节点在计算能力、内存容量、电池续航及网络带宽等方面存在显著差异，部分资源受限节点可能因本地训练耗时过长而拖累全局聚合进度。这种设备层面的异构性要求联邦学习算法具备自适应的资源调度能力，能够在统一的模型架构与异构的硬件能力之间寻求最优折中。与此同时，节点的间歇性参与、网络连接的不稳定性以及客户端行为的差异性，进一步加剧了系统设计的复杂性，对联邦学习的可扩展性与鲁棒性提出了更高要求。
联邦学习的收敛性理论研究是理解其优化行为的基础。在独立同分布假设下，联邦平均算法（FedAvg）已被证明可达到与中心化训练相近的性能；然而，在非独立同分布数据环境中，全局目标函数的条件数显著增大，优化过程需要更多的通信轮次方可收敛，甚至在某些极端情形下出现模型发散。近年来，基于二阶信息的牛顿型联邦优化方法以及服务器端自适应优化器（如FedAdam、FedYogi）的发展，为改善非独立同分布场景下的收敛特性提供了新的理论工具。与此同时，去中心化联邦学习（Decentralized Federated Learning）架构消除了中心服务器带来的单点瓶颈，通过 Gossip 协议、随机游走式节点采样或基于网络拓扑的局部聚合实现模型同步；其收敛行为与网络拓扑结构、节点度数分布及数据异构程度密切相关，呈现出与中心化架构截然不同的理论特性。
在隐私保护层面，联邦学习虽避免了原始数据的直接传输，但模型参数的交互仍可能泄露敏感信息。成员推断攻击、属性推断攻击及梯度反转攻击等威胁表明，攻击者可通过分析模型更新重构本地数据的部分特征。为此，研究界构建了多层次隐私防护体系：差分隐私（Differential Privacy）通过在梯度或模型更新中注入经校准的随机噪声，为个体数据提供可量化的隐私保证，客户端级差分隐私可确保模型不泄露特定客户端是否参与了训练过程；安全聚合（Secure Aggregation）利用安全多方计算或同态加密技术，使聚合服务器仅能获取聚合后的结果而无法窥探单个客户端的贡献；可信执行环境（Trusted Execution Environment, TEE）通过硬件隔离机制为聚合运算提供安全飞地，在保障隐私的同时显著降低了密码学操作的计算开销。当前研究趋势正从单一威胁防护向融合差分隐私、安全聚合与拜占庭容错的统一多威胁防御框架演进。
在通信效率层面，联邦学习的高维模型参数在每一轮通信中均需上传至服务器，对无线信道带宽构成了严峻挑战。梯度压缩技术通过量化、稀疏化或低秩近似等手段降低传输开销，其中Top-k稀疏化仅传输梯度中幅值最大的若干分量，SignSGD将梯度压缩为符号信息，而误差反馈机制则通过累积未传输的残差梯度防止信息损失。自适应稀疏量化框架可根据梯度分布动态调整稀疏阈值与量化精度，在将通信开销降低一个数量级的同时保持模型精度。此外，基于空中计算（AirComp）的模型聚合机制利用无线多址信道的信号叠加特性，将多用户的上行传输与加法聚合融为一体，实现了“通信即计算”的范式突破，为大规模联邦学习系统的部署提供了重要的工程路径。
在鲁棒性层面，联邦学习的开放性使其易受拜占庭攻击与数据投毒攻击的威胁。恶意客户端可通过上传精心构造的模型更新操纵全局模型，导致模型性能下降或植入后门。传统的基于坐标中值、截断均值或几何中值的鲁棒聚合规则虽能在一定程度上抵御攻击，但在非独立同分布数据环境下其有效性受限。近年来，基于自适应权重学习、多维声誉评估及草图筛选的防御机制，通过将客户端可靠性评估从二元决策转化为连续的多维信任评价，显著提升了系统在异构数据与部分参与场景下的鲁棒性。
联邦学习的核心价值在于其隐私增强属性。通过将模型训练过程下沉至数据产生端，联邦学习避免了原始数据的跨域传输，这对于医疗影像分析、金融风控建模等敏感数据场景具有不可替代的应用优势。此外，联邦学习天然融合了机器学习、密码学、信息论与无线通信等多学科知识体系，为跨领域协同创新提供了重要的理论交汇点。
与此同时，最大化利用边缘终端设备的分布式计算能力已成为联邦学习发展的另一重要驱动力。随着第五代（5G）移动通信技术的规模化商用及第六代（6G）移动通信技术研究的全面推进，联邦学习与边缘智能的深度融合已成为无线通信领域的前沿方向。6G网络愿景涵盖太赫兹通信、超大规模天线阵列、智能超表面（Reconfigurable Intelligent Surface, RIS）、空天地海一体化覆盖及通感算一体化等关键技术，其 “连接智能”（Connected Intelligence）的核心理念要求网络具备原生的人工智能能力。联邦学习作为实现分布式智能的核心使能技术，能够在数据源近端完成模型训练与推理，显著降低数据传输时延与带宽消耗，为6G网络中的实时决策与智能服务提供底层支撑。
在无线通信环境中部署联邦学习，通信效率与安全性是两项关键制约因素。一方面，模型参数的高频交互对无线信道带宽提出了严苛要求，基于空中计算的模型聚合机制利用无线多址信道的信号叠加特性，可实现 “通信即计算”的一体化设计，有效缓解上行链路拥塞；另一方面，无线信道的开放特性使得模型更新在传输过程中面临窃听与篡改风险，亟需设计融合差分隐私、安全多方计算与可信执行环境的综合防护体系。
本书立足于6G无线通信技术与联邦学习技术的交叉融合，旨在厘清联邦学习相关的基础概念与核心原理，在此基础上梳理其发展脉络、解析其工作机制、归纳其在通信领域的应用方法，并精选典型应用案例，力图构建从基础理论到工程实践的完整技术体系。全书内容组织如下：
第1章系统阐述联邦学习的基础理论与发展脉络，涵盖人工智能发展背景、分布式机器学习框架及6G网络演进趋势，并对联邦学习的核心概念、发展历程、应用前景与技术挑战进行综述。
第2章深入剖析联邦学习的经典算法，包括联邦随机梯度下降（FedSGD）、联邦平均算法（FedAvg）及联邦近端算法（FedProx），从算法原理与代码实现两个维度展开论述。
第3章聚焦去中心化联邦学习，系统讨论迭代顺序、联邦架构、网络拓扑、通信机制、安全隐私、更新范式、开源框架及应用场景等核心议题，涵盖Gossip协议、区块链融合及拓扑感知优化等前沿方向。
第4章围绕联邦学习的隐私保护与攻击防御展开，分析参与者威胁模型、深度隐私保护机制，以及针对模型性能的对抗性攻击与非恶意故障模式，探讨鲁棒聚合、拜占庭容错及后门检测等防御策略。
第5章探讨联邦学习的通信效率优化技术，包括基于智能反射面辅助的分布式联邦学习优化、基于博弈论的用户调度算法及基于进化理论的无线带宽分配方案。
第6章将联邦学习应用于无线网络具体场景，涵盖基于联邦学习的多智能反射面系数优化与基于联邦长短期记忆网络（FL-LSTM）的内容流行度预测。
第7章面向元宇宙场景，探讨联邦学习与大数据、物联网、边缘计算、区块链及扩展现实等技术的融合路径，分析数字孪生驱动的分布式智能架构。
第8章拓展至联邦分析（Federated Analytics），阐述其工作架构、与联邦学习的本质区别、典型应用场景，以及算法安全性、系统鲁棒性、参与激励机制与分布式信任等开放挑战。
第9章从工程实践角度，搭建无线边缘联邦学习的软硬件实现框架，并提供丰富的源码与实例分析。
本书内容编排遵循由浅入深的原则，兼顾零基础入门读者与深耕前沿研发的资深从业者，力图成为贯通信息通信与人工智能两大领域的跨学科著作。本书面向的读者群体较为广泛：通信行业从业者可从中获取分布式机器学习的技术路径与解决方案；人工智能及计算机科学领域读者可了解分布式机器学习方法在通信场景中的落地应用与需求牵引；高等院校通信工程专业师生可将本书作为智能通信方向的教学参考书；科研人员可查阅相关理论技术并探索未来研究方向；一般读者亦可将其作为了解智能通信发展动态的参考读物。
与国内近年出版的联邦学习技术著作相比，本书具有以下特点：作为国内首部系统论述通信领域联邦学习技术的学术专著，本书在全面介绍基础理论的同时，特别注重技术实践，为读者提供大量源码与实例，并以二维码形式进行在线共享；全书跟踪国际联邦学习技术的最新研究进展，提供300余篇联邦学习技术及其在无线通信与网络中应用的参考文献，力求全面、翔实地呈现该领域的研究现状与发展趋势。
本书的主要内容源于作者团队在人工智能与无线通信的交叉领域的长期研究积累，是对团队多年研究工作的系统梳理与总结。本书的研究和出版工作得到了国家自然科学基金（62571450）、陕西省重点研发计划（2025CG-GJHX-15）、航空科学基金、航天科技创新基金、中国科协青年人才托举工程、陕西省科技创新领军人才项目、西北工业大学精品学术著作培育项目、西北工业大学研究生教材建设项目等多个项目的资助。
本书由西北工业大学李立欣教授、林文晟副教授、张可馨博士生合作撰写，李立欣教授负责全书统稿与校对工作。本书的撰写离不开诸多参与研究工作的研究生贡献，先后参与研究工作的有西北工业大学电子信息学院研究生印通、刘海霞、马东徽、翁海鹏、王沛爵、胡海鑫等同学，在此深表感谢！
同时作者对所有为本书提供支持与帮助的机构及个人一并致以诚挚谢意。
由于作者的水平有限，加之本领域技术理论发展迅速，书中难免存在不妥之处，恳请业界专家、学者及广大读者批评指正。

著者
2026年8月