网络智能化目前已成为网络演进和创新的重要方向，在实现AI技术与通信网络深度融合的同时，如何增强数据隐私保护、减少数据大量汇聚带宽开销、提高分布式算力资源利用率是网络智能化所面临的实际问题。联邦学习技术可实现在数据不出域条件下的多方联合AI建模，是平衡数据安全、数据利用以及资源开销的重要途径。
中国移动研究院历经三年多的研究与探索，创新性提出基于联邦学习的分布式智能架构，并正式写入3GPP R18技术标准TS 23.288，实现智能化、联邦学习与通信网络结合的首次突破。
项目团队主导定义了四项关键技术：一是多主体协同训练，制定网络开展联邦学习的通用性流程，完成服务端与客户端间全局模型聚合、本地模型更新的迭代交互，实现网络实体执行联邦学习训练的高效协同；二是网络能力登记，定义网络实体的联邦学习能力描述信息及流程，实现网络对联邦学习服务端、客户端的服务注册和寻址发现；三是动态成员管理，结合网络负载、数据可用性、数据质量等因素，引入多样性、灵活性的联邦学习成员选择机制，成员组可通过服务端选择、客户端主动加入/退出等诸多方式进行动态更新；四是训练策略调优，建立消费者与联邦学习服务端的探询机制，消费者可实时获取联合训练的性能指标等信息，并按需更新训练策略，以优化模型性能。
基于联邦学习的分布式智能架构及关键技术正式写入通信网络国际标准，成为网络智能化的核心使能技术，有助于打破网元、网络乃至行业间的数据壁垒，推进多样化网络智能化应用的落地，使能千行百业。
