基于AirComp的分布式CNN推理资源调度研究

来源：电子与信息学报杂志2025年第7期北京时间：

作者：刘乔寿, 邓义锋, 胡昊南, 杨振巍

单位：1.重庆邮电大学通信与信息工程学院 重庆 4000652.先进网络与智能互联技术重庆市高校重点实验室 重庆 4000653.泛在感知与互联重庆重点实验室 重庆 400065

摘要：在传统AirComp系统中，汇聚节点接收到来自不同发送端的信号相位是否严格对齐将直接影响AirComp的计算精度，将AirComp引入分布式联邦学习和分布式推理系统中，由于相位对齐问题造成的计算误差则会导致模型训练精度和推理精度下降。目前，现有的AirComp分布式联邦学习和分布式推理系统，无论在训练还是推理过程中，基本上都未考虑信道对模型性能的影响，导致其推理精度远低于本地训练和推理的结果，这一点在低信噪比时表现得尤为突出。该文提出了一种MOSI-AirComp系统，其中同一轮参与计算的发射信号来自同一节点，因此可以忽略信号的相位对齐问题。此外，该文设计了一种双支路训练模型，上支路基于原始模型的基础上添加Loss层模拟信道干扰，而下支路保持原始的网络模型结构用于推理任务，以实现更好的抗衰落和抗噪声能力。该文还提出了一种基于权重的功率控制方案和路径选择算法，根据节点间距离和模型权重选择最优的传输回路，并将模型权重作为功率控制因子的一部分来调节传输功率，以此实现卷积过程中的乘法操作，同时利用AirComp的叠加特性完成加法操作，从而实现空中卷积。仿真结果证明了MOSI-AirComp系统的有效性。与传统模型相比，双支路训练模型在小尺度衰落场景下，MNIST数据集和CIFAR10数据集在不同信噪比下的推理精度分别提高了2%～18%和0.4%～11.2%。

关键词：空中计算(AirComp), 分布式推理, 卷积神经网络(CNN), 功率控制

基金资助：重庆市教委科学技术研究计划重大项目(KJZD-M202400602, KJZD-K202200604)，重庆市自然科学基金面上项目(CSTB2024NSCQ-MSX0731)