Hierarchisches Federated Learning spart Energie bei Unterwasser-Überwachung

Im Internet der Unterwasser‑Dinge ist die Erkennung von Anomalien entscheidend, doch das Training präziser verteilter Modelle gestaltet sich schwierig. Die akustischen Verbindungen sind bandbreitenbeschränkt, energieintensiv und erlauben oft keine direkte Kommunikation von Sensoren zum Oberflächen‑Gateway. Traditionelles flaches Federated Learning stößt hier an zwei Grenzen: teure Langstreckenübertragungen und eingeschränkte Teilnahme, wenn nur ein Teil der Sensoren das Gateway erreichen kann.

Die vorgestellte Lösung nutzt ein dreischichtiges, hierarchisches Federated‑Learning‑Framework, das drei Kernkomponenten kombiniert: eine sensor‑zu‑Fog‑Verknüpfung, die die Machbarkeit berücksichtigt, komprimierte Modell‑Updates und selektive Kooperation zwischen Fog‑Knoten. Dadurch wird die meiste Kommunikation innerhalb kurzer Cluster‑Entfernungen lokalisiert, während der Austausch zwischen Fog‑Knoten nur dann aktiviert wird, wenn kleinere Cluster von nahegelegenen größeren profitieren können.

Ein physikbasierter Unterwasser‑Akustik‑Modell bewertet gleichzeitig Erkennungsqualität, Kommunikationsenergie und Netzwerk‑Teilnahme. In synthetischen Tests mit 200 Sensoren konnten nur rund 48 % direkt das Gateway erreichen, während die hierarchische Architektur die volle Teilnahme über machbare Fog‑Pfad‑Verbindungen gewährleistet. Die selektive Kooperation erreicht die gleiche Erkennungsgenauigkeit wie ein ständiger Inter‑Fog‑Austausch, reduziert jedoch die Energie um 31‑33 %. Durch komprimierte Uploads sinkt der Gesamtenergieverbrauch in Sensitivitätstests um 71‑95 %. Experimente an drei realen Benchmarks bestätigen die Wirksamkeit des Ansatzes.