CARGO: Carbon‑Aware Gossip für smarte Schifffahrt

In der modernen Schifffahrt wird die Effizienz zunehmend durch kollaborative KI gesteigert. Dabei entstehen Daten an Bord von Schiffen, die oft nur unregelmäßig verbunden sind, über begrenzte Rückverbindungen verfügen und sensible Informationen enthalten. In solch einem Umfeld ist die herkömmliche serverzentrierte Federated Learning‑Architektur, die auf einen erreichbaren Aggregationspunkt und wiederholte Breitband‑Synchronisation angewiesen ist, kaum zuverlässig.

Die neue Arbeit präsentiert CARGO – ein Framework, das das Lernen in zwei Ebenen aufteilt. Der Daten‑Plane führt lokale Optimierungen durch und tauscht dabei komprimierte Gossip‑Nachrichten aus. Der Control‑Plane entscheidet in jedem Lern‑Runde, welche Schiffe teilnehmen, welche Kommunikationsverbindungen aktiviert werden, wie stark die Updates komprimiert werden und wann Wiederherstellungsmaßnahmen eingeleitet werden. Durch diese Aufteilung wird die Kommunikation nicht mehr als bloßer Engpass, sondern als Ressource betrachtet, die gleichzeitig Kohlenstoffkosten, Zuverlässigkeit und langfristige Beteiligung ausbalanciert.

Die Leistungsfähigkeit von CARGO wurde in einem Szenario der vorausschauenden Wartung getestet, das reale Motordaten von Großschiffstransporten und ein auf Mobilitätsdaten basierendes maritime Kommunikationsprotokoll nutzt. Dieses Protokoll simuliert Kundenabstürze, teilweise Teilnahme, Paketverluste und verschiedene Konnektivitätsregime. Trotz dieser anspruchsvollen Bedingungen behält CARGO eine hohe Genauigkeit bei und bleibt robust gegenüber unterschiedlichen Belastungen.

Mit CARGO wird ein natürlicher, ressourcenschonender Ansatz für kollaboratives Lernen in maritimen Netzwerken realisiert. Das Framework bietet eine attraktive Alternative zu serverbasierten Lösungen und ermöglicht gleichzeitig eine nachhaltige, zuverlässige KI‑Anwendung auf See.