Enhancing federated learning in massive IoT via contention resolution diversity slotted ALOHA

Abstract

O aprendizado federado é um paradigma promissor para o treinamento colaborativo de modelos de aprendizado de máquina em dispositivos descentralizados. Ao evitar o compartilhamento de dados brutos e sensíveis, este paradigma preserva a privacidade dos usuários e a integridade do sistema. Recentemente, o sucesso dessa abordagem em redes de telecomunicações impulsionou sua aplicação na Internet das Coisas, ambiente onde a segurança de dados é crítica, mas cujos dispositivos possuem restrições severas de processamento e energia. Neste contexto, o desempenho de sistemas de aprendizado federado é sensível à eficiência dos mecanismos de acesso aleatório no canal de comunicação. Protocolos tradicionais, como o Slotted ALOHA (SA), sofrem com colisões frequentes que retardam a convergência do modelo e limitam a escalabilidade da rede. Este trabalho investiga o uso de Contention Resolution Diversity Slotted ALOHA (CRDSA) em cenários de uso massivo de Internet das Coisas. A partir de um mecanismo de controle de acesso baseado em feedback, onde a probabilidade de acesso depende dessa realimentação que estabelece o quão congestionados os canais estão, e com base nisso, adaptamos o CRDSA para maximizar a taxa de sucesso de transmissão (throughput) e reduzir a perda de pacotes durante a etapa de agregação. Resultados de simulação demonstram que o CRDSA acelera significativamente a convergência e reduz a norma do erro em comparação ao SA e ao Polling, especialmente em cenários com disponibilidade suficiente de recursos de rádio. Os resultados indicam que o CRDSA é uma solução escalável e eficaz para redes de Internet das Coisas habilitadas com aprendizado federado.

Abstract: Federated Learning is a promising paradigm for the collaborative training of machine learning models across decentralized devices. By avoiding the exchange of raw and sensitive data, this paradigm preserves user privacy and system integrity. Recently, the success of this approach in telecommunications networks has driven its application in the Internet of Things, an environment where data security is critical, yet devices face severe processing and energy constraints. However, the performance of federated learning systems is highly sensitive to the efficiency of random access mechanisms in the communication channel. Traditional protocols, such as Slotted ALOHA (SA), suffer from frequent collisions that slow down model convergence and limit network scalability. This work investigates the use of Contention Resolution Diversity Slotted ALOHA (CRDSA) in massive Internet of Things scenarios. Leveraging a feedback-based access control mechanism, we adapt CRDSA to maximize throughput and reduce packet loss during the model aggregation phase. Simulation results demonstrate that CRDSA significantly accelerates convergence and reduces the error norm compared to SA and Polling, particularly when sufficient radio resources are available. These findings indicate that CRDSA is a scalable and effective access solution for Federated Learning-enabled Internet of Things networks.