移动网络中的联邦 LLM：RAN 传输层的问题与方案

arXiv 论文指出，面向移动网络边缘的联邦 LLM 微调会产生跨接入网与传输网、周期性强且对时延敏感的上行流量。传统传输网把同一学习轮中来自不同 UE 的更新视为彼此独立的设备流，忽略其共享目的地与截止时间，导致资源难以高效配置。作者主张让未来 RAN 充当学习感知的流量整形器，在 gNB 侧做网内聚合，把异步更新合并为数量更少、大小与交付要求可控的聚合传输，使其适配光路交换等可按需调度的光传输。

论文改变了对联邦学习流量的建模方式：此前网络把设备上传视为互不相关的独立流，而该工作强调同一学习轮内更新具有共同目的地和截止时间，可被聚合与调度。这一视角让光路交换和全光传输等依赖可预测需求的传输技术，首次有明确理由参与联邦 LLM 微调的承载。

机制在于把分布式模型适配的通信结构从应用层暴露给传输层：gNB 先按学习轮聚合多个 UE 的异步更新，将其转化为少量有界大小的聚合传输，并利用学习轮的间歇窗口建立高容量光路、在轮次之间释放。这样既保留分组化移动接入的灵活性，又引入动态配置的光容量，缓解无线波动、移动性和设备异构造成的到达不同步问题。

对产品与研发的直接含义是：联邦 LLM 微调的客户端上报协议需携带学习轮标识与截止时间等元数据，边缘 gNB 需具备聚合适配层，传输侧则要支持按学习轮动态建拆的光连接。成本与体验取决于聚合能否减少上行传输次数并在截止时间内完成，否则模型更新可能因调度延迟而失效。

• 在边缘 gNB 或 MEC 节点提供联邦更新聚合中间件，按学习轮合并多设备上传并暴露给传输调度器
• 为联邦 LLM 微调设计带轮次标识与截止时间的上报协议，并配套聚合窗口的调度接口
• 面向运营商验证学习轮感知的动态光路建拆方案，量化聚合传输对上行资源与完成时间的改善

• 网内聚合在 gNB 侧对内存、算力与时延的具体开销尚未给出
• 聚合传输的规模、频率及对模型收敛的影响未有实证数据
• 光路按学习轮建拆的切换时延能否满足更新截止时间仍待验证
• 该架构对现有 RAN 与传输设备改造范围与标准化路径不明确