Efficient Asynchronous Federated Evaluation with Strategy Similarity Awareness for Intent-Based Networking in Industrial Internet of Things

📄 arXiv: 2512.20627v1 📥 PDF

作者: Shaowen Qin, Jianfeng Zeng, Haodong Guo, Xiaohuan Li, Jiawen Kang, Qian Chen, Dusit Niyato

分类: cs.NI, cs.AI

发布日期: 2025-11-28

备注: 13 pages with 7 figures and 4 tables

💡 一句话要点

提出FEIBN框架，通过策略相似感知的联邦学习提升工业物联网意图网络的效率。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 意图网络 工业物联网 联邦学习 策略相似性 大型语言模型

📋 核心要点

  1. 工业物联网中频繁的策略部署和回滚不切实际，集中式策略验证又面临异构性和隐私约束。
  2. FEIBN框架利用LLM对齐用户意图，并设计SSAFL机制，通过策略相似性选择节点进行联邦学习。
  3. 实验结果表明，SSAFL能有效提高模型准确率，加速收敛，并显著降低通信成本。

📝 摘要（中文）

本文提出FEIBN，一个联邦评估增强的意图网络框架，旨在解决工业物联网(IIoT)环境中智能和自动化网络控制的问题。FEIBN利用大型语言模型(LLM)将多模态用户意图对齐为结构化的策略元组，并采用联邦学习在IIoT节点上执行分布式策略验证，无需暴露原始数据。为了提高训练效率并减少通信开销，我们设计了SSAFL，一种策略相似感知的联邦学习机制，该机制基于策略相似性和资源状态选择任务相关的节点，并且仅在更新显著时触发异步模型上传。实验表明，与SemiAsyn相比，SSAFL可以提高模型准确性，加速模型收敛，并降低27.8%的成本。

🔬 方法详解

问题定义：在工业物联网(IIoT)中，如何高效且安全地验证和部署基于意图的网络策略是一个关键问题。传统的集中式策略验证方法无法满足IIoT节点的数据隐私需求，并且频繁的策略部署和回滚在实际应用中成本高昂。现有的联邦学习方法在异构的IIoT环境中，通信开销大，收敛速度慢。

核心思路：本文的核心思路是利用联邦学习进行分布式策略验证，同时通过策略相似性感知机制来优化联邦学习过程。具体来说，首先使用大型语言模型(LLM)将用户意图转化为结构化的策略元组，然后基于策略元组的相似性选择相关的IIoT节点参与联邦学习，最后采用异步模型上传机制减少通信开销。

技术框架：FEIBN框架包含以下几个主要模块：1) 意图解析模块：使用LLM将多模态用户意图转换为结构化的策略元组。2) 策略相似性评估模块：计算不同节点策略元组之间的相似度。3) 节点选择模块：基于策略相似性和资源状态选择参与联邦学习的节点。4) 联邦学习模块：使用SSAFL机制进行分布式模型训练和策略验证。5) 策略部署模块：将验证后的策略部署到相应的IIoT设备。

关键创新：本文最重要的技术创新点是提出了策略相似感知的联邦学习机制(SSAFL)。与传统的联邦学习方法相比，SSAFL能够根据策略的相似性选择相关的节点参与训练，从而提高模型的收敛速度和准确性，并减少通信开销。此外，异步模型上传机制进一步降低了通信成本。

关键设计：SSAFL的关键设计包括：1) 策略相似性度量：使用余弦相似度等方法计算策略元组之间的相似度。2) 节点选择策略：综合考虑策略相似性和节点资源状态（如计算能力、带宽等）选择节点。3) 异步模型上传触发条件：只有当本地模型更新显著时才触发上传，例如，当本地模型参数变化超过预设阈值时。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，SSAFL机制在模型准确率、收敛速度和通信成本方面均优于传统的联邦学习方法。具体来说，与SemiAsyn相比，SSAFL能够将模型准确率提高约5%，加速模型收敛约20%，并降低27.8%的通信成本。这些结果验证了FEIBN框架和SSAFL机制的有效性。

🎯 应用场景

该研究成果可应用于智能制造、智慧城市、智能交通等多种工业物联网场景。通过FEIBN框架，可以实现高效、安全、自动化的网络策略管理，降低运维成本，提高网络性能，并为用户提供更加智能化的服务。未来，该技术有望推动工业物联网的智能化发展。

📄 摘要（原文）

Intent-Based Networking (IBN) offers a promising paradigm for intelligent and automated network control in Industrial Internet of Things (IIoT) environments by translating high-level user intents into executable network strategies. However, frequent strategy deployment and rollback are impractical in real-world IIoT systems due to tightly coupled workflows and high downtime costs, while the heterogeneity and privacy constraints of IIoT nodes further complicate centralized policy verification. To address these challenges, we propose FEIBN, a Federated Evaluation Enhanced Intent-Based Networking framework. FEIBN leverages large language models (LLMs) to align multimodal user intents into structured strategy tuples and employs federated learning to perform distributed policy verification across IIoT nodes without exposing raw data. To improve training efficiency and reduce communication overhead, we design SSAFL, a Strategy Similarity Aware Federated Learning mechanism that selects task-relevant nodes based on strategy similarity and resource status, and triggers asynchronous model uploads only when updates are significant. Experiments demonstrate that SSAFL can improve model accuracy, accelerate model convergence, and reduce the cost by 27.8% compared with SemiAsyn.