3. 联邦学习系统架构与更新流

要理解联邦学习中的“模型更新治理”，必须先看清更新在系统里究竟是怎样产生、怎样流动、又在哪里被改变形态的。联邦学习并不是把数据集中起来训练，而是让模型走到数据所在的位置：客户端在本地用自己的数据训练，把训练得到的更新（而不是原始数据）交给聚合服务器，服务器再把这些更新合成新的全局模型，并把它发回客户端进入下一轮。整条链路上，客户端、服务器、通信轮次和传播路径共同决定了更新的语义、时效与可信边界。

一、系统角色与职责边界

一个典型的联邦学习系统至少包含三类角色。第一类是客户端（Client），通常对应一部手机、一台边缘设备或一个机构节点，它持有本地数据，负责在本地执行若干步梯度下降，产出模型更新。第二类是聚合服务器（Aggregation Server），它不接触原始数据，只接收客户端上传的更新，按聚合算法（如 FedAvg 的加权平均）计算新的全局模型参数，并负责客户端采样、轮次调度与分发。第三类是协调与治理组件，包括身份认证、更新校验、审计日志与安全聚合模块，它们不直接参与训练，却决定了“哪些更新能被接受、以什么形式被接受”。

需要特别强调的是职责边界：客户端只对自己的本地数据负责，服务器只对聚合规则与全局模型负责。原始数据不出域，是联邦学习最基本的约束，也是后续所有更新治理讨论的前提。

二、一次通信轮次中的更新流

联邦学习以“轮次（Round）”为基本时间单位。设第 t 轮开始时全局模型参数为 w_t，一轮的典型过程如下：

1. 客户端采样：服务器从全部 N 个客户端中按比例 C 抽取一个子集 S_t，例如 N=1000、C=0.1，则本轮选中约 100 个客户端。
2. 模型下发：服务器把当前全局模型 w_t 广播给 S_t 中的客户端。
3. 本地训练：每个被选中的客户端 k 用本地数据执行 E 个本地 epoch，得到本地更新 w_t^k，并计算更新量 Δ_k = w_t^k − w_t。
4. 更新上传：客户端把 Δ_k（或本地模型）上传给服务器，可附带样本量 n_k 等元信息。
5. 聚合：服务器按样本量加权平均，得到新的全局模型 w_t+1 = Σ_k∈St (n_k/n) · w_t^k，其中 n = Σ_k n_k。
6. 分发与下一轮：新的全局模型进入第 t+1 轮，重复上述过程，直到达到预设轮数或收敛条件。

这条链路中，更新经历了“本地参数 → 更新量 → 加权平均 → 新全局参数”的形态变化。治理动作往往就插入在这些形态切换的节点上：上传前可做本地差分隐私加噪，上传后可做异常更新检测，聚合时可做鲁棒聚合（如 Krum、Trimmed Mean），聚合后可做模型审计。

三、更新传播路径与通信拓扑

更新传播路径决定了延迟、带宽开销与故障影响范围。常见拓扑有三类：星型拓扑（所有客户端直连中心服务器，最常见，实现简单但服务器是单点瓶颈）、层级拓扑（客户端先汇聚到边缘聚合节点，再上传到中心，适合跨机构、跨地域场景）、去中心化拓扑（客户端之间点对点交换更新，无中心服务器，抗单点故障但一致性难保证）。

在星型拓扑下，一轮的通信开销约为 2 × |S_t| × |w|，即下发与上传各一次。若模型参数量为 10⁷、每参数 4 字节，则单客户端单轮约 40 MB，100 个客户端一轮就是约 8 GB 的双向流量。这个量级直接解释了为什么联邦学习需要通信压缩（量化、稀疏化）与客户端采样策略。

四、更新流的关键参数与观察点

下表给出一组教学示例参数（属于合理假设，用于说明参数之间的相互影响，并非实测结果）：

观察更新流是否健康，可以关注几个信号：全局损失是否随轮次单调下降、客户端更新范数是否出现异常离群值、参与率是否稳定、上传更新与下发模型之间的差异是否在合理范围。若某客户端更新范数远大于同轮其他客户端，往往意味着数据异常或恶意投毒，需要在聚合前拦截。

五、从架构到治理的衔接

把上述架构与更新流放在一起看，可以得到一个清晰结论：联邦学习中的“模型更新”不是单一对象，而是随传播路径不断变换形态的信息载体。它在客户端是本地训练产物，在传输中是可能被压缩、加噪或篡改的数据包，在服务器上是待聚合的向量集合，在全局模型中是历史更新的累积结果。治理的抓手，正是这些形态切换的节点——在客户端出口约束更新内容，在传输与聚合入口校验更新来源与质量，在聚合出口记录更新去向与版本。理解这条路径，后续讨论更新完整性、隐私保护与投毒防御时，才能准确判断“在哪一层、对什么对象、施加什么控制”。