4. 联邦学习客户端工程

在联邦学习系统中，服务端负责全局模型聚合与调度，而真正产生梯度、消耗算力、暴露隐私风险的部分几乎全部发生在客户端。客户端工程因此不是“把训练脚本塞进手机”这么简单，它需要同时解决四类问题：运行时如何被安全地拉起与隔离、本地训练循环如何与全局轮次对齐、数据加载如何在不破坏隐私的前提下高效供给、以及在内存、电量、网络都受限时如何保证任务可恢复。本节围绕这四类问题展开，并给出可落地的实现结构。

一、客户端运行时的职责边界

客户端运行时是宿主环境与训练逻辑之间的中间层。它向上承接服务端下发的任务描述（轮次号、模型版本、超参数、数据选择策略），向下调用本地数据管道与训练框架，向外负责资源探测、心跳上报、结果加密与上传。一个典型的运行时由五个模块组成：任务接收器、资源探针、数据管道、训练执行器、结果封装器。任务接收器校验任务签名与版本，资源探针读取可用内存、电量、网络类型与充电状态，数据管道按样本 ID 拉取本地分片，训练执行器运行本地 epoch，结果封装器对更新量做量化、加噪或加密后再上传。

运行时必须做“准入判断”：若电量低于阈值、处于计费网络、内存不足或设备温度过高，应拒绝本轮任务并上报原因，而不是强行训练导致进程被杀。准入判断的输入是资源探针的实时读数，输出是 accept / defer / reject 三态决策，defer 表示本轮跳过但保留后续参与资格。

二、本地训练循环与全局轮次对齐

本地训练循环的核心约束是“轮次一致性”：客户端在第 r 轮拿到的全局模型必须与它上传的更新量属于同一版本。实现上，运行时在 TaskSpec 中记录 global_round 与 model_version，训练执行器加载模型后立即校验版本哈希，不一致则拒绝执行并请求重新下发。本地循环通常写成：

for epoch in range(E):
    for batch in data_loader:
        logits = model(batch.x)
        loss = criterion(logits, batch.y)
        loss.backward()
        optimizer.step()
        optimizer.zero_grad()
        if step % checkpoint_interval == 0:
            save_checkpoint(model, optimizer, epoch, step, round_id)

其中 E 是本地 epoch 数，checkpoint_interval 是检查点间隔。E 越大，本地计算越充分，但客户端漂移越严重；工程上常取 E=1~3，并在服务端用学习率衰减或 FedProx 近端项抑制漂移。训练执行器还需处理梯度裁剪，防止个别客户端梯度爆炸污染全局模型。

三、数据加载的隐私与效率平衡

客户端数据加载不能简单使用全局 DataLoader，因为样本只存在于本地。数据管道需要维护本地样本索引表，记录样本 ID、标签分布与可用状态。每轮训练前，管道按服务端下发的样本选择策略（如按类别分层抽样）生成本轮 batch 序列，并保证同一轮内样本不重复。若本地数据量小于 batch size，应做有放回采样或降低 batch size，而不是直接报错退出。

隐私方面，数据管道不应把原始样本写入日志或检查点。检查点只保存模型参数、优化器状态与训练进度元数据，不保存输入张量。若使用差分隐私，噪声注入应发生在梯度或更新量层面，而不是数据加载层，避免破坏训练稳定性。

四、资源约束下的准入与降级策略

资源约束不是单一阈值，而是一组可组合的条件。以下是一份可直接参考的准入判断示例，参数为教学假设值，实际部署需按设备画像调整：

当多个条件同时不满足时，运行时按“reject 优先于 defer”的顺序决策：只要存在 reject 条件，本轮直接拒绝；否则若存在 defer 条件，则延迟参与。这样可避免客户端反复被拉起又失败，浪费电量与调度配额。

五、断点续传的实现要点

移动端训练进程可能被系统回收，断点续传是可用性的底线。检查点应包含：模型参数、优化器动量、当前 epoch 与 step、本轮 global_round、模型版本哈希、已消费样本 ID 集合。恢复时先比对 global_round 与 model_version，若服务端已进入下一轮，则旧检查点作废，重新拉取全局模型；若版本一致，则从 step 偏移继续，并跳过已消费样本，保证同一轮内不重复训练。

综合来看，客户端工程的关键在于把“训练”放进一个受控的运行时里：准入判断决定是否开始，数据管道决定喂什么，训练循环决定怎么算，检查点决定断了怎么办。四者协同，才能在真实设备上稳定完成联邦学习的每一轮参与。