Özet
Federe öğrenmede iletişim katmanı çoğunlukla sabit (gRPC) kabul edilir. Bu çalışma aynı FedAvg motorunu gRPC, MQTT, DDS ve QUIC üzerinde fiziksel bir test ortamında çalıştırıp ağa paket kaybı, bant genişliği darboğazı ve bağlantı kesintisi enjekte ederek karşılaştırıyor. Rastgele kayıpta TCP tabanlı katmanlar çökerken DDS tur sürelerini ve paralel verimliliği büyük ölçüde koruyor; QUIC aradaki farkı kapatamıyor. Simülasyonlarda yaygın kullanılan güncelleme düşürme modelinin katmanları doğru sıralayamadığı da gösteriliyor.
Neden önemli?
Federe öğrenmede her istemci modeli kendi verisiyle eğitir ve yalnızca güncellemeyi sunucuya gönderir. Bir eğitim turunun ne kadar süreceği, en yavaş istemcinin güncellemesinin ne zaman ulaştığına bağlıdır. Laboratuvar ağında bu fark görünmez; sahada, örneğin hareket hâlindeki robotlar ya da zayıf bağlantılı uç cihazlar arasında ise iletişim katmanının seçimi eğitimin kendisini belirleyebilir.
Yöntem
Aynı federe ortalama (FedAvg) motoru dört farklı taşıyıcı üzerinde, gerçek cihazlardan kurulu fiziksel bir test ortamında çalıştırıldı. Ağa kontrollü olarak üç tür bozulma enjekte edildi: rastgele paket kaybı, bant genişliği darboğazı ve bağlantının belirli süreyle tamamen kesilmesi. Her koşulda tur süreleri ve paralel verimlilik ölçüldü.
Bulgular
- Rastgele paket kaybı altında TCP tabanlı katmanlarda (gRPC, MQTT) tur süreleri sert biçimde uzadı.
- DDS aynı koşullarda tur sürelerini ve paralel verimliliği büyük ölçüde korudu.
- UDP tabanlı QUIC, kayıp altında TCP'ye göre iyileşme sağlasa da DDS ile arasındaki farkı kapatamadı.
- Simülasyon çalışmalarında sık kullanılan "güncellemeyi düşürme" modeli, katmanları gerçek ölçümlerdeki sıraya koyamadı: iletişimin etkisini incelemek için fiziksel ölçüm gerekiyor.
Ölçüm düzeneği, ham ölçüm dosyaları ve analiz kodu FL-Transport adıyla Zenodo'da açık paylaşıldı.
Anahtar kelimeler
- Federated learning
- Distributed machine learning
- DDS
- gRPC
- MQTT
- QUIC
- Communication middleware
- Fault tolerance
- Quality of service
Atıf
Kutlu, Z. (2026). Communication substrates for distributed machine learning under network disruption: a controlled comparison of DDS, gRPC, MQTT, and QUIC. The Journal of Supercomputing, 82(15), 759. https://doi.org/10.1007/s11227-026-08912-9