FL-H.IAAC: Um Testbed Heterogêneo para Aprendizado Federado em Borda

• Artur Rozados de Souza UNICAMP https://orcid.org/0009-0004-0804-7572
• Rafael de Oliveira Jarczewski UNICAMP https://orcid.org/0000-0002-2062-8976
• Luis Fernando Gomez Gonzalez UNICAMP https://orcid.org/0000-0001-7131-8989
• Leandro Villas UNICAMP https://orcid.org/0000-0002-3372-3366
• Allan M. de Souza UNICAMP https://orcid.org/0000-0002-5518-8392

DOI: https://doi.org/10.5753/sbrc_estendido.2026.22876

Resumo

Este artigo apresenta o FL-H.IAAC, uma plataforma versátil projetada para automatizar experimentos de Aprendizado Federado (FL) em ambientes físicos de edge computing. A maioria das pesquisas em FL baseia-se em simulações, que falham em capturar restrições reais de hardware. Nossa plataforma orquestra um cluster heterogêneo de Raspberry Pis e NVIDIA Jetsons usando Ansible e o framework Flower. A plataforma possui uma interface web baseada em Streamlit para gerenciar implantações e coletar telemetria de hardware, resultados de treinamento e tráfego de rede simultaneamente. Demonstramos a utilidade da plataforma através de casos de uso que expõem e auxiliam na mitigação de restrições físicas durante o treinamento.

Referências

Bastos, J., Sarmento, E., Villaça, R., and Mota, V. (2024). Mininetfed: Uma ferramenta para emulação e análise de aprendizado federado com dispositivos heterogêneos. In Anais Estendidos do XLII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 57–64, Porto Alegre, RS, Brasil. SBC.

Beutel, D. J., Topal, T., Mathur, A., Qiu, X., Fernandez-Marques, J., Gao, Y., Sani, L., Li, K. H., Parcollet, T., de Gusmão, P. P., et al. (2020). Flower: A friendly federated learning research framework. arXiv preprint arXiv:2007.14390.

Bonawitz, K., Eichner, H., Grieskamp, W., Huba, D., Ingerman, A., Ivanov, V., Kiddon, C., Konečnỳ, J., Mazzocchi, S., McMahan, B., et al. (2019). Towards federated learning at scale: System design. Proceedings of machine learning and systems, 1:374–388.

Božič, J., Faustino, A. R., Radovič, B., Canini, M., and Pejović, V. (2024). Where is the testbed for my federated learning research? In 2024 IEEE/ACM Symposium on Edge Computing (SEC), pages 249–264. IEEE.

De Oliveira Jarczewski, R., Cerqueira, E., Bittencourt, L. F., A. F. Loureiro, A., A. Villas, L., and De Souza, A. M. (2026). Participation is power: Effective approach to dynamic federated learning. In Proceedings of the 18th IEEE/ACM International Conference on Utility and Cloud Computing, UCC ’25, New York, NY, USA. Association for Computing Machinery.

Kairouz, P., McMahan, H. B., Avent, B., and Bellet, e. a. (2021). Advances and open problems in federated learning. Found. Trends Mach. Learn., 14(1–2):1–210.

Maciel, F., de Souza, A. M., Bittencourt, L. F., Villas, L. A., and Braun, T. (2024). Federated learning energy saving through client selection. Pervasive and Mobile Computing, 103:101948.

McMahan, B., Moore, E., Ramage, D., Hampson, S., and y Arcas, B. A. (2017). Communication-efficient learning of deep networks from decentralized data. In Artificial intelligence and statistics, pages 1273–1282. PMLR.

Meyer, B., Pozo, A., Nogueira, M., and Zola, W. (2025). Evaluating federated learning scenarios: Impact of basic parameters and realistic communication in testbeds. In Anais da XXV Escola Regional de Alto Desempenho da Região Sul, pages 167–168, Porto Alegre, RS, Brasil. SBC.

Talasso, G. U., de Souza, A. M., Bittencourt, L. F., Cerqueira, E., Loureiro, A. A. F., and Villas, L. A. (2024). Fedsccs: Hierarchical clustering with multiple models for federated learning. In ICC 2024 - IEEE International Conference on Communications, pages 3280–3285.

Thomaz, G. A., Silva, F. D. d. M., de Souza, L. A. C., Costa, L. H. M., and Campista, M. E. M. (2024). Agata - arquitetura para gerenciamento automático de tarefas de aprendizado federado. In Anais Estendidos do XLII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos (SBRC), pages 121–128. SBC.