一、引言：为什么要做这个项目？

作为一名嵌入式开发者，我一直对边缘AI和分布式智能充满兴趣。传统的嵌入式AI往往是单个设备运行固定模型，无法适应环境变化，也难以利用多个设备协同学习。而联邦学习（Federated Learning）作为一种保护隐私的分布式训练技术，近年来在云端大放异彩，但移植到资源受限的MCU上却面临巨大挑战：

• 内存小，放不下大型神经网络；

• 计算弱，跑不动复杂的训练算法；

• 实时性要求高，不能因为AI而破坏系统时序。

恰好我最近在玩RT-Thread，它的定时器子系统非常强大——既有高精度的硬件定时器，也有灵活的软件定时器。于是我想：能否用定时器来驱动整个联邦学习流程，让数据采集、本地训练、模型聚合像钟表一样精确运行？ 这个想法催生了本文的项目。

目标：在RT-Thread上实现一个轻量级联邦学习边缘节点，支持：

• 时间同步的训练触发；

• 安全时间窗口限制（防止恶意更新）；

• 节点计算能力动态评估与任务分配；

• 极低内存占用（<10KB RAM）。

经过一个月的摸爬滚打，终于跑通了第一个版本！本文将完整记录开发过程中的技术难点、解决方案和最终成果，希望对同样对嵌入式AI感兴趣的你有所启发。

---

二、项目概述：时间触发的联邦学习节点

整个系统可以看作是一个自组织的分布式智能单元。每个节点都运行相同的代码，通过RT-Thread定时器实现全局时间同步，并在预设的时间窗口内进行本地训练和模型交换。

核心创新点

1. 时间同步训练窗口：所有节点在同一个绝对时间窗口内开始训练，避免因网络延迟导致的异步问题。

2. 安全时间锁：训练只能在由时间同步定时器动态生成的窗口内进行，窗口由当前时间加密签名，防止重放攻击。

3. 动态负载分配：根据各节点的实时计算能力（通过历史训练耗时评估），将神经网络的不同层分配给不同节点计算，实现异构计算资源利用。

4. 内存极致优化：神经网络规模根据MCU资源定制（32×16×4），权重使用float，总RAM占用<10KB。

技术架构图

---

三、技术实现深度解析

3.1 基于RT-Thread定时器的时间同步

要实现“时间触发”，首先需要一个全局一致的时间基准。在RT-Thread中，最简单的就是使用系统Tick（通常为1ms）。我创建了两个周期性软件定时器：

• 同步定时器：每10秒触发一次，广播当前时间并计算下一个训练窗口。

• 训练定时器：每30秒触发一次，但只有在当前时间落在安全窗口内时才执行训练。

代码片段（仅展示框架）：

/* 同步定时器回调 */
static void sync_timeout(void *parameter)
{
    current_time = rt_tick_get();
    // 更新其他节点状态（模拟）
    // 计算下一个训练窗口：start = current + 30s, end = start + 0.5s
    time_lock.start = current_time + TRAINING_INTERVAL;
    time_lock.end = time_lock.start + TIME_WINDOW_MS;
    generate_time_key(time_lock.key);  // 用当前时间生成密钥
}

/* 训练定时器回调 */
static void training_timeout(void *parameter)
{
    now = rt_tick_get();
    if (now < time_lock.start || now > time_lock.end) {
        rt_kprintf("Outside window, skip\n");
        return;
    }
    // 执行本地训练...
}

难点：如何保证所有节点的定时器同时触发？实际上RT-Thread软件定时器基于Tick，不同节点启动时间可能不同，因此同步定时器的作用就是校准：每个节点独立运行，但都根据同步消息计算绝对时间窗口。这比依赖网络同步更简单可靠。

3.2 轻量神经网络：从0实现前向与训练模拟

嵌入式设备跑AI，选型是关键。我设计了一个三层的全连接网络：

• 输入层：32个神经元（模拟32路传感器）

• 隐藏层：16个神经元

• 输出层：4个神经元（对应正常、预警、故障A、故障B）

前向传播用tanh激活+softmax，代码手动实现，未依赖任何AI框架。训练部分为了演示，暂时用随机微调替代真实反向传播（后续可替换为简易SGD）。

内存优化技巧：将权重矩阵定义为静态二维数组，避免动态分配；使用float而非double；只保留全局模型和本地模型两份副本，训练时直接修改本地模型，聚合时再更新全局。

3.3 安全时间锁：轻量级防伪机制

联邦学习的安全问题不容忽视。我设计了一个简单的时间锁：同步定时器每次触发时，根据当前时间生成一个16字节的密钥（使用rand()模拟，实际可用硬件随机数）。训练定时器启动时，必须验证当前时间在锁定的窗口内，且密钥匹配（这里省略了实际加密验证，仅做时间校验）。

虽然简单，但对于资源受限设备，这种基于时间窗口的机制已经能挡住大部分重放攻击。

3.4 动态负载分配：让计算能力强的节点多干活

在training_timeout中，我会收集其他节点的在线状态和计算能力（模拟值），然后打印分配信息。实际工程中，可以将神经网络切分（例如某些层在节点A计算，某些层在节点B计算），但目前仅做概念演示。

---

四、开发过程中遇到的坑与解决方案

4.1 内存爆炸！神经网络太大怎么办？

第一版我尝试了128×64×10的网络，结果编译时直接报错：

region `RAM` overflowed by 56024 bytes

瞬间惊醒——STM32F103只有20KB RAM！于是果断砍网络规模，最终32×16×4，权重加上偏置共约600个float，仅占2.4KB，加上两套模型也就5KB，留足了余量。

4.2 定时器回调里不能做耗时操作

一开始我在训练回调里直接进行完整的神经网络训练（循环1000次），结果导致系统Tick紊乱，其他任务卡死。后来改为只做少量样本的训练（5个），并且保证训练总时间远小于定时器周期。如果真要做大量训练，应该创建低优先级线程来处理。

4.3 函数名写错导致的链接错误

手误把generate_time_key写成了generate_time_lock，链接时找不到符号。排查了半天才意识到。这也提醒我们：命名规范很重要！

---

五、成果展示

5.1 编译信息

使用ARM GCC 5.4.1编译，结果如下：

完全满足STM32F103的硬件限制！

5.2 运行效果

上电后，系统每隔10秒打印一次同步信息，每隔30秒在时间窗口内执行一次训练并输出推理结果：

msh >
[SYNC] Broadcast at 10019 ms
[SYNC] Next training window: 40019 - 40519 ms

[SYNC] Broadcast at 20019 ms
[SYNC] Next training window: 50019 - 50519 ms
[TRAIN] Skipped (outside window)

[SYNC] Broadcast at 30019 ms
[SYNC] Next training window: 60019 - 60519 ms

[SYNC] Broadcast at 40019 ms
[SYNC] Next training window: 70019 - 70519 ms
[TRAIN] Started at 40020 ms
[TRAIN] Inference result: Fault-A
[TRAIN] Distributing sub-tasks to 2 online nodes
[TRAIN] Completed

5.3 FinSH交互命令

我添加了几个实用的命令，方便调试：

• manual_train：手动触发一次训练

• show_nodes：查看模拟的其他节点状态

• show_lock：查看当前时间锁信息

• do_inference：手动推理一次（使用随机传感器数据）

---

六、心得与展望

6.1 项目价值

这个项目虽然还比较初级，但它展示了嵌入式设备也可以参与分布式智能的可行性。通过RT-Thread的定时器，我们将实时性与AI训练完美融合，为工业物联网、智能传感器网络提供了新的思路。

6.2 未来改进方向

1. 真实传感器接入：替换simulate_sensor_data为ADC读取，用于振动、温度等真实故障检测。

2. 真实训练算法：用梯度下降替代随机微调，让模型真正学习。

3. 节点间通信：利用RT-Thread的AT组件或LwIP，实现真实的模型参数交换。

4. 硬件定时器增强：使用硬件定时器获得微秒级精度，实现更严格的时间同步。

5. 模型剪枝与量化：进一步压缩模型，支持更复杂的网络。

6.3 给初学者的建议

• 从简单的网络规模开始，确保内存够用。

• 善用RT-Thread的FinSH，调试神器。

• 分布式系统的核心是时间同步，先确保单个节点时序正确。

---

七、结语

从构思到跑通，前后折腾了一个月，踩了无数坑，但也收获了满满的成就感。现在代码已经在gitcode开源（链接见文末），欢迎star、fork、提PR！

如果你也对嵌入式AI、RT-Thread感兴趣，关注我

一起探索嵌入式AI的无限可能！

附录：完整代码下载
https://gitcode.com/jiarobot/rtthread_demohttps://gitcode.com/jiarobot/rtthread_demo

---

本文为原创技术分享，转载请注明出处。