Federated Learning (FL)是一种能够在保护客户数据隐私的同时进行协同训练的技术，它已经引起了越来越多的关注。然而，传统FL无法适应客户异质性，会存在拖延者而导致培训效率下降，而且仍然容易泄露隐私。为了解决这些问题，本文提出了一个名为RingSFL的新型分布式学习方案，该方案将FL与模型分割机制相结合，以适应客户异质性并保持数据隐私性。

在6G网络中，任务的多样性大大增加，对于那些对延迟敏感的小型任务，基于神经网络的资源管理算法的推理延迟是不可忽视的。神经网络的架构作为一个超参数，通常难以调整。动态神经网络(Dynamic neural network, DyNN)能够根据样本特征按需调整网络结构，从而提高效率。基于此，本文提出了一种基于DyNN的资源管理方法，根据任务的特点动态调整神经网络的深度和宽度，实现推理延迟与计算和通信资源管理性能之间的平衡。

随着网络的快速发展以及用户需求日趋多样化与差异化，未来网络服务需求将不仅限于传输速率、空口时延、移动性、连接密度、频谱效率等传统业务指标，更需要从网络覆盖、定位精度、网络智能水平、成本效率等维度综合考虑，以实现“服务定制化，网络智能化”的关键目标。为此，本课题中提出了一个面向按需服务的空天地一体化网络服务管理架构。该架构由按需服务层、服务分析层和空天地一体化物理网络层组成。目前，本团队主要关注按需服务层及其相关技术细节，并针对其中两大关键技术——异构资源编排技术与云边端协同技术已经做了较为全面的理论分析。