面向星地协同网络的联邦边缘学习方法研究

【摘  要】目前地面蜂窝网络无法实现全球广域覆盖，同时抗毁性不高。低轨卫星网络的加入，弥补了地面蜂窝网络的不足。二者协同成为星地协同网络后可以打破两种网络之间互相独立的现状并结合它们的优点，是未来的发展趋势。在对星地协同网络中海量设备产生的大量数据进行分析处理时，易出现隐私信息泄露和数据孤岛问题。为解决上述问题，提出一种包含分层聚合和用户关联策略的联邦边缘学习算法。该算法通过分层聚合来适配星地协同网络，并通过用户关联策略实现时延和模型精度的联合优化。仿真表明，所提出的算法可以使协同网络中进行联邦边缘学习的全过程时延较低，同时可以得到较高的模型测试精度。

【关键词】星地协同网络；联邦学习；边缘计算；联邦边缘学习

0   引言

传统的地面蜂窝网络虽然近年来发展迅速，但仍进入瓶颈期。地球上的陆地面积大约占全球总面积的29%，海洋的面积则占71%。但地面蜂窝网络也无法将陆地面积全部覆盖，仅覆盖全球陆地面积大约20%的范围。对于海洋的覆盖率则更低，仅约5%。没有地面网络覆盖的区域主要是冰川、沙漠、森林等人员稀少的地区。考虑到这些未覆盖网络的地区面积占比很大且这些区域大多人员稀少，在这些区域建设基站性价比较低。此外，建设在地面的基站当面对突然发生的自然灾害时易遭受损坏，从而无法很好提供应急服务。

卫星网络具有时延低、覆盖范围广等优点。并且，低轨卫星（LEO, Low Earth Orbit）具有覆盖范围广、拓扑密集、组网灵活等优点。各个国家也正在积极促进低轨卫星的研究，比如我国的“天启”、“行云”等。卫星网络和地面网络可以互补协同形成星地协同网络。卫星网络尤其是低轨卫星网络和地面网络互补协同起来形成的星地协同网络具有很大的研究价值和发展前景。