AsyncFLEO：面向含高空平台的高轨卫星星座的异步联邦学习
机器学习
2022-12-23 v1 分布式、并行与集群计算
网络与互联网体系结构
摘要
低地球轨道（LEO）星座由大量卫星组成，已成为一种“来自天空”的大数据新来源。将此类数据下载到地面站（GS）进行大数据分析需要极高的带宽并伴随较大的传播延迟。联邦学习（FL）提供了一种有前景的解决方案，因为它允许数据保留在原地（从不离开卫星），并且仅需传输机器学习模型参数（在卫星数据上训练得到）。然而，传统的同步 FL 过程在卫星通信（Satcom）场景下训练单个 FL 模型可能需要数天，其瓶颈由掉队卫星引起。本文中，我们提出一种用于 LEO 星座的异步 FL 框架 AsyncFLEO，以提升 Satcom 中的 FL 效率。AsyncFLEO 不仅解决了同步 FL 中的瓶颈（空闲等待），还解决了由掉队卫星引起的模型陈旧问题。AsyncFLEO 利用位于“天空”中的高空平台（HAPs）作为参数服务器，并包含三个技术组件：（1）星环通信拓扑，（2）模型传播算法，以及（3）带有卫星分组与陈旧折扣的模型聚合算法。我们使用 IID 和非 IID 数据进行的广泛评估表明，AsyncFLEO 大幅优于当前最优方法，将收敛延迟缩短 22 倍，并将准确率提高 40%。
引用
@article{arxiv.2212.11522,
title = {AsyncFLEO: Asynchronous Federated Learning for LEO Satellite Constellations with High-Altitude Platforms},
author = {Mohamed Elmahallawy and Tie Luo},
journal= {arXiv preprint arXiv:2212.11522},
year = {2022}
}
备注
2022 IEEE International Conference on Big Data (IEEE BigData 2022), December 2022