基于混合 NOMA-OFDM 的 LEO 卫星网络与 HAP 集成的高效通信联邦学习
机器学习
2024-02-19 v2 人工智能
分布式、并行与集群计算
摘要
太空人工智能对政府、企业和社会变得越来越重要，有时甚至是必不可少的。该任务下的一个活跃研究课题是将联邦学习（FL）与卫星通信（SatCom）相结合，使众多低地球轨道（LEO）卫星能够协同训练机器学习模型。然而，SatCom 的特殊通信环境导致 FL 训练过程非常缓慢，长达数天甚至数周。本文提出了一种为 LEO 卫星量身定制的新型 FL-SatCom 方法 NomaFedHAP，该方法 (1) 利用高空平台（HAP）作为分布式参数服务器（PS）以增强卫星可见性，(2) 将非正交多址接入（NOMA）引入 LEO 以实现快速且带宽高效的模型传输。此外，NomaFedHAP 包括 (3) 一种利用 HAP 桥接不同轨道间卫星以减轻多普勒频移的新型通信拓扑，以及 (4) 一种在不同轨道和壳层之间优化平衡模型的新型 FL 模型聚合方案。此外，我们 (5) 推导了近壳层和远壳层卫星以及整个系统的中断概率的闭式表达式。我们广泛的仿真验证了数学分析，并证明了与最先进技术相比，NomaFedHAP 在实现快速高效的 FL 模型收敛方面具有卓越的性能和高精度。
引用
@article{arxiv.2401.00685,
title = {Communication-Efficient Federated Learning for LEO Satellite Networks Integrated with HAPs Using Hybrid NOMA-OFDM},
author = {Mohamed Elmahallawy and Tie Luo and Khaled Ramadan},
journal= {arXiv preprint arXiv:2401.00685},
year = {2024}
}