光 inter-LEO 卫星星座中联邦学习的边缘选择与聚类
机器学习
2023-04-11 v2 网络与互联网体系结构
信号处理
摘要
低地球轨道（LEO）卫星因其能收集大量图像或传感器数据，已繁荣部署于各类地球观测任务。然而传统上数据训练过程在地面云服务器执行，导致高传输开销。随着 LEO 的最新发展，为超密集 LEO 星座提供增强的星上计算能力愈发迫切。得益于此，我们提出了一种面向低地球轨道的协同联邦学习（FELLO）。我们将全过程分配于 LEO 上，仅使用低载荷星间传输，而低延迟地面网关服务器（GS）仅负责初始信号控制。GS 初始选择一个 LEO 服务器，其 LEO 客户端则通过光星间链路（ISL）由聚类机制与通信能力共同确定。当 FELLO 通信质量较低时，将对变更的 LEO 服务器执行重新聚类。在仿真中，我们基于实际 Walker 式 LEO 星座配置及 MNIST 训练数据集（用于分类任务）对所提 FELLO 进行了数值分析。所提 FELLO 优于传统集中式与分布式架构，具有更高分类精度及可比较的更低通信计算联合时延。
引用
@article{arxiv.2303.16071,
title = {Edge Selection and Clustering for Federated Learning in Optical Inter-LEO Satellite Constellation},
author = {Chih-Yu Chen and Li-Hsiang Shen and Kai-Ten Feng and Lie-Liang Yang and Jen-Ming Wu},
journal= {arXiv preprint arXiv:2303.16071},
year = {2023}
}