天地一体化网络中的分层学习与计算
机器学习
2025-05-16 v2 分布式、并行与集群计算
网络与互联网体系结构
信号处理
摘要
天地一体化网络为提供全球连接带来了巨大希望，特别是在偏远地区，物联网(IoT)设备生成大量有价值的数据，但缺乏地面通信基础设施。传统上，这些海量数据被传输到云服务器进行集中式人工智能(AI)模型训练，这带来了巨大的通信开销和隐私问题。为了解决这个问题，我们提出了一种分层学习与计算框架，该框架利用低轨(LEO)卫星的低延迟特性和地球同步轨道(GEO)卫星的全球覆盖能力，为地面IoT设备上本地训练的模型提供全局聚合服务。由于卫星网络拓扑的时变特性和LEO卫星的能量约束，在LEO卫星上高效聚合来自地面设备的本地模型极具挑战性。通过利用星间连接的可预测性，将空间网络建模为有向图，我们为模型聚合制定了一个网络能量最小化问题，该问题被证明是一个有向斯坦纳树(DST)问题。我们提出了一种拓扑感知的节能路由(TAEER)算法，通过在一个替代有向图上寻找最小生成树形图来解决DST问题。在真实天地一体化网络设置下的大量仿真表明，所提出的TAEER算法显著降低了能耗，并优于基准方法。
引用
@article{arxiv.2408.14116,
title = {Hierarchical Learning and Computing over Space-Ground Integrated Networks},
author = {Jingyang Zhu and Yuanming Shi and Yong Zhou and Chunxiao Jiang and Linling Kuang},
journal= {arXiv preprint arXiv:2408.14116},
year = {2025}
}
备注
Accepted by IEEE Transactions on Mobile Computing