通过平面内模型传播与汇聚卫星调度优化低地球轨道卫星星座中的联邦学习
机器学习
2023-02-28 v1 网络与互联网体系结构
摘要
卫星技术的最新进展使得大量小卫星被发射至低地球轨道(LEO)以收集如地球观测影像等海量数据。传统方式将这些数据下载至地面站(GS)来训练机器学习(ML)模型，由于LEO卫星与GS间的带宽限制与间歇性连接而并不理想。另一方面，卫星边缘计算(SEC)允许每颗卫星在星上训练ML模型并仅将模型上传至GS，这似乎是一个有前景的概念。本文提出FedLEO，一种实现SEC概念并克服现有基于联邦学习(FL)方案局限性（收敛慢）的新型FL框架。FedLEO（1）以卫星间发生模型传播的“水平”平面内通信路径扩充常规FL的星型拓扑；（2）利用卫星轨道模式的可预测性，最优调度“汇聚(sink)”卫星与GS间的通信。我们广泛评估FedLEO并将其与最先进水平基准比较。结果表明，FedLEO大幅加快FL收敛，且不牺牲——事实上显著提升——模型精度。
引用
@article{arxiv.2302.13447,
title = {Optimizing Federated Learning in LEO Satellite Constellations via Intra-Plane Model Propagation and Sink Satellite Scheduling},
author = {Mohamed Elmahallawy and Tie Luo},
journal= {arXiv preprint arXiv:2302.13447},
year = {2023}
}
备注
2023 IEEE International Conference on Communications (ICC 2023)