空天一体化网络中联邦学习的编排：自适应数据卸载与无缝切换
分布式、并行与集群计算
2024-08-20 v1
摘要
位于偏远地区的设备通常缺乏发达的地面通信基础设施覆盖。这不仅阻碍它们享受高质量的通信服务，也阻碍了机器学习服务在偏远地区的交付。在本文中，我们提出了一种专门针对空天一体化网络（SAGINs）的新联邦学习（FL）方法来解决这一问题。我们的方法策略性地利用空间和空中层的节点，在FL过程中同时充当（i）边缘计算单元和（ii）模型聚合器，解决了地面设备计算能力有限以及目标区域缺乏地面基站所带来的挑战。我们方法的核心思想是自适应数据卸载和切换程序，其纳入了SAGINs中的各种网络动态，包括入站卫星的移动性、异构计算能力和不一致的覆盖时间。我们分析了方案的延迟，开发了自适应数据卸载优化器，并刻画了所提算法的理论收敛界。实验结果证实了我们的SAGIN辅助FL方法在训练时间和测试准确率方面相较于各种基线的优势。
引用
@article{arxiv.2408.09522,
title = {Orchestrating Federated Learning in Space-Air-Ground Integrated Networks: Adaptive Data Offloading and Seamless Handover},
author = {Dong-Jun Han and Wenzhi Fang and Seyyedali Hosseinalipour and Mung Chiang and Christopher G. Brinton},
journal= {arXiv preprint arXiv:2408.09522},
year = {2024}
}
备注
This paper is accepted for publication in IEEE Journal on Selected Areas in Communications (JSAC)