面向 LEO 卫星物联网的隐私友好频谱定价与功率控制优化
网络与互联网体系结构
2025-06-13 v2 人工智能
摘要
低轨道 (LEO) 卫星系统因能够在偏远地区和孤立地区提供广泛覆盖并保证通信，成为下一代通信网络的重要组成部分。随着 LEO 卫星系统，尤其是 LEO 物联网场景的普及，其频谱资源管理需求日益复杂，因大量服务请求和来自陆地终端的高带宽需求。例如，在向陆地用户租赁频谱并控制上行发射功率时，卫星会收集用于机器学习的用户数据，这些数据通常涉及敏感信息，如位置、预算及服务质量 (QoS) 要求。为在 LEO 物联网中进行模型训练同时保留数据隐私，区块链驱动的联邦学习 (FL) 被广泛采用，利用完全去中心化的架构。本文提出一种结合区块链技术与 FL 的混合频谱定价与功率控制框架。我们首先为 LEO 卫星系统设计一种本地深度强化学习算法，以学习收益最大化的定价与功率控制方案。随后，代理节点协同构成 FL 系统。我们还提出一种基于声誉的区块链，用于 FL 的全局模型聚合阶段。基于声誉机制，系统在每个全局训练轮次中选择一个节点执行模型聚合与区块生成，从而进一步增强网络的去中心化程度并确保可信度。仿真测试评估了所提出方案的性能。结果表明，在保留各代理节点隐私的前提下，本方案能够有效找到 LEO 卫星系统的最大收益方案。
引用
@article{arxiv.2407.00814,
title = {Privacy-Aware Spectrum Pricing and Power Control Optimization for LEO Satellite Internet-of-Things},
author = {Bowen Shen and Kwok-Yan Lam and Feng Li and Li Wang},
journal= {arXiv preprint arXiv:2407.00814},
year = {2025}
}