卫星群集下的机载联邦学习调度
内容提要
本文综述联邦学习在低轨卫星星座中的应用，涵盖星座内数据处理、地星协同训练及边缘计算框架FedLEO、FedSN、LEOShot、FedSecure和FL-SEC等方案。这些方法通过轨道通信、模型聚合与调度优化，加快收敛、降低通信与能耗，并保持高精度。
延伸解读
联邦学习在低轨卫星星座中的关键挑战
低轨卫星星座面临数据传输受限、稀疏连接、异构计算和内存能力有限、上行速率低以及模型陈旧等问题。这些挑战直接影响联邦学习的训练效率和模型质量。文章提到的FedSN等框架正是针对这些异构性和资源限制进行优化，以实现更高的准确性和较低的计算通信开销。
典型框架的性能提升与代价
文章列举了多个联邦学习框架的性能数据：基于轨道预测和部分聚合的方案在40颗卫星、5个低轨轨道和中轨参数服务器的设置下，训练时间加速29倍，参数服务器通信量减少8倍；地星协同框架减少38.6%训练时间；FL-SEC减少收敛时间近30倍，卫星能耗降至1.38瓦，准确率保持96%。这些提升通常以特定的星座配置和任务为条件，实际部署需考虑场景匹配。
安全与隐私保护的专门设计
FedSecure和FL-SEC等方案专门针对低轨星座的安全联邦学习。FedSecure采用分布式密钥生成和轨道上的模型转发与聚合，以保护卫星数据隐私并减少收敛延迟。FL-SEC则通过个性化学习和轨道模型再训练，在提升效率的同时维持高准确度。这些设计表明，安全机制可以与性能优化协同，但需要针对轨道环境定制。
调度与资源分配的优化方向
文章还提到联合带宽分配和设备调度的解决方案，通过贪心算法和运行时间预算中定向分配带宽的优化模型，在模型精度和训练时间预算之间取得最佳性能。这提示读者，在卫星联邦学习中，通信调度和资源分配是影响整体效率的关键环节，需要与学习算法协同设计。
Q&A
联邦学习在低轨卫星星座中主要解决哪些问题？
联邦学习在低轨卫星星座中主要解决数据传输受限、稀疏连接、图像分辨率限制、异构计算和内存能力、有限的上行速率以及模型陈旧等问题，通过星座内数据处理、地星协同训练和边缘计算框架实现高效训练和通信。
FedLEO框架有什么特点？
FedLEO是一种应用于卫星边缘计算的联邦学习框架，可以快速收敛且不牺牲模型准确度，并优化了通信调度策略。
LEOShot方法如何加速联邦学习收敛？
LEOShot通过三个步骤：合成数据生成、知识蒸馏、虚拟模型重训练，以及与现有方法相比的评估和基准测试，大大加快了联邦学习的收敛速度，并且在精度上与常规的迭代联邦学习方案相当甚至有很大优势。
FL-SEC框架在降低能耗和保持准确度方面表现如何？
FL-SEC框架通过个性化学习和轨道模型再训练等核心组件，有效地减少了联邦学习收敛时间近30倍，并将卫星能耗降低到仅为1.38瓦特，同时保持高达96%的准确度。
基于联邦学习的星座内数据处理方案取得了哪些性能提升？
对于40颗卫星分布在5个低地球轨道上，以及参数服务器在中地球轨道上的星座，相比于基线，训练时间加速29倍，参数服务器上的通信传输量减少了8倍。
FedSecure如何保护卫星数据隐私并减少收敛延迟？
FedSecure采用分布式密钥生成和轨道上的模型转发与聚合两个组件，以保护卫星数据的隐私并减少收敛延迟。
