[论文解读] Satellite Based Computing Networks with Federated Learning

Hao Chen, Ming Xiao+1 more|arXiv (Cornell University)|Nov 20, 2021

Satellite Communication Systems被引用 8

一句话总结

本文提出在低地球轨道（LEO）卫星通信网络中采用联邦学习（FL），以在保护数据隐私的同时，降低通信开销和延迟。通过在用户设备上进行本地模型训练，并仅通过卫星链路聚合模型更新，该方法在显著减少数据传输量的前提下，实现了与集中式学习相当的学习准确率，尤其在带宽受限的卫星信道中表现更优。

ABSTRACT

Driven by the ever-increasing penetration and proliferation of data-driven applications, a new generation of wireless communication, the sixth-generation (6G) mobile system enhanced by artificial intelligence (AI), has attracted substantial research interests. Among various candidate technologies of 6G, low earth orbit (LEO) satellites have appealing characteristics of ubiquitous wireless access. However, the costs of satellite communication (SatCom) are still high, relative to counterparts of ground mobile networks. To support massively interconnected devices with intelligent adaptive learning and reduce expensive traffic in SatCom, we propose federated learning (FL) in LEO-based satellite communication networks. We first review the state-of-the-art LEO-based SatCom and related machine learning (ML) techniques, and then analyze four possible ways of combining ML with satellite networks. The learning performance of the proposed strategies is evaluated by simulation and results reveal that FL-based computing networks improve the performance of communication overheads and latency. Finally, we discuss future research topics along this research direction.

研究动机与目标

• 解决基于卫星的计算网络在大规模物联网和6G应用中面临的高通信成本和延迟问题。
• 实现在原始数据无法集中收集的LEO卫星星座中，隐私保护的去中心化机器学习。
• 评估联邦学习在LEO卫星通信网络中的可行性与性能，尤其在带宽和延迟受限条件下的表现。
• 识别在卫星网络中部署联邦学习的关键挑战，包括隐私保护、资源管理与通信效率。

提出的方法

• 提出LEO卫星网络中联邦学习的两种运行模式：一种是卫星作为参数聚合器（模式3），另一种是由地面云服务器负责聚合（模式4）。
• 采用联邦平均（FedAvg）框架，用户设备（UE）在多个本地周期内训练本地模型，之后仅将模型参数上传至卫星或云服务器。
• 将通信时间建模为传播延迟与传输时间之和，由于链路速率较高（例如OneWeb的400 Mbps），传输时间可忽略不计。
• 采用基于仿真的评估方法，使用MNIST数据集比较不同联邦学习配置和本地周期数的学习性能。
• 分析本地训练周期数（E）对收敛速度与通信效率的影响，结果表明增加E可减少总通信时间。
• 在系统模型中考虑卫星特有的约束，如星间链路（ISL）延迟和动态卫星可见性。

实验结果

研究问题

• RQ1 如何有效将联邦学习集成到LEO卫星通信网络中，以降低通信开销和延迟？
• RQ2 在LEO卫星通信中，不同联邦学习系统架构（如基于卫星的聚合与基于云的聚合）之间的性能权衡是什么？
• RQ3 在基于卫星的联邦学习中，每轮通信增加本地训练周期数对收敛速度和通信效率有何影响？
• RQ4 在LEO卫星网络中部署联邦学习的关键技术挑战是什么，特别是关于隐私保护、资源分配与带宽限制方面？

主要发现

• 所提出的基于联邦学习的方法在卫星网络中相比基于集中式学习（CL）的方法，显著降低了通信开销。
• 每轮通信中增加本地周期数（E）可减少总通信时间，因为收敛所需的轮次更少。
• 模式4（基于云的聚合）的收敛速度优于模式3（基于卫星的聚合），主要归因于减少了星间链路（ISL）延迟。
• 尽管模式3存在更高延迟，但两种联邦学习模式在MNIST数据集上均实现了相近的测试准确率和模型收敛，证明了其实际可行性。
• 仿真结果证实，联邦学习可在最小化数据传输的同时保持高性能学习效果，适用于带宽受限的卫星环境。
• 本研究识别出隐私泄露、资源利用率不足与通信效率低下等关键挑战，强调了先进压缩与安全聚合技术的必要性。