一种基于异步动态聚合的星地连接密度感知联邦学习方法技术

本发明专利技术公开一种基于异步动态聚合的星地连接密度感知联邦学习方法、系统及存储介质，其方法应用于地面站，包括：S1、开启第i轮更新，向卫星星座中的第i组卫星发送当前全局模型；S2、实时判断存储队列是否满足第一预设条件或当前更新时长是否满足第二预设条件；若是，执行S3；若否，执行S2；S3、提取存储队列中的所有本地数据包并对当前全局模型进行更新；S4、在判断i未达到预设更新轮数时，将所有本地数据包对应的所有卫星作为第i+1组卫星，再将i+1赋值给i后返回S1。本发明专利技术引入异步动态聚合可解决因卫星与地面站的连接密度过于稀疏产生的卫星等待时间长以及因卫星与地面站的连接过于密集产生的卫星计算资源浪费的问题。于密集产生的卫星计算资源浪费的问题。于密集产生的卫星计算资源浪费的问题。

【技术实现步骤摘要】
一种基于异步动态聚合的星地连接密度感知联邦学习方法


[0001]本专利技术涉及地面站应用
，具体是涉及一种基于异步动态聚合的星地连接密度感知联邦学习方法、系统及存储介质。

技术介绍

[0002]随着空间技术的发展，利用卫星进行地球观测的现象越来越普遍。在轨卫星因其计算不受复杂地球表面变化和自然灾害的约束，正在逐步演变成未来计算机系统的新计算范式。在各个学科的努力下，卫星技术取得显著进步并降低了卫星部署价格，其中近地轨道卫星因其返回周期短且成本低而受到广泛关注。
[0003]然而由于技术上的限制，传统的卫星系统无法在轨道上处理数据，只能将包含大量无用信息的数据传输回地面站，然后地面站将数据传输到云计算平台上来训练机器学习模型，此时卫星上下载所有生成的原始图像数据给下游带宽带来巨大的压力。基于此，一些学者提出将联邦学习应用于卫星星座上，但是由于卫星与地面站之间是相对运动的，它们之间的联系是动态变化的，使得联邦学习存在以下问题：其一，当卫星与地面站之间的连接密度过于稀疏时，会导致出现其他卫星花费大量时间等待的问题；其二，当卫星与地面站之间的连接过于密集时，会导致出现大量卫星处于空闲状态而造成计算资源浪费的问题。

技术实现思路

[0004]本专利技术提供一种基于异步动态聚合的星地连接密度感知联邦学习方法、系统及存储介质，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
[0005]第一方面，提供一种基于异步动态聚合的星地连接密度感知联邦学习方法，应用于地面站，所述方法包括：
[0006]步骤100、开启第i轮更新，向卫星星座中的第i组卫星发送当前全局模型；
[0007]步骤200、实时判断存储队列是否满足第一预设条件或者当前更新时长是否满足第二预设条件，所述存储队列用于实时按序缓存接收到的所述卫星星座中的一个卫星所反馈的本地数据包；若是，执行步骤300；若否，执行步骤200；
[0008]步骤300、提取出所述存储队列中的所有本地数据包并对所述当前全局模型进行更新；
[0009]步骤400、在判断i未达到预设更新轮数时，将所述所有本地数据包所对应的所有卫星作为第i+1组卫星，再将i+1赋值给i后返回步骤100。
[0010]进一步地，所述第一预设条件为所述存储队列中当前缓存的本地数据包的数量达到预设缓冲容量。
[0011]进一步地，所述第二预设条件为所述当前更新时长达到预设时间周期的整数倍。
[0012]进一步地，在所述步骤200中，所述卫星为所述第i组卫星中的一个卫星，或者为在前面轮次更新中接收到所述地面站发送的当前全局模型的卫星。
[0013]进一步地，在所述步骤200中，所述卫星所反馈的本地数据包的生成过程包括：
[0014]当所述卫星接收到所述地面站发送的当前全局模型时，记录所述地面站当前的更新轮次；
[0015]通过所述卫星利用接收到的当前全局模型来初始化自身的本地模型，再利用自身的本地数据集对所述本地模型进行训练，以得到最优本地模型；
[0016]将所述最优本地模型、本地数据集大小和所述更新轮次进行数据封装，形成一个本地数据包。
[0017]进一步地，所述步骤300包括：
[0018]根据每个本地数据包记载的更新轮次，计算出每个本地数据包携带的最优本地模型所占的权重值，再结合每个最优本地模型及其所占的权重值对所述当前全局模型进行更新；
[0019]根据每个本地数据包记载的本地数据集大小，将每个本地数据包携带的最优本地模型的损失函数进行加权求和，得到更新后的当前全局模型的损失函数。
[0020]进一步地，所述结合每个最优本地模型及其所占的权重值对所述当前全局模型进行更新，相应的更新公式为：
[0021][0022]其中，w
i
为在完成第i轮更新之后得到的当前全局模型，w
i
‑1为在完成第i
‑
1轮更新之后得到的当前全局模型，α为混合超参数，B为所述所有本地数据包，α
k
为第k个本地数据包携带的最优本地模型所占的权重值，w
k
为第k个本地数据包携带的最优本地模型，τ
k
为第k个本地数据包记载的更新轮次。
[0023]进一步地，所述将每个本地数据包携带的最优本地模型的损失函数进行加权求和，相应的求和公式为：
[0024][0025]其中，f(w
i
)为当前全局模型w
i
的损失函数，m
k
为第k个本地数据包记载的本地数据集大小，m为所述所有本地数据包记载的所有本地数据集大小之和，f
k
(w
k
)为最优本地模型w
k
的损失函数，D
k
为第k个本地数据包所关联的卫星自带的本地数据集，x
k
为本地数据集D
k
中的一个数据，l(w
k
,x
k
)为最优本地模型w
k
对数据x
k
的训练损失。
[0026]第二方面，提供一种基于异步动态聚合的星地连接密度感知联邦学习系统，所述系统包括地面站和卫星星座，所述卫星星座中包含有若干个卫星；
[0027]所述地面站用于开启第i轮更新，向所述卫星星座中的第i组卫星发送当前全局模型；实时判断存储队列是否满足第一预设条件或者当前更新时长是否满足第二预设条件，所述存储队列用于实时按序缓存接收到的所述卫星星座中的一个卫星所反馈的本地数据
包，若否，则继续执行当前的实时判断操作，若是，则提取出所述存储队列中的所有本地数据包并对所述当前全局模型进行更新；判断i是否达到预设更新轮数，若否，则将所述所有本地数据包所对应的所有卫星作为第i+1组卫星，再将i+1赋值给i后返回开启新一轮更新，若是，则结束更新进程；
[0028]任意一个卫星用于在接收到所述地面站发送的当前全局模型时，记录所述地面站当前的更新轮次；利用接收到的当前全局模型来初始化自身的本地模型，再利用自身的本地数据集对所述本地模型进行训练，以得到最优本地模型；将所述最优本地模型、本地数据集大小和所述更新轮次进行数据封装，形成一个本地数据包之后将其反馈给所述地面站。
[0029]第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于异步动态聚合的星地连接密度感知联邦学习方法。
[0030]本专利技术至少具有以下有益效果：通过在应用于卫星星座上的联邦学习中引入异步动态聚合策略，其融合了异步周期性聚合策略和异步缓冲聚合策略，当卫星与地面站之间的连接密度过于稀疏时，使得地面站可以在存储队列未满但因达到预设时间周期而完成一次聚合更新操作，进而缩短其他卫星的更新等待时间；而当卫星与地面站之间的连接过于密集时，使得地面站可以在还没达到预设时间周期时但因存储队列已本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于异步动态聚合的星地连接密度感知联邦学习方法，其特征在于，应用于地面站，所述方法包括：步骤100、开启第i轮更新，向卫星星座中的第i组卫星发送当前全局模型；步骤200、实时判断存储队列是否满足第一预设条件或者当前更新时长是否满足第二预设条件，所述存储队列用于实时按序缓存接收到的所述卫星星座中的一个卫星所反馈的本地数据包；若是，执行步骤300；若否，执行步骤200；步骤300、提取出所述存储队列中的所有本地数据包并对所述当前全局模型进行更新；步骤400、在判断i未达到预设更新轮数时，将所述所有本地数据包所对应的所有卫星作为第i+1组卫星，再将i+1赋值给i后返回步骤100。2.根据权利要求1所述的基于异步动态聚合的星地连接密度感知联邦学习方法，其特征在于，所述第一预设条件为所述存储队列中当前缓存的本地数据包的数量达到预设缓冲容量。3.根据权利要求1所述的基于异步动态聚合的星地连接密度感知联邦学习方法，其特征在于，所述第二预设条件为所述当前更新时长达到预设时间周期的整数倍。4.根据权利要求1所述的基于异步动态聚合的星地连接密度感知联邦学习方法，其特征在于，在所述步骤200中，所述卫星为所述第i组卫星中的一个卫星，或者为在前面轮次更新中接收到所述地面站发送的当前全局模型的卫星。5.根据权利要求1所述的基于异步动态聚合的星地连接密度感知联邦学习方法，其特征在于，在所述步骤200中，所述卫星所反馈的本地数据包的生成过程包括：当所述卫星接收到所述地面站发送的当前全局模型时，记录所述地面站当前的更新轮次；通过所述卫星利用接收到的当前全局模型来初始化自身的本地模型，再利用自身的本地数据集对所述本地模型进行训练，以得到最优本地模型；将所述最优本地模型、本地数据集大小和所述更新轮次进行数据封装，形成一个本地数据包。6.根据权利要求1所述的基于异步动态聚合的星地连接密度感知联邦学习方法，其特征在于，所述步骤300包括：根据每个本地数据包记载的更新轮次，计算出每个本地数据包携带的最优本地模型所占的权重值，再结合每个最优本地模型及其所占的权重值对所述当前全局模型进行更新；根据每个本地数据包记载的本地数据集大小，将每个本地数据包携带的最优本地模型的损失函数进行加权求和，得到更新后的当前全局模型的损失函数。7.根据权利要求6所述的基于异步动态聚合的星地连接密度感知联邦学习方法，其特征在于，所述结合每个最优本地模型及其所占的权重值对所述当前全局模型进行更新，相应的更新公式为：
其中，w
i
为在完成第i轮更新之后得到的当前全局模型，w
i
‑1为在完成第i
‑
...

【专利技术属性】
技术研发人员：许建龙，金梦晴，刘粤龙，徐卓，林健，
申请(专利权)人：汕头大学，
类型：发明
国别省市：