【技术实现步骤摘要】
本专利技术属于联邦学习，特别涉及低轨卫星网络中基于服务器跳转的联邦学习方法及系统。
技术介绍
1、针对地面网络的固有限制，如偏远地区覆盖有限和容易发生网络拥塞，低轨卫星网络扩大了覆盖范围，支持实时通信，超越了传统地面网络的限制，促进各类实际应用。最近，由于其数据隐私、能力和效率，在低轨卫星网络中利用联合学习解决任务引起了极大关注。然而，在联邦学习中，服务器需要等待接收完所有用户的模型参数才能进入新一轮。由于产生时延最大的用户(掉队者)的存在，严重影响了联邦学习的整体效率，明显降低系统性能。低轨卫星网络因卫星轨道低、通信时延较小备受青睐。然而，这些优势伴随着卫星在地球上空快速移动，导致网络拓扑随时间变化，尤其是在大型星座中。卫星从一个地理位置移动到另一地，卫星之间通信距离会变化，掉队者也可能在不断变换，影响联邦学习的整体性能。随着对支持大量低时延应用的需求逐渐增加，解决这一问题变得至关重要。
2、针对低轨卫星的动态拓扑问题，现有研究考虑进行部分聚合以降低通信成本，加速模型收敛过程。同时，也有学者提出了周期聚合来减少低轨卫星稀疏连接的空闲状态周期，以提高收敛速度。然而，相关工作通常假设服务器卫星不变，这导致动态拓扑结构中，用户和服务器的位置会随着时间的推移而变化，带来的路径传播时延对效率产生重大影响。
技术实现思路
1、本专利技术的目的在于提供低轨卫星网络中基于服务器跳转的联邦学习方法及系统，以解决现有技术中用户和服务器的位置会随着时间的推移而变化，带来的路径传播时延对效率
2、为实现上述目的，本专利技术采用以下技术方案：
3、第一方面，本专利技术提供低轨卫星网络中基于服务器跳转的联邦学习方法，包括：
4、将地面设备数据传送至对应的用户卫星，将选定的服务器卫星和时延最低的备选服务器卫星的信息发送至用户卫星；
5、用户卫星收到服务器卫星的信息后，基于本地数据集对本地模型进行训练，将训练完成后的本地模型参数发送至下一轮的服务器卫星；
6、服务器卫星将所有接收到的本地模型参数进行聚合形成全局模型参数，循环上述3个阶段直至全局模型收敛或中止。
7、进一步的，将选定的服务器卫星和备选服务器卫星的信息发送至用户卫星：
8、在选定的服务器通过星间链路将全局模型参数分发至所有的用户卫星时，也将备选服务器卫星的信息随路发送；在联邦学习初始阶段，需要预先指定初始服务器卫星的值。
9、进一步的，采用随机梯度下降算法基于本地数据集对本地模型进行训练。
10、进一步的，使用mnist数据集作为训练数据，以完成手写体数字图像的识别任务，该数据集包含10000张手写体数字图像，数字范围从0到9，每种数字图像个数均为1000；将数字0到9的图像数据分别分配给了10个地面设备同时对应10个用户卫星；训练集由700个图像组成，其余图像用于验证与测试，服务器卫星中的测试集与验证集由所有用户卫星的测试集组成；所有用户卫星均利用具有动量的小批量随机梯度下降法进行训练，学习因子为0.001，不随训练次数改变，训练次数epoch为10，小批量大小为100，且每轮训练前对训练集进行随机排列，整个联邦学习进行300轮。
11、进一步的，本地与全局模型包含1个输入层、2个卷积层、2个池化层和1个由10个神经元组成的全连接层。
12、进一步的，将地面设备数据传送至对应的用户卫星：
13、每个地面设备的特定类型的数据集，提前通过星地上行链路发送至相应的用户卫星，当两颗低轨卫星相互视距可见时，就认为存在星间链路。
14、进一步的，低轨卫星网络使用dijkstra算法创建路由表，其中路径权重由欧几里得距离决定，在用户和服务器卫星之间的路由路径上的中间节点上不考虑处理时延。
15、第二方面，本专利技术提供低轨卫星网络中基于服务器跳转的联邦学习系统，包括：
16、服务器选择及参数分发模块，用于将地面设备数据传送至对应的用户卫星，将选定的服务器卫星和时延最低的备选服务器卫星的信息发送至用户卫星；
17、用户服务器本地模型训练模块，用于用户卫星收到服务器卫星的信息后，基于本地数据集对本地模型进行训练，将训练完成后的本地模型参数发送至下一轮的服务器卫星；
18、全局模型聚合模块，用于服务器卫星将所有接收到的本地模型参数进行聚合形成全局模型参数，循环上述3个阶段直至全局模型收敛或中止。
19、第三方面，本专利技术提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现低轨卫星网络中基于服务器跳转的联邦学习方法的步骤。
20、第四方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现低轨卫星网络中基于服务器跳转的联邦学习方法的步骤。
21、与现有技术相比，本专利技术有以下技术效果：
22、本专利技术考虑低轨卫星网络拓扑变化快特点，将服务器跳转应用在低轨卫星网络的联邦学习架构中，每一轮选择不同的服务器作为聚合节点，考虑不同卫星计算能力及路由路径上的传播时延，选择掉队者时延最小的服务器，相比于其他策略，最大程度上降低了掉队者时延，提升了联邦学习的整体效率。
本文档来自技高网...【技术保护点】
1.低轨卫星网络中基于服务器跳转的联邦学习方法，其特征在于，包括：
2.根据权利要求1所述的低轨卫星网络中基于服务器跳转的联邦学习方法，其特征在于，将选定的服务器卫星和备选服务器卫星的信息发送至用户卫星：
3.根据权利要求1所述的低轨卫星网络中基于服务器跳转的联邦学习方法，其特征在于，采用随机梯度下降算法基于本地数据集对本地模型进行训练。
4.根据权利要求3所述的低轨卫星网络中基于服务器跳转的联邦学习方法，其特征在于，使用MNIST数据集作为训练数据，以完成手写体数字图像的识别任务，该数据集包含10000张手写体数字图像，数字范围从0到9，每种数字图像个数均为1000；将数字0到9的图像数据分别分配给了10个地面设备同时对应10个用户卫星；训练集由700个图像组成，其余图像用于验证与测试，服务器卫星中的测试集与验证集由所有用户卫星的测试集组成；所有用户卫星均利用具有动量的小批量随机梯度下降法进行训练，学习因子为0.001，不随训练次数改变，训练次数epoch为10，小批量大小为100，且每轮训练前对训练集进行随机排列，整个联邦学习进行300轮。
5.根据权利要求3所述的低轨卫星网络中基于服务器跳转的联邦学习方法，其特征在于，本地与全局模型包含1个输入层、2个卷积层、2个池化层和1个由10个神经元组成的全连接层。
6.根据权利要求1所述的低轨卫星网络中基于服务器跳转的联邦学习方法，其特征在于，将地面设备数据传送至对应的用户卫星：
7.根据权利要求6所述的低轨卫星网络中基于服务器跳转的联邦学习方法，其特征在于，低轨卫星网络使用Dijkstra算法创建路由表，其中路径权重由欧几里得距离决定，在用户和服务器卫星之间的路由路径上的中间节点上不考虑处理时延。
8.低轨卫星网络中基于服务器跳转的联邦学习系统，其特征在于，包括：
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述低轨卫星网络中基于服务器跳转的联邦学习方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述低轨卫星网络中基于服务器跳转的联邦学习方法的步骤。
...【技术特征摘要】
1.低轨卫星网络中基于服务器跳转的联邦学习方法，其特征在于，包括：
2.根据权利要求1所述的低轨卫星网络中基于服务器跳转的联邦学习方法，其特征在于，将选定的服务器卫星和备选服务器卫星的信息发送至用户卫星：
3.根据权利要求1所述的低轨卫星网络中基于服务器跳转的联邦学习方法，其特征在于，采用随机梯度下降算法基于本地数据集对本地模型进行训练。
4.根据权利要求3所述的低轨卫星网络中基于服务器跳转的联邦学习方法，其特征在于，使用mnist数据集作为训练数据，以完成手写体数字图像的识别任务，该数据集包含10000张手写体数字图像，数字范围从0到9，每种数字图像个数均为1000；将数字0到9的图像数据分别分配给了10个地面设备同时对应10个用户卫星；训练集由700个图像组成，其余图像用于验证与测试，服务器卫星中的测试集与验证集由所有用户卫星的测试集组成；所有用户卫星均利用具有动量的小批量随机梯度下降法进行训练，学习因子为0.001，不随训练次数改变，训练次数epoch为10，小批量大小为100，且每轮训练前对训练集进行随机排列，整个联邦学习进行300轮。
5.根据权利要求3所述...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。