【技术实现步骤摘要】
本专利技术涉及卫星通信，尤其涉及一种基于数据相似度分组的卫星网络联邦学习方法以及一种基于数据相似度分组的卫星网络联邦学习系统。
技术介绍
1、随着卫星互联网的快速发展，卫星网络安全问题日益突出。网络攻击者可能通过发起ddos攻击、数据窃取等恶意行为来破坏卫星网络的正常运行，严重威胁空间基础设施的安全。因此，开发高效的卫星网络恶意流量检测系统具有重要意义。
2、目前，机器学习特别是深度学习技术在网络流量异常检测领域取得了显著成果。然而，将传统的集中式机器学习方法直接应用于卫星网络面临以下挑战:
3、1.数据隐私问题：卫星网络流量数据可能涉及敏感信息，不适合直接传输到中心服务器进行训练。
4、2.通信开销大：卫星节点之间的通信带宽有限，频繁传输大量训练数据会导致巨大的通信开销。
5、3.计算资源受限：卫星节点的计算能力和能源供应都很有限，难以支持复杂模型的本地训练。
6、4.数据分布不均：不同轨道、不同位置的卫星节点采集到的流量数据分布可能存在较大差异。
7、联邦学习作...
【技术保护点】
1.一种基于数据相似度分组的卫星网络联邦学习方法，其特征在于，包括：
2.根据权利要求1所述的基于数据相似度分组的卫星网络联邦学习方法，其特征在于，所述选择所述轨道中的其中一个卫星节点作为协调者，遍历卫星节点作为源节点，并按照节点之间相似度进行分组，具体过程包括：
3.根据权利要求2所述的基于数据相似度分组的卫星网络联邦学习方法，其特征在于，还包括：
4.根据权利要求2所述的基于数据相似度分组的卫星网络联邦学习方法，其特征在于，所述以各分组的源节点作为代表节点，执行预设轮次本地训练，并在训练完成后选择相邻节点作为新的代表节点继续轮换...
【技术特征摘要】
1.一种基于数据相似度分组的卫星网络联邦学习方法，其特征在于，包括：
2.根据权利要求1所述的基于数据相似度分组的卫星网络联邦学习方法，其特征在于，所述选择所述轨道中的其中一个卫星节点作为协调者，遍历卫星节点作为源节点，并按照节点之间相似度进行分组，具体过程包括：
3.根据权利要求2所述的基于数据相似度分组的卫星网络联邦学习方法，其特征在于，还包括：
4.根据权利要求2所述的基于数据相似度分组的卫星网络联邦学习方法，其特征在于，所述以各分组的源节点作为代表节点，执行预设轮次本地训练，并在训练完成后选择相邻节点作为新的代表节点继续轮换训练，具体过程包括：
5.根据权利要求4所述的基于数据相似度分组的卫星网络联邦学习方法，其特征在于，所述在完成预设轮次迭代训练后，由协调...
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。