面向星地协同网络的联邦边缘学习方法研究

目前地面蜂窝网络无法实现全球广域覆盖,同时抗毁性不高。低轨卫星网络的加入,弥补了地面蜂窝网络的不足。二者协同成为星地协同网络后可以打破两种网络之间互相独立的现状并结合它们的优点,是未来的发展趋势。在对星地协同网络中海量设备产生的大量数据进行分析处理时,易出现隐私信息泄露和数据孤岛问题。为解决上述问题,提出一种包含分层聚合和用户关联策略的联邦边缘学习算法。该算法通过分层聚合来适配星地协同网络,并通过用户关联策略实现时延和模型精度的联合优化。仿真表明,所提出的算法可以使协同网络中进行联邦边缘学习的全过程时延较低,同时可以得到较高的模型测试精度。

融合MEC的星地协同网络:架构、关键技术与挑战

在星地协同网络中引入移动边缘计算(MEC)技术可有效提高用户体验质量和减少网络冗余流量,同时也带来了一些挑战。首先介绍了星地协同网络和MEC技术的基本架构,并讨论了在星地协同网络中引入MEC技术的动机和MEC的部署问题;然后提出了融合MEC的星地协同网络架构,并对其关键技术及典型应用进行了概述和分析;最后总结归纳了融合网络架构中的任务调度、移动性管理等关键挑战和一些开放性研究问题,期望对该领域的后续研究提出可供借鉴的新思路。

边缘计算在星地协同网络中的应用探讨

星地协同网络被认为是一种新兴的网络体系结构,能够适应未来网络中的各类服务与应用。多接入边缘计算(multi-access edge computing,MEC)作为未来移动网络中的一种关键技术,可为星地协同网络提供进一步的服务创新和业务支持。因此,考虑赋予星地协同网络边缘计算能力,使用户能够通过星地协同网络在全球任何地方获得计算服务,从而提高用户体验质量,减少冗余网络流量。具体地,首先对MEC的基本概念和参考架构进行了概述,然后介绍了基于边缘计算技术的星地协同网络体系架构,并详细地讨论了该架构的各逻辑功能组件。最后对边缘计算使能的星地协同网络存在的问题与挑战进行了归纳和展望。