Page 339 - 《软件学报》2026年第1期

336 软件学报 2026 年第 37 卷第 1 期

(3) 卫星联邦学习
集中式机器学习方法在卫星边缘计算中的应用虽然受到广泛关注, 但存在诸多局限性. 首先, 集中式方法依赖
参数服务器收集训练样本, 导致大量数据传输并引发严重的通信延迟问题. 其次, 传统集中式方法难以有效保障设
备的数据隐私安全. 为了解决这些问题, 研究人员提出了分布式学习算法, 通过本地训练实现设备间的协同建模.
在此背景下, 基于星地联邦学习系统应运而生. 该系统将联邦学习这一协作式机器学习范式引入低轨卫星星座与
地面站的协同网络. 如图 3 所示, 其具体设计如下: 将卫星作为端侧节点, 地面站作为服务器; 在参数服务器架构
下, 卫星与地面站协同完成机器学习模型的训练. 基于星地的联邦学习系统为低轨卫星边缘计算提供了一种高效、
隐私保护的解决方案, 该系统不仅支持大规模星座协同, 还能够有效降低通信成本并保障卫星数据的隐私安全.

卫星 地面站 卫星轨道 模型聚合
卫星在轨训练调整

星-地链路

全局模型
地面站全局聚合更新
(a) 卫星星座 (b) 卫星-地面站协同提升性能
图 3 星地联邦学习示意图

此前研究主要致力于缓解卫星异构性带来的挑战, 尤其是同步或异步联邦学习算法中可能存在的滞后与过时
问题. 例如, So 等人 [56] 通过设置自适应聚合缓存维护聚合参数的新鲜度, 从而提升了系统精度. 针对地面与卫星之
间带宽有限导致的协同训练低下问题, 已有研究提出了自适应感知带宽变化的方法, 动态选择对模型有益的参数
进行传输, 以提升模型收敛速度和协同训练效率 [57–61] . 为降低通信成本, 现有神经量化方法主要聚焦于减少冗余梯
度信息的传输, 例如使用 int-8 或 int-4 替代默认的 float-32 精度. Yang 等人 [58] 提出了精度优先的联邦量化训练算
法, 有效支持地星动态连接场景下的在轨卫星训练. 此外, 针对单个卫星在资源受限、样本不足导致的学习效率低
下, 以及低轨卫星网络的时空约束带来的协同训练困难问题, Zhang 等人 [61] 提出了一种分布式主导的联邦学习体
系结构. 该体系通过星间链路评估动态星座的连通性和负载, 选出主导卫星和追随卫星, 实现深度学习模型全局和
局部参数的连续传输与共享, 从而在无需依赖地面站的条件下完成模型高效训练. 为进一步优化资源分配, 该体系
引入基于深度强化学习的自适应卫星资源分配方法, 通过分布式近端策略优化动态调控卫星计算能力和发射功
率, 不仅加速自适应传输, 还有效降低了系统能耗.
3.4 任务智能调度与规划
卫星任务调度与规划问题是当前研究的热点, 旨在优化网络和系统资源的有效利用, 提升任务执行的整体性
能. 传统卫星任务通常由地面指挥中心根据卫星在轨运行状态事先制定计划, 并通过星地链路将任务分配至卫星
节点. 卫星到达目标区域时, 依据接收的任务信息自主执行. 然而, 随着卫星种类与数量的激增, 传统的卫星任务分
配方法难以满足复杂卫星网络环境的需求 [62,63] . 在卫星边缘计算网络架构下, 计算资源分布于用户终端、卫星边
缘计算节点、地面站数据中心等多层平台. 为了满足用户对服务质量 (QoE) 的多样化需求 (如时延、隐私、能耗
等), 亟需设计动态灵活的多层任务调度机制. 当单颗卫星计算节点资源受限时, 可通过邻近卫星的协作分担任务,
从而提升整体计算性能和资源利用率. 图 4 展示了卫星任务调度的主要框架, 主要包括分层协调任务调度和多星
协调任务调度.