Edge Selection and Clustering for Federated Learning in Optical Inter-LEO Satellite Constellation

要約

タイトル：光学的インターレオ衛星群におけるフェデレーテッドラーニングのためのエッジ選択とクラスタリング

要約：

– LEO衛星は、大量の画像やセンサーデータを収集する能力により、さまざまな地球観測ミッションにおいて繁栄的に展開されている。
– しかし、従来は地上のクラウドサーバーでデータトレーニング処理が実行されていたため、高い伝送オーバーヘッドが生じていた。
– LEOの最近の開発により、更なる強化されたオンボード計算能力を持つ超密集LEO衛星群の提供がますます重要になっている。
– これにより、我々はLEOにおける共同フェデレーテッドラーニング(FELLO)を提案した。FELLOは、低ペイロードの衛星間通信を持つLEO上で全体の処理を割り当て、遅延の少ない地上ゲートウェイサーバー(GS)は初期信号制御に対応する。
– GSは最初にLEOサーバーを選択し、そのLEOクライアントは、クラスタリング機構と光学的衛星間リンク(ISL)を通した通信能力によって決定される。
– FELLOの通信品質が低い場合には、LEOサーバーを変更する再クラスタリングが一度だけ実行される。
– シミュレーションでは、MNISTトレーニングデータセットを用いて実用的なWalker-based LEO配置下で提案されたFELLOを数値的に分析した。
– 提案されたFELLOは、中央集権化および分散アーキテクチャよりも分類精度が高く、それに加えて比較的低いレイテンシの共通通信およびコンピューティングによる性能を発揮している。

要約(オリジナル)

Low-Earth orbit (LEO) satellites have been prosperously deployed for various Earth observation missions due to its capability of collecting a large amount of image or sensor data. However, traditionally, the data training process is performed in the terrestrial cloud server, which leads to a high transmission overhead. With the recent development of LEO, it is more imperative to provide ultra-dense LEO constellation with enhanced on-board computation capability. Benefited from it, we have proposed a collaborative federated learning for low Earth orbit (FELLO). We allocate the entire process on LEOs with low payload inter-satellite transmissions, whilst the low-delay terrestrial gateway server (GS) only takes care for initial signal controlling. The GS initially selects an LEO server, whereas its LEO clients are all determined by clustering mechanism and communication capability through the optical inter-satellite links (ISLs). The re-clustering of changing LEO server will be executed once with low communication quality of FELLO. In the simulations, we have numerically analyzed the proposed FELLO under practical Walker-based LEO constellation configurations along with MNIST training dataset for classification mission. The proposed FELLO outperforms the conventional centralized and distributed architectures with higher classification accuracy as well as comparably lower latency of joint communication and computing.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI