أظهرت الدراسات الأخيرة أن سعة النظام مهمة للغاية في شبكات الخلية. يهدف هذا المقال إلى تحقيق أقصى معدلات النقل المرجحة لترابط الهواتف الخلوية ونقل البيانات، حيث تتألف كل خلية من محطة أساسية ثنائية الاتجاهات ومستخدمي نصف اتجاه. يمكن للتعلم الفيدرالي تدريب النماذج بدون بيانات مركزية لحماية خصوصية بيانات المستخدم. يمكن وضع خادم الحوسبة عند حافة الأقمار الصناعية المنخفضة لتشكيل نظام حوسبة حواف الأقمار الصناعية منخفضة الارتفاع، والذي يعزز بشكل كبير قدرة الأقمار الصناعية. لذلك، يقترح هذا المقال جمع التعلم الفيدرالي وحوسبة حواف الحركة مع تقديم خوارزمية تفريغ الحوسبة بناءً على التعلم الفيدرالي لتحقيق أقصى معدل نقل مرجح وفي نفس الوقت ضمان أمان بيانات المستخدم. يستخدم خوارزمية التعلم التعزيزي العميق قدرات بحث عالمية ممتازة لحل مشكلات توزيع القنوات الفرعية وتوزيع الطاقة. تشير نتائج المحاكاة إلى أن هذه الخوارزمية، بالمقارنة مع خوارزمية القياس الأساسية، تحقق أقصى معدل نقل مرجح ولديها أداء تقارب جيد.

Federated learning;Low Earth orbit satellite;Mobile edge computing;Deep reinforcement learning;Computation offloading