Aktuelle Studien haben gezeigt, dass die Systemkapazität für Mobilfunknetze sehr wichtig ist. In diesem Artikel geht es darum, die gewichteten Downlink- und Uplink-Raten in Mobilfunknetzen zu maximieren, wobei jede Zelle aus einer Full-Duplex-Basisstation und Halbduplex-Nutzern besteht. Mit dem föderierten Lernen können Modelle ohne zentralisierte Daten geschult werden, um die Privatsphäre der Nutzerdaten zu schützen. Durch Platzierung eines Rechenzentrums am Rand eines niedrig umlaufenden Satelliten entsteht ein Edge-Computing-System auf niedrig umlaufenden Satelliten, was die Kapazität des Satelliten erheblich erhöht. Daher kombiniert dieser Artikel föderiertes Lernen und Edge-Computing, indem ein Edge-Computing-Offloading-Algorithmus basierend auf föderiertem Lernen vorgestellt wird, um die gewichteten Raten zu maximieren und gleichzeitig die Sicherheit der Nutzerdaten zu gewährleisten. Ein verstärktes tiefes Lernalgorithmus mit exzellenten globalen Suchfähigkeiten wird zur Lösung des Problems der Kanalzuweisung und Leistungsverteilung eingesetzt. Die Simulationsergebnisse zeigen, dass dieser Algorithmus im Vergleich zum Baseline-Algorithmus die maximale gewichtete Rate erreicht und eine gute Konvergenzleistung aufweist.

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