Neueste Studien haben gezeigt, dass die Systemkapazität für Zellnetze äußerst wichtig ist. In diesem Artikel wird die Maximierung der gewichteten Summe der Downlink- und Uplink-Raten in Zellnetzen betrachtet, wobei jede Zelle aus einer Full-Duplex-Basisstation und einem Halbduplex-Benutzer besteht. Das föderale Lernen ermöglicht das Trainieren von Modellen ohne zentralisierte Daten und den Schutz der Privatsphäre der Benutzerdaten. Die Platzierung von Edge-Computing-Servern auf Mobilgeräten in niedrigen Erdorbit-Satelliten kann ein Edge-Computing-System auf niedrigen Erdorbit-Satelliten bilden, was die Rechenleistung des Satelliten erheblich erhöht. Daher kombiniert dieser Artikel föderales Lernen und Edge-Computing, schlägt einen Auslagerungsalgorithmus basierend auf föderalem Lernen vor, um die Sicherheit der Benutzerdaten zu gewährleisten und die gewichtete Summe der Raten zu maximieren. Ein tiefgreifendes Verstärkungslernalgorithmus mit ausgezeichneter globaler Suchfähigkeit löst das Problem der Kanalzuweisung und Leistungsverteilung. Die Simulationsergebnisse zeigen, dass dieser Algorithmus im Vergleich zum Referenzalgorithmus die maximalen gewichteten Raten erreicht und eine gute Konvergenz aufweist.

Föderales Lernen; Satellit im niedrigen Erdorbit; Edge-Computing auf Mobilgeräten; Föderales tiefes Lernen; Berechnungsauslagerung