Des études récentes ont montré que la capacité du système est extrêmement importante pour les réseaux cellulaires. Cet article examine la maximisation de la somme pondérée des débits en liaison descendante et en liaison montante des réseaux cellulaires, où chaque cellule est composée d'une station de base full-duplex et d'un utilisateur half-duplex. L'apprentissage fédéré permet de former des modèles sans données centralisées et de protéger la confidentialité des données des utilisateurs. Le placement de serveurs de calcul en périphérie mobile sur des satellites en orbite basse peut créer un système de calcul en périphérie satellite en orbite basse, ce qui augmente considérablement les capacités de traitement du satellite. Ainsi, cet article combine l'apprentissage fédéré et le calcul en périphérie, propose un algorithme de déchargement du calcul basé sur l'apprentissage fédéré afin de garantir la sécurité des données des utilisateurs tout en maximisant la somme pondérée des débits. Un algorithme d'apprentissage par renforcement profond avec une excellente capacité de recherche globale résout le problème de répartition de sous-canaux et de puissance. Les résultats de la simulation montrent que, par rapport à l'algorithme de référence, cet algorithme atteint le débit pondéré maximum et présente de bonnes performances de convergence.

Apprentissage fédéré; Satellite en orbite basse; Calcul en périphérie mobile; Apprentissage profond renforcé; Déchargement du calcul