Des études récentes ont montré que la capacité du système est très importante pour les réseaux cellulaires. Cet article vise à maximiser les débits pondérés en liaison descendante et en liaison montante dans les réseaux cellulaires, où chaque cellule est composée d'une station de base duplex intégral et d'utilisateurs en semi-duplex. L'apprentissage fédéré peut entraîner des modèles sans données centralisées pour protéger la confidentialité des données des utilisateurs. Le placement d'un serveur de calcul en bordure d'un satellite en orbite basse crée un système de calcul en bordure de satellite en orbite basse, ce qui augmente considérablement la capacité du satellite. Ainsi, cet article associe l'apprentissage fédéré et le calcul en bordure de déplacement, en présentant un algorithme de délestage de calcul basé sur l'apprentissage fédéré pour maximiser les débits pondérés tout en garantissant la sécurité des données des utilisateurs. Un algorithme d'apprentissage par renforcement profond avec une excellente capacité de recherche globale est utilisé pour résoudre le problème de l'allocation des sous-canaux et de la puissance. Les résultats de la simulation montrent que, comparé à l'algorithme de référence, cet algorithme atteint le débit pondéré maximal et présente de bonnes performances de convergence.

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