Investigaciones recientes han demostrado que la capacidad del sistema es muy importante para las redes celulares. Este artículo tiene como objetivo maximizar las tasas ponderadas de enlace descendente y enlace ascendente en las redes celulares, donde cada celda está compuesta por una estación base full-duplex y usuarios semi-duplex. El aprendizaje federado puede entrenar modelos sin datos centralizados para proteger la privacidad de los datos de los usuarios. El emplazamiento de un servidor de cómputo en el borde de un satélite en órbita baja crea un sistema de cómputo en el borde del satélite en órbita baja, lo que aumenta considerablemente la capacidad del satélite. Por lo tanto, este artículo combina el aprendizaje federado y la cómputo en el borde de movimiento, presentando un algoritmo de descarga de cómputo basado en el aprendizaje federado para maximizar las tasas ponderadas mientras garantiza la seguridad de los datos de los usuarios. Se utiliza un algoritmo de aprendizaje profundo reforzado con una excelente capacidad de búsqueda global para resolver el problema de asignación de subcanales y potencia. Los resultados de la simulación muestran que, en comparación con el algoritmo de referencia, este algoritmo logra la tasa ponderada máxima y tiene un buen rendimiento de convergencia.

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