在空天地一体化网络中，采用自适应资源管理的隐私保护联邦SAR图像目标识别技术

《Pattern Recognition》：Privacy-Preserving Federated SAR Image Target Recognition with Adaptive Resource Management in Space-Air-Ground Integrated Networks

针对SAGINs中异构设备带来的隐私风险与计算通信限制，本文提出SAR-RAFL联邦学习框架，通过动态资源管理和双目标节点选择机制优化模型分配与协作，实验表明其显著提升了SAR图像识别的准确性和效率。

　　

侯玉超|于波|杨志勤|王杰|向伟|吴迪|李旺明辉|夏小宇|李自健|田有亮|孙玉洲

山西师范大学，山西密码学与数据安全重点实验室，太原，030031，中国

摘要

基于深度学习的合成孔径雷达（SAR）图像目标识别已成为模式识别的一个重要分支，特别是在空间-空中-地面集成网络（SAGINs）需要跨高度分布的感知平台进行可靠的特征表示和鲁棒识别时。然而，当前的SAR识别模型面临来自集中式数据聚合的隐私风险，以及由高度异构的感知平台引起的计算和通信限制。为了解决这些限制，我们设计了SAR-RAFL，这是一个具有自适应资源管理的联邦学习（FL）框架，旨在提高SAGINs中基于SAR的模式识别的鲁棒性和效率。我们提出了一种协作计算方案，其中空间、空中和地面节点合作动态分配计算和通信资源，以提高运行效率。我们还引入了一种设备感知的模型分配策略，根据每个节点的可用资源分配定制的子模型，避免在异构设备上使用固定大小的模型。我们还设计了一种双目标节点选择机制，在存在异构节点的情况下鼓励平衡参与和稳定收敛。严格的理论分析提供了收敛保证，而在MSTAR和FUSAR-Ship数据集上的广泛实验验证了SAR-RAFL在提高SAGINs中的识别准确性和资源利用方面的有效性。

引言

合成孔径雷达（SAR）[1]因其能够在各种天气和全天候条件下捕获高分辨率图像而得到广泛应用。SAR图像目标识别专注于在SAR图像中对特定目标进行分类和识别，近年来由于深度学习的进步[2]、[3]，这一领域取得了显著进展。在更广泛的模式识别[4]、[5]领域中，SAR传感器在层次化的空间-空中-地面集成网络（SAGINs）中的日益部署为鲁棒的特征表示和可靠的目标区分带来了新的机遇和挑战。这些多层感知平台形成了一个分布式环境，有效的识别依赖于对异构SAR观测数据的协调分析[6]。大多数现有的主流算法仍然依赖于集中式训练范式，如图1(a)所示，从卫星、飞机和地面传感器收集的SAR数据被传输到中央服务器进行统一模型训练。然而，原始SAR数据的集中传输由于SAR图像中嵌入的敏感结构和操作信息而带来了重大的隐私风险，这突显了需要支持跨层次感知平台进行可靠模式识别的隐私保护学习框架[7]。

为了减轻SAGINs中集中训练相关的隐私风险，联邦学习（FL）作为一种有前景的分布式SAR模型训练范式应运而生[8]。FL允许多个节点之间的协作优化，同时保持原始SAR数据本地存储，并仅交换模型参数，从而保护了卫星、空中平台和地面站之间的数据机密性[9]。然而，在层次化的空间-空中-地面系统中部署FL仍然很困难，因为卫星、空中节点和地面终端之间的计算和通信存在显著差异[10]。这些差异导致模型更新不平衡和参数同步不稳定，而SAGINs的多层延迟和变化的链路质量进一步阻碍了高效协作。因此，为相对同质的网络设计的传统FL算法往往无法在这种分布式环境中保持稳定和可扩展的学习性能。

此外，现有的FL方法很少考虑层次化空间-空中-地面系统的操作特性。卫星和空中节点通常面临严格的资源限制，通信链路的延迟和可靠性在不同层次之间存在显著差异，使得层次化卸载和多层聚合在实践中难以实现。此外，在动态的基于SAR的应用中，隐私保护、通信延迟和节点间模型一致性之间的相互作用尚未得到充分研究，这为开发高效且可扩展的隐私感知FL框架留下了一个开放的挑战。

为了解决上述限制，我们提出了SAR-RAFL，这是一个资源自适应的FL框架，旨在应对实际SAGINs中的多层层次结构和设备异质性问题。具体来说，SAR-RAFL采用了一种设备感知的动态模型分配策略，根据每个设备的计算和通信能力生成和分配定制的子模型。在SAR图像上进行本地训练后，这些子模型被上传到服务器进行聚合，从而放宽了在所有参与者中强制执行相同模型大小的传统限制。此外，SAR-RAFL采用了一种双目标启发式节点选择机制，动态平衡不同能力的设备之间的参与度，以提高公平性和收敛效率。通过这些自适应机制，SAR-RAFL实现了适用于实际SAR目标识别的可扩展、高效和隐私保护的FL。本文的主要贡献总结如下：

• •
  我们提出了SAR-RAFL，这是一个针对SAGINs的资源自适应FL框架，通过结构化的子模型方案克服了SAGINs中的异质性问题。提供了严格的理论收敛分析。
• •
  受收敛分析的启发，我们设计了一种联合优化策略，根据每个参与节点的具体计算和通信资源概况，自适应地分配最佳模型缩放率和带宽。
• •
  为了解决异构网络中参与不平衡的实际问题，我们提出了一种基于李雅普诺夫优化的双目标节点选择机制，该机制平衡了收敛效率和长期公平性。
• •
  在MSTAR和FUSAR-Ship数据集上的实验表明，与最先进的FL框架相比，SAR-RAFL具有更高的准确性、收敛速度和稳定性。

本文的其余部分组织如下：第2节回顾相关工作。第3节提供初步介绍。第4节介绍所提出的SAR-RAFL框架。第5节展示实验结果。第6节总结本文。

章节片段

SAR图像目标识别

SAR图像目标识别广泛用于灾害预警和海洋监测。早期依赖于手工特征的方法，如GLCM [11]、PCA [12] 和 HOG [13] 结合分类器（如SVM和随机森林），对斑点噪声和目标姿态变化非常敏感。深度学习将SAR解释转向了数据驱动的表示学习[14]，其中CNN [15]、轻量级网络和注意力机制[16] 通过捕获

初步介绍

为了便于理解系统模型和问题表述，我们在表1中总结了本文中使用的主要符号。

所提出的SAR-RAFL框架概述

SAR-RAFL的目标是将来自不同SAR设备的异构子模型集成到一个统一的全球模型中。如图3所示，该框架通过以下阶段操作：

• a)
  地面基站的子模型提取。 地面基站使用由设备资源概况确定的通道划分（第4.2.1节）将全局模型 W_g 分解为子模型
  $\{W_1,\dots ,W_J\}$

b)

通过DONS进行层次化节点选择。 我们应用DONS

数据集

我们使用两个基准SAR数据集评估所提出的SAR-RAFL框架：MSTAR [32] 和 FUSAR-Ship [33]。MSTAR数据集包含10类地面军事目标，分辨率为0.3米，图像大小为128×128像素，覆盖0°–360°方位角，固定俯仰角为15°。FUSAR-Ship数据集包括来自GF-3 SAR图像的15类船舶；为了进行稳定评估，我们使用了7个代表主要海洋船舶类型的类别。SAR图像及其对应的

结论

在本文中，我们提出了SAR-RAFL，这是一个针对异构SAGINs中的SAR图像目标识别而设计的隐私保护联邦学习框架。通过集成结构化子模型方案（SSS）和双目标节点选择（DONS），该框架有效解决了设备异质性和训练不平衡问题，同时严格保护了数据机密性。在MSTAR和FUSAR-Ship数据集上的实验表明，SAR-RAFL实现了更高的准确性、收敛速度

CRediT作者贡献声明

侯玉超：撰写 – 审稿与编辑，撰写 – 原稿，可视化，调查，形式分析，数据管理。于波：撰写 – 审稿与编辑，撰写 – 原稿，方法论，调查。杨志勤：撰写 – 审稿与编辑，撰写 – 原稿，可视化，调查，形式分析，数据管理。王杰：资源，调查。向伟：资源，调查。吴迪：资源，调查。李旺明辉：资源，调查。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

致谢

本工作部分得到了中国国家重点研发计划（项目编号2025YFB3109800）的支持，部分得到了国家自然科学基金（项目编号62272123、42371470和42461057）的支持，还部分得到了山西省基础研究计划（项目编号202303021212164）的支持。