AstraFL：面向低轨卫星星座的联邦学习框架——融合混合共识、动态浮点运算与任务并行聚合的星载边缘智能范式

《IEEE Transactions on Aerospace and Electronic Systems》：AstraFL: Decentralized Federated Learning for Space AI With Energy-Efficient Block Minifloat Computing

　　

摘要：

低地球轨道（LEO）卫星星座的发展亟需能够兼顾去中心化智能与极端能源约束的人工智能框架。本文提出了AstraFL——一种面向轨道边缘计算的联邦学习范式，通过三项概念性创新从根本上重新思考模型协调机制。首先，我们引入了一种混合共识架构，将基于八卦协议的对等同步与区块链安全验证相结合，实现了在动态星间网络中的自主模型聚合，无需依赖地面站。这一双层协调机制通过概率性验证交易建立信任，同时保持次线性通信扩展性。其次，我们开发了具有硬件-算法协同设计的动态分块浮点算术，实现了自适应精度缩放，能够自动优化模型训练各阶段的位宽分配。该方法通过逐层量化敏感性分析和抗辐射加固FPGA加速，从根本上重新平衡了能耗-精度权衡空间。第三，该框架通过分解的聚合原语开创了任务并行联邦更新，实现了组内模型合并与组间梯度验证的同时执行。在轨道硬件测试平台上的实验验证表明，这些架构创新共同解决了去中心化-安全性-效率三元困境：在保持98.7%模型精度的同时，相较于FP32基线实现3.5倍的能耗降低，并通过我们的随机权益证明协议实现了拜占庭容错。通过重新定义星载人工智能的协调机制与数值基础，AstraFL为下一代卫星星座中的自主学习建立了改进的范式。