摘要

本文由Bowen Shen, Kwok-Yan Lam, 和Feng Li共同撰写，探讨了低地球轨道（LEO）卫星物联网中的隐私感知频谱定价和功率控制优化问题。随着LEO卫星系统在远程和孤立地区的广泛应用，其频谱资源管理需求变得更为复杂。论文提出了一种结合区块链技术和联邦学习（FL）的混合频谱定价和功率控制框架，旨在通过本地深度强化学习算法和基于声誉的区块链机制，实现LEO卫星系统的收益最大化，同时保护用户数据的隐私。

原理

论文的核心在于利用区块链驱动的联邦学习框架，通过本地深度强化学习（DRL）算法和基于声誉的区块链机制，实现频谱定价和功率控制的优化。具体来说，每个LEO卫星系统通过DRL算法学习最优的定价和功率控制策略，然后通过联邦学习系统中的声誉机制选择节点进行全局模型聚合和区块生成，从而增强网络的去中心化程度并保证信任。

流程

论文提出的框架包括三个主要阶段：频谱租赁和本地训练阶段、区块链驱动的联邦聚合阶段和全局模型发布阶段。在本地训练阶段，卫星初始化价格和功率控制信息，并与地面用户进行交易，收集交易信息用于本地DRL训练。在联邦聚合阶段，通过声誉机制选择节点进行全局模型聚合和区块生成。最后，在全局模型发布阶段，广播全局模型，各节点基于此开始下一轮训练。

应用

该研究为LEO卫星物联网提供了一种高效的频谱资源管理方案，特别是在大规模服务请求和高带宽需求的场景下。通过结合区块链和联邦学习技术，不仅提高了系统的安全性和隐私保护，还为未来的通信网络提供了新的技术方向和应用案例。