大规模星群星座的运维面临一个根本性矛盾：故障诊断和寿命预测需要多源数据训练高精度模型，但各航天器的遥测数据涉及运营商的商业机密和国家安全。联邦学习框架给出了解决方案——无需共享原始数据，仅基于模型参数交互即可实现协同训练。中国人工智能学会白皮书提出的航天器云边协同运维机制中，联邦学习贯穿现场、边缘、地面三个层级，为星群星座的健康管理提供了“数据可用不可见”的安全底座。
联邦学习的航天适用性分析
航天运维的“数据孤岛”困境
航天器运维数据具有高敏感性——遥测数据包含姿态控制、推进系统、载荷状态等关键信息，涉及商业航天运营商的核心竞争力和国家安全。传统集中式机器学习需要汇总所有数据，在航天场景中既面临通信带宽限制，也存在隐私泄露风险。联邦学习通过“数据不出域、模型参数共享”的方式，为这一矛盾提供了平衡方案。
联邦学习的核心优势
联邦学习在航天场景中的优势体现在三个方面：隐私保护——原始遥测数据无需离开航天器，仅上传加密的模型梯度或参数；通信效率——模型参数远小于原始数据，大幅降低星地通信带宽需求；持续进化——各航天器基于本地数据持续更新模型，汇聚后形成全局最优模型，再下发到每个航天器实现共同进化。
三级联邦学习架构
现场级——本地模型训练与实时推理
每个航天器的智能精准运维模块基于本地传感器实时数据，进行模型训练和推理。训练得到的本地模型参数（而非原始数据）定期上传至边缘层。这一层级负责分系统级的状态监测、异常检测和故障诊断，确保航天器在不依赖地面指令的情况下具备自主运维能力。
边缘级——模型聚合与跨星协同
边缘层（如轨道上的计算节点或近地卫星）接收多个航天器上传的本地模型参数，通过联邦平均算法或其他聚合策略生成全局模型。聚合后的模型参数下发回各航天器，实现“从个体经验到群体智慧”的跃升。这一层级还支持不同航天器之间的差分隐私保护，确保任何单一航天器的数据特征不被反推。
地面级——全局优化与长期演进
中心云层（地面测控基站）接收边缘层汇总的多航天器全局模型，结合地面存储的历史运维数据、专家知识和仿真结果，进行大尺度时间范围的健康评估和寿命预测。地面级模型作为“黄金标准”，定期下发给边缘层和现场层，引导整个联邦学习系统向最优方向演进。
关键技术挑战与解决方案
异构数据对齐
不同航天器的传感器配置、采样频率、数据类型可能存在差异，影响联邦学习的收敛效果。白皮书提出采用加密数据对齐与加密信息训练协同算法，在联邦学习与隐私保护的前提下实现异构系统协同建模。
通信约束下的高效聚合
航天器与地面/边缘节点的通信链路可能不稳定且带宽有限。解决方案包括梯度压缩、稀疏化传输、异步联邦学习等，降低通信开销。白皮书指出，边缘层与现场层通过无线接入网络互连，具备高带宽低延迟特性，支持强实时应用的快速部署与更新。
模型安全与恶意攻击防御
联邦学习框架中恶意参与者可能通过投毒攻击破坏全局模型。白皮书强调在联邦学习框架下设计的事件驱动机制，将边缘计算装置上部署的模型参数进行共享，并通过差分隐私、安全聚合等技术确保模型更新的鲁棒性。
面向星群星座的规模化应用前景
联邦学习为大规模星群星座的健康管理提供了可扩展的架构。随着商业航天加速发展，数千颗卫星的星座将成为常态，传统的地面集中式运维将不堪重负。联邦学习使每个航天器具备自主运维能力的同时，又能通过群体智能实现整体优化，是支撑星群星座“一星多用、协同感知、自主管控”目标的关键技术基础设施。白皮书指出，未来亟需进一步研究基于模型共享的计算优化技术，通过模型裁剪、网络结构复用等手段，实现多模型训练和推理共享，提升联邦学习在航天边缘计算场景下的效率。
