[Paper] 去中心化信任用于空间AI：基于区块链的Federated Learning跨多供应商LEO卫星网络

Source: arXiv - 2512.08882v1

概览

本文提出 OrbitChain，一种基于区块链的框架，使多个低地球轨道（LEO）卫星运营商能够通过联邦学习协同训练 AI 模型，同时保证每个参与者贡献的完整性。通过将共识迁移到高空平台（HAP）并使用许可制的权威证明账本，作者展示了如何保持学习过程的高速、安全和可审计——这对于灾害监测、气候分析等实时空间 AI 服务至关重要。

主要贡献

• OrbitChain 架构：将联邦卫星学习（FSL）与轻量级、许可制区块链相结合。
• 共识下放：将共识任务转移至 HAP（如平流层气球或高空无人机），这些平台拥有更强的计算能力和更稳定的链路。
• 透明的来源追踪：对来自异构、多供应商星座的模型更新进行可追溯记录，防止恶意或错误的贡献。
• 权威证明（PoA）多数机制（1‑of‑5、3‑of‑5、5‑of‑5），实现亚秒级区块最终确定（0.16 s – 0.35 s）。
• 实证评估：在真实卫星数据集上展示了最高 30 h 的收敛时间缩减，以及相较单一供应商训练的全局模型精度提升。
• 开源实现：已向社区发布（提供 GitHub 链接）。

方法论

1. 联邦卫星学习（FSL）基线——每颗卫星在本地传感器数据上训练 AI 模型，并定期将模型权重更新（梯度）发送至中心聚合器。
2. 区块链层——许可账本运行在一组 HAP 节点上。卫星将更新作为已签名交易提交；账本记录每次更新的来源、时间戳和哈希值。
3. 共识下放——不在卫星上运行耗能大的共识协议（卫星功率受限且链路间歇），而由 HAP 执行权威证明（PoA）协议。必须有多数 HAP 对区块签名后才能提交。
4. 安全聚合——在全局模型更新之前，聚合器会验证区块中是否包含足够数量的有效更新（依据所选多数规则）。无效或缺失的更新将被丢弃，以防止投毒攻击。
5. 仿真与实地测试——作者模拟了一个多供应商 LEO 星座，加入真实的链路时延和丢包率，然后在公开的卫星影像数据集上运行框架，测量收敛速度、通信开销和模型精度。

结果与发现

这些发现表明，OrbitChain 不仅加速了训练过程，还提升了信任基准：恶意更新能够被检测并剔除，且不会牺牲延迟。

实际意义

• 快速的多供应商 AI 服务——灾害响应机构可以在近实时内融合商业和政府星座的数据，提供更精准的预警。
• 降低地面站负载——通过将共识推至 HAP，卫星运营商可减少上行/下行链路预留的带宽，将容量用于有效载荷遥测。
• 合规监管——不可篡改的审计链满足新兴的数据主权与空间数据处理责任法规。
• 即插即用的协作——新卫星运营商只需获取 PoA 凭证即可加入已有的 OrbitChain 网络，实现联邦学习项目的弹性扩容。
• 边缘 AI 安全蓝图——该架构可迁移至地面边缘计算集群（如 UAV 群、IoT 网关），同样解决间歇连通性和信任问题。

局限性与未来工作

• 对 HAP 可用性的依赖——当前设计假设有一组稳定的高空平台；若多数 HAP 丢失，可能导致共识停滞。
• 许可 PoA 的可扩展性——虽然已在最多五个 HAP 上实现亚秒延迟，但更大规模网络可能需要层级或分片共识以保持低延迟。
• 模型异构性——实验仅针对单一神经网络结构；如何支持不同规模、不同架构的模型仍待探索。
• 真实部署——本研究基于仿真和有限的在轨数据集；与真实卫星星座的现场试验将验证其在真实空间环境下的鲁棒性。

作者建议研究混合共识（将 PoA 与拜占庭容错相结合）以及引入安全多方计算，以进一步强化隐私保障。

作者

• Mohamed Elmahallawy
• Asma Jodeiri Akbarfam

论文信息

• arXiv ID: 2512.08882v1
• 分类: cs.CR, cs.LG
• 发布日期: 2025 年 12 月 9 日
• PDF: Download PDF