本技术提出了一种无人机小基站RAN切片方法，该方法基于分割联邦学习技术。在服务导向的RAN切片框架下，通过资源共享的柔性指标来衡量切片性能的隔离质量。将隔离质量最大化问题转化为优化模型，以实现性能隔离的最大化。
背景技术
随着6G时代的到来，无人机小基站逐渐成为现代通信网络不可或缺的一部分。由于部署灵活和视距通信等优势，无人机小基站可快速覆盖远程或应急场景中的网络空白区域，为物联网(Internet of Things,IoT)、智能城市、无人驾驶等应用提供定制化服务，拓展传统基站的功能。无人机小基站在6G网络中不仅需要应对海量设备的接入和高速数据传输的需求，还需要提供超低时延、超高可靠性的通信保障，成为未来网络中不可或缺的元素。
考虑到无人机执行任务的差异性，且不同类型的任务对于网络资源的需求大相径庭，引入无线接入网(Radio Access Networks,RAN)切片技术成为了一个必然选择。RAN切片能够根据网络态势变化，动态地划分异构网络中的通信、计算等物理资源。任务到达节点后，由相应的切片处理，以提供差异化的服务质量(Quality of Service,QoS)保证[1]
。随着无人机小基站的广泛部署，RAN切片技术的应用被扩展至空中网络。由于飞行轨迹、覆盖范围和服务需求的动态变化，加之无人机受限于电池续航、存储容量和计算能力，RAN切片技术兼顾轻量化和适应性。切片资源分配和优化需要考虑无人机的实时位置、网络负载以及资源限制，从而为多样化的应用提供高效、可靠、低时延的定制化服务。针对无人机网络，AirSlice框架[2]
通过灵活的资源切片和QoS策略，为无人机网络服务提供差异化的服务支持。SoftFloat[3]
是一个软件定义的5G网络切片框架，支持QoS感知的无人机通信。该框架通过智能资源管理，实现了差异化的服务提供和数据流量的智能处理。
现有的无人机RAN切片主要包括单机独立决策[4]
和依赖地面基站[5]
的模式，但两者难以支持大量无人机的自主和大范围移动场景。联邦学习(Federated Learning,FL)[6]
和分割学习(Split Learning,SL)[7]
为分布式无人机网络的资源管理提供了有效的解决方案。FL在不共享数据的前提下实现多无人机的协作学习，提升整体性能。SL通过在无人机和地面基站之间分割模型训练，减轻无人机的计算和存储负担。然而，它们与无人机系统的结合仍面临诸多挑战，主要包括：
1)联合训练代价与性能隔离的双重优化。空中训练时，数据交互和模型更新负担较大，降低了无人机网络的可持续性。尽管模型压缩[8]
、训练降频[9]
或客户端调度[10]
可以减少训练代价，但会导致模型精度下降。此外，资源共享是度量性能隔离质量的重要指标。现有的研究大多采用固定的资源共享策略，这意味着资源共享的范围是预先确定的，无法根据实际任务的需求和变化灵活调整。尽管这种策略在某些场景中表现较好，但在无人机任务负载波动较大或环境变化频繁的情况下，无法实现最优的资源利用。如何在保证模型精度的同时，实现训练代价和性能隔离的双重优化，是无人机系统在动态部署中亟需解决的关键问题。
2)机载模型的环境适应性和泛化性。移动执行任务的无人机对模型的泛化性和鲁棒性提出了更高的要求。传统FL方法难以应对移动导致的数据异质性与差异性。更棘手的是，由于覆盖范围有限，无人机采集的数据具有较强的局部性特征。传统的注意力机制难以通过提取局部关键信息优化模型。GSM-FedAVG[11]
是一种全局共享模型-联邦平均算法，通过在所有客户端之间共享模型，提高了模型的环境适应性和泛化性。Federated Proximal(FedProx)[12]
通过引入正则项来应对系统和数据的异质性，增强了模型的稳定性和泛化性。Ma等人通过利用注意力机制集中处理局部关键任务，提升多无人机系统的路径规划精度和鲁棒性[13]
。如何加强模型对局部环境的感知和全局信息的整合有待进一步探索。
实现思路