基于FractalNet的异构联邦学习用于卫星巨型星座中的轨道边缘智能

大家读完觉得有帮助记得关注和点赞！！！

摘要

卫星巨型星座正逐渐发展为大尺度的感知、通信与计算网络，但其学习架构在很大程度上仍然继承自地面联邦学习和以地面为中心的任务运行模式——这些模式不适用于在尺寸、重量、功率和成本（SWAP-C）、抗辐射能力、链路可用性和传播延迟上相差数个数量级的卫星。我们提出了一种基于分形网络（FractalNet）架构的异构联邦学习方法，用于轨道边缘智能。我们形式化了接触窗口受限、深度异构的联邦优化问题，并引入了一种分布式路径调度器，该调度器根据SWAP-C约束、预测的星间链路接触以及训练统计量来分配模型深度。为了降低消息开销和能耗，每个层级定期汇集更新，而非在每个接触机会都进行传输；一个三层智能体控制平面负责管理空间调度、异常升级和策略驱动的自主运行。作为案例研究，我们将该框架应用于野火检测，其中每个轨道壳层自然学习到不同语义层次的情境感知：低地球轨道（LEO）学习像素级热异常，中地球轨道（MEO）学习区域火线动态，地球静止轨道或高地球轨道（GEO/HEO）学习更大尺度的风险传播。在模拟巨型星座上的实验验证了该方法在收敛性、通信效率、能量适应、调度汇集节省、鲁棒性和延迟方面的性能。

1 引言

巨型星座将空间系统设计的基本单元从单颗受控航天器转变为大规模、时变的分布式系统。数千颗卫星在观测、路由、推理和协调时面临的约束与地面云环境和移动边缘环境截然不同：星间链路（ISL）根据轨道力学出现和消失；辐射会引发非对抗性但与安全相关的计算和存储器故障；下行机会是间歇性的；星载计算能力从抗辐射微处理器到加速器级边缘设备不等。

联邦学习（FL）在这种场景下显得很自然，因为原始遥测、图像和射频观测数据保留在本地，仅交换模型更新。然而，标准FL隐含了一个同质性假设：每个客户端训练相同的模型架构，只是速度可能不同。在卫星星座中，这个假设在结构上是错误的。一颗能力较弱的LEO卫星可能只支持浅层特征提取器，而一颗高计算能力的GEO/HEO节点可能支持完整的序列建模和鲁棒聚合。为最弱节点设计会浪费高计算能力卫星的能力；为最强节点设计则会排除星座中的大部分卫星。

本文提出FN-HFL，一种协同设计的架构，其中拓扑结构本身就是学习算法的一部分。FN-HFL不是将异构FL叠加在任意通信底层之上，而是将分形网络风格的多路径结构映射到模型深度分配上。短路径对应浅层前缀训练，中等路径对应部分深度训练，深路径对应完整模型训练。调度器使用当前SWaP-C状态、预测的接触窗口、模型层统计量和信任信号来分配卫星角色和路径深度。星载智能体在三个时间尺度上运行：微观智能体负责本地反射，中观智能体负责区域聚合，宏观智能体负责星座级规划。

为了说明该架构如何自然地映射到真实运行场景，我们在第2节中开发了一个野火检测用例，展示星座的每个层级如何学习与其轨道、重访率和计算能力对齐的语义不同信息。这一基础背景为后续正式架构提供了动机。

我们有五项贡献。

2 动机场景：跨巨型星座的野火检测

为了在引入形式化框架之前使FN-HFL架构更加具体，我们追踪一场在偏远林区爆发的野火。这个场景不仅仅是说明性的。它恰好暴露了多尺度感知、信息聚合层级、计算异构性和间歇性连接等结构性属性——这些正是驱动我们设计的动因。关键在于，星座每个层级能够贡献的信息，直接映射到该层级能够负担训练的模型深度。

2.1 壳层3——LEO感知节点：原始信号检测

首先响应的是大量低高度LEO节点，它们以典型高度500–600 km运行，每隔几分钟经过任何给定区域。这些是星座中最受限的设备：电池储备有限、处理器能力适中、每次过境的接触窗口仅以分钟计。但它们携带多光谱和热传感器，低高度赋予它们检测早期火灾特征所需的空间分辨率。

具体来说，LEO节点能够观测到：热红外波段（LWIR）中的异常温度集群，表明地表加热超过环境；近红外（NIR）反射率的局部变化，与植被开始燃烧一致；短波红外（SWIR）通道中的气溶胶密度峰值，指示早期烟羽形成；以及配准图像序列中的快速帧间像素变化，与活跃燃烧一致，而非农业活动或工业热源。

每个LEO节点只训练共享模型的浅层前缀——早期的卷积或补丁嵌入层，这些层学会从原始传感器流中识别这些低级像素级特征。没有单个LEO节点能看到整个火灾。每个节点看到的是一个图块、一个时刻、一个局部异常。它们的梯度更新计算成本低廉，只涉及早期模型层，并在短暂的接触窗口内中继到最近的MEO区域聚合器。来自数十次LEO过境的浅层更新，每次观测受影响区域的不同图块，共同训练出一个低层特征提取器，该提取器能泛化到不同火灾强度、植被类型、烟羽不透明度和传感器视角——这恰恰是因为星座的广泛空间覆盖提供了任何单个地面传感器或单颗卫星过境都无法实现的多样性。

2.2 壳层2——MEO区域节点：上下文模式识别

MEO卫星轨道更高，相对地面移动更慢，因此与下方LEO节点和上方全球节点的接触窗口更长，瞬时视场也更宽。它们接收来自数十次LEO过境的浅层更新，并将其聚合成区域图像。但它们也在这些聚合信号上训练自己的中层深度层——这些层学习识别单个LEO过境无法看到的空间传播模式和区域上下文。

在MEO训练的中层学会：由风力驱动的火线特征形状，可区别于点源工业火灾；温度异常集群与地形特征（如山脊线、排水通道、燃料断裂边界）之间的相关性，这些特征塑造了火灾传播；蔓延火灾与受控或熄灭火灾的时间节奏特征，只有在比较同一区域多次LEO过境的更新时才可见；以及早期SWIR气溶胶信号与后续热异常模式之间的统计关系，从而能够预测火灾蔓延方向。

单个MEO节点可能协调来自覆盖数百公里火线的LEO卫星的更新，将在LEO层面看似分散的热噪声合成为一个连贯的移动边界。这正是中层模型体现其架构价值的地方：由LEO节点训练的早期层学习火灾在局部的样子；在MEO训练和聚合的中层学习火灾在区域上的行为。MEO节点不需要原始像素。它接收来自LEO节点的压缩梯度更新，在浅层上鲁棒地聚合，使用自己的区域训练数据将模型向前扩展到中层，并将更丰富的更新向上转发。通信节省是显著的：MEO聚合器传输单个区域摘要，而不是将数十个原始LEO更新包中继到全球层级。

2.3 壳层1——GEO/HEO全球节点：多区域态势感知

高计算能力的全球节点能够看到整个大陆。它们同时接收来自多个MEO聚合器的区域摘要——一个覆盖太平洋沿岸山脉，另一个跟踪内陆山火综合体，第三个检测到由远距离余烬传播驱动的距原始事件数百公里的二次着火点。模型的深层，仅在该层级训练和维护，学习到任何低层级都无法表示的跨区域和多事件模式。

具体来说，深层学习：当前大尺度大气模式（风场、湿度梯度、气压系统）与多个同时发生事件的火灾蔓延严重性之间的统计关系；给定区域早期火灾特征与最终过火面积之间的历史相关性，从而实现快速严重性分类，为资源预置提供信息；余烬驱动的跳跃性着火点（spotting）的特征时间特征，这些事件在主火线前方数公里处产生二次着火点，只有通过比较广泛分离的MEO区域的观测数据才可见；以及多年气候驱动的风险特征，使模型能够在检测到任何热异常之前就标记出当前呈现火灾前条件的区域。

这些是任何LEO或MEO节点都无法孤立学习的模式。它们需要整合空间上相隔数百至数千公里、时间上相隔数小时至数天的信号。GEO/HEO层级既提供训练这些深层表示所需的计算资源，也提供使训练信号有意义的持续广域视图。

2.4 为什么这能清晰地映射到FN-HFL

野火场景并非对架构的事后合理化。它揭示了为什么深度应该跟踪轨道层级而非任意分配的原则性原因。每个层级可用的信息内容确实是层次化的：LEO有原始传感器特征，MEO有空间传播上下文，GEO/HEO有多事件系统模式。一个将所有层级赋予相同深度的模型架构，要么会浪费高轨道节点在它们可以轻易学习的浅层特征上的计算能力，要么会要求受限的LEO节点训练它们无法观测的多区域上下文表示。

FN-HFL使层级-深度对应关系显式且可调度。当LEO卫星的电池退化时，调度器降低其深度分配；浅层特征提取器仍从其局部观测中受益，且没有MEO或GEO层会缺少贡献者。当MEO节点失去一个ISL接触窗口时，其区域更新被标记为陈旧并在全局聚合中降权；火线传播层仍从覆盖相邻区域的其他MEO节点获得贡献。当GEO节点在深层检测到异常梯度时，其信任分数降低，聚合规则回退到更保守的跨节点共识，保护了下游应急响应系统所依赖的多事件态势感知层。

野火场景还揭示了FN-HFL必须解决的新型安全风险。一个被入侵的深层节点——可能收到了恶意固件更新或处于复杂对抗性攻击之下——可以在所有LEO节点用于基础热探测的低层注入梯度，同时在中等层报告看似合理的火线传播信号。浅层LEO节点从不检查深层，无法检测到这种攻击。因此，防御必须逐层进行，在每个深度级别交叉参照节点的梯度统计量，利用大量LEO训练的浅层更新作为参考分布，来检验深层节点对共享低层的贡献。

3 相关工作

分形架构与任意时间计算。 FractalNet引入了自相似神经宏架构，具有不同长度的路径和丢弃路径正则化，表明浅层和深层子网络可以联合训练，随后提取为有用的固定深度子网络[7,8]。FN-HFL在系统尺度上重新解释了这一特性：不再是单台机器上随机丢弃路径，而是轨道接触约束和节点资源决定每轮哪些路径深度参与。

异构联邦学习。 HeteroFL、FjORD和DepthFL研究了具有异构本地模型大小或深度的FL[4,5,6]。这些方法推动了模型异构性，但并未将客户端能力与层次化轨道拓扑协同设计。FN-HFL的不同之处在于，它将通信路径长度作为分配模型深度和聚合责任的机制——野火场景表明这是一种语义驱动的协同设计，而不仅仅是工程折中。

卫星联邦学习。 先前的卫星FL系统研究了动态链路下的分层聚合、分散式LEO训练、卸载和落后节点缓解[9,12,1,2]。这些工作建立了可行性，但大多数保留同质模型假设，或将拓扑视为路由约束而非学习基元。

鲁棒聚合与安全。 拜占庭鲁棒FL聚合规则（如Krum、逐坐标中位数和截断均值）可抵御恶意客户端更新[3,11]。在FN-HFL中，对抗性和辐射引起的损坏可能是深度定向的，正如野火安全讨论所示。这激发了深度分层聚合，不能简化为现有的逐层无关鲁棒规则。

4 系统模型

4.1 轨道图与层级

令 Gt=(V,Et)Gt​=(V,Et​) 为第 tt 轮训练时的时间索引接触图，其中顶点为卫星，边为活跃ISL。每个节点 i∈Vi∈V 具有壳层标签 si∈{1,2,3}si​∈{1,2,3}，其中壳层3表示受限的低高度感知节点，壳层2表示区域聚合节点，壳层1表示高计算能力全球聚合节点。接触调度 C={Et}t=1TC={Et​}t=1T​ 在有限时间范围内通过轨道传播已知，但执行可能因链路中断、姿态机动或空间天气事件而偏离。

图1： FN-HFL架构，用于深度异构的卫星联邦学习。壳层3的边缘感知卫星仅训练浅层模型块，产生局部更新如 wa,wb,wc,wdwa​,wb​,wc​,wd​（来自星载观测）。这些浅层更新作为梯度传输给壳层2的区域卫星，MEO节点执行LEO模型聚合并训练额外的中层深度块，例如 (wa,…,wh)(wa​,…,wh​)。壳层1的高计算能力GEO/HEO节点接收区域摘要并聚合完整深度更新，包括更深的块 (wi,…,wl)(wi​,…,wl​)，以维护全局模型。右侧展示了分形网络原生的深度层级：较短路径对应LEO浅层训练，中间路径对应MEO区域学习，较长路径对应GEO/HEO完整深度聚合。这种拓扑-深度映射使得资源感知学习成为可能，其中受限卫星贡献有用的浅层特征，而更高轨道节点学习区域和全球野火语义，无需原始数据下行。

每个节点具有时变资源向量

其中 EE 为能量预算，PP 为处理器可用性，MM 为内存，BB 为链路带宽，RR 为辐射/故障风险状态，QQ 为队列压力。我们记 Ni(t)Ni​(t) 为节点 ii 的活跃邻居集合。

4.2 深度异构模型

全局模型分解为 LL 个有序块：

每颗卫星训练由深度分配 di(t)∈{1,…,L}di​(t)∈{1,…,L} 决定的前缀或段。对于典型的三层系统，浅层LEO节点训练 dSdS​ 层，中层MEO节点训练 dMdM​ 层，深层GEO/HEO节点训练全部 LL 层：

在野火场景及整个实验部分，我们使用 L=10L=10，dS=3dS​=3，dM=6dM​=6：LEO节点贡献 {W1,W2,W3}{W1​,W2​,W3​}（像素级特征提取）的梯度，MEO节点贡献 {W1,…,W6}{W1​,…,W6​}（区域传播建模），GEO/HEO节点贡献全部 {W1,…,W10}{W1​,…,W10​}（多事件态势感知）。

定义1（逐层参与掩码）。 节点 ii 的深度分配诱导一个二元掩码 miℓ(t)=1[ℓ≤di(t)]miℓ​(t)=1[ℓ≤di​(t)]。其第 tt 轮的更新为

其中缺失层用 miℓ(t)=0miℓ​(t)=0 表示，而非零值梯度。

4.3 智能体与权限边界

智能体是调度和验证FL执行的控制平面，而非FL算法本身。微观智能体（micro-agents）驻留在每颗卫星上，监控本地遥测、链路状态和浅层训练。中观智能体（meso-agents）驻留在选定的区域节点上，聚合浅层更新。宏观智能体（macro-agents）驻留在高计算能力节点上，协调全局聚合、模型分发、角色迁移和策略执行。地面站仍作为策略预言机和审计者：它在接触窗口内上传经过验证的策略规则和模型发布，接收紧凑日志，并发出紧急覆盖指令，但不参与实时训练或推理循环。

在野火场景中，这种分离在运行上具有重要意义。当LEO节点上的微观智能体检测到其热传感器标记了一个感兴趣区域时，它可以立即增加本地训练频率并通知其指定的MEO中观智能体，而无需等待地面指令。当中观智能体检测到其区域内多个LEO节点正在收敛到相似的热异常梯度时，它可以向GEO/HEO宏观智能体升级一个压缩的情境摘要。地面站在下一个接触窗口收到该摘要，并在必要时发布政策指导——但检测和初步响应已经在轨道时间尺度上通过智能体层级传播。

5 FN-HFL架构

5.1 训练与聚合路径

图2总结了一轮训练。LEO节点在本地数据上训练浅层前缀，并将 ΔW1,ΔW2,ΔW3ΔW1​,ΔW2​,ΔW3​ 发送给指定的MEO聚合器。MEO节点鲁棒地聚合浅层更新，可选择训练中层深度层 W1…W6W1​…W6​，并将区域更新向上转发。壳层1节点逐层聚合所有接收到的贡献者的更新，更新全局模型，并将模型切片向下分发。在野火背景下，上行流携带逐步丰富的火灾态势感知——从个体热异常到区域火线再到大陆风险模式——而下行流分发更新的特征检测器，提升每个层级识别由星座其他部分观测到的新火灾特征的能力。

图2： 三层轨道层级与深度感知模型划分。LEO（壳层3）低计算节点训练浅层模型前缀，MEO（壳层2）中计算节点训练部分模型并执行区域聚合，HEO（壳层1）高计算节点训练完整模型并执行全局聚合。模型深度随轨道层级增加，与每个壳层的计算能力匹配。

5.2 聚合器分配

对于一组浅层节点 St⊂VSt​⊂V，由调度器选择指定的MEO聚合器。设 AtAt​ 为在上传窗口内与至少一个浅层节点有接触的候选MEO聚合器。调度器求解

受内存、计算、链路窗口和安全约束。在野火场景中，调度器还使用火灾区域优先级权重：当前观测到活跃热异常的LEO节点被分配给具有更高带宽预算和更低当前负载的聚合器，确保时间敏感的检测更新不会因竞争性背景遥测流量而延迟。该问题可通过贪婪方法、分布式拍卖或预测接触窗口上的滚动时域优化求解。

6 深度异构联邦优化

6.1 目标

每个节点 ii 具有本地数据分布 DiDi​ 和经验损失 Fi(W)=E(x,y)∼Diℓ(f(x,W),y)Fi​(W)=E(x,y)∼Di​​ℓ(f(x,W),y)。理想的全模型目标为

然而，如果节点 ii 只训练前缀 didi​，它观测到一个掩码梯度。层 ℓℓ 的更新在参与集合上聚合：

全局更新为

在野火场景中，这意味着浅层 W1,W2,W3W1​,W2​,W3​ 从整个星座接收更新——数百或数千个LEO、MEO和GEO节点都训练这些层——而深层 W8,W9,W10W8​,W9​,W10​ 仅从GEO/HEO节点接收更新。这种参与不对称性是设计使然：热异常的浅层特征检测器受益于尽可能广泛的观测火灾类型、植被条件和传感器角度的多样性，而深层多事件模式则需要仅全球层级才能提供的广域持续视图。

6.2 带缺失深度的逐层聚合

一个最小加权聚合器为

其中 αiℓ(t)αiℓ​(t) 可依赖样本数、陈旧度、信任和层质量。鲁棒替代方案逐层截断或过滤：

具有逐层特定的截断率 ρℓρℓ​。低层有大量贡献者（星座中每个LEO节点都训练它们），可以支持强鲁棒统计量且误拒绝风险低。高层贡献者较少，需要信任加权或类似Krum的过滤。在野火背景下，这意味着对浅层热探测层的攻击面临非常大的诚实参考群体——数千个独立观测火灾特征的LEO节点——使得统计上难以偏置聚合。对深层多事件层的攻击面临较小的GEO/HEO节点群体，但通过第9节描述的信任演化协议得到缓解。

6.3 模型一致性

卫星无需存储整个全局模型；它只需存储对应于其分配深度的最新已验证前缀：

每个更新包携带 (model_id,version,round,depth,layer_hashes)(model_id,version,round,depth,layer_hashes)。聚合器仅接受陈旧度在有限窗口 τmax⁡τmax​ 内的更新，并使用 γ(τ)=exp⁡(−β τ)γ(τ)=exp(−βτ) 或分段规则降权。在活跃野火事件中，浅层的陈旧度预算被收紧，因为火灾条件在多次LEO过境的时间尺度上可能发生显著变化，来自较早轨道的陈旧热特征检测器可能反映的是已受控的着火点而非当前活跃火线。

6.4 调度汇集（Scheduled Pooling）

一种朴素策略是让每个节点在每个可用的接触机会传输。这是浪费的：LEO接触窗口每几分钟重现一次，但同一节点的连续浅层更新高度相关且贡献递减的边际梯度信息，而每次无线电激活都带有几乎固定的能量成本，与有效载荷大小无关。FN-HFL改为为每个壳层分配一个汇集间隔 ΠsΠs​，将传输节奏与原始接触窗口可用性解耦：节点累积本地更新，并仅在每个间隔内传输一次汇集更新，而非每个接触一次。

定义2（层级汇集间隔）。 每个壳层 s∈{1,2,3}s∈{1,2,3} 分配一个基础汇集间隔 ΠsΠs​：

壳层 sisi​ 中的节点 ii 仅在汇集边界 t∈{k Πsi:k∈N}t∈{kΠsi​​:k∈N} 传输其累积更新 Δi(t)Δi​(t)，将自上次边界以来本地计算的所有梯度聚合为单个汇集更新，而不是每个LEO过境、每个MEO接触或每个GEO/HEO窗口发送一个包。

间隔顺序 Π3<Π2<Π1Π3​<Π2​<Π1​ 反映了深度顺序 dS<dM<LdS​<dM​<L：浅层受益于频繁、低延迟的更新，因为它们跟踪快速变化的局部现象，并且其庞大的贡献者群体只需要短窗口即可积累统计上有用的聚合；而深层表示缓慢变化的多区域模式，24小时汇集几乎不损失信号，同时显著节省唤醒高功率GEO/HEO无线电和计算子系统的能量成本。汇总是层感知的：节点在汇集间隔内仍尊重第9节的陈旧度预算 τmax⁡τmax​，因此汇集减少传输频率，但不降低超出陈旧度控制已允许范围的梯度新鲜度。

事件自适应覆盖。 定义2中的基础间隔在标称运行期间适用。当节点的微观或中观智能体将事件优先级标志 πi(t)πi​(t) 提升到阈值以上时（例如，LEO处的活跃野火特征），调度器临时将 ΠsiΠsi​​ 压缩到下一个可用接触窗口——极限情况下在每个接触传输，如对 τmax⁡τmax​ 的陈旧度收紧行为所述。这保留了第10.4节和第10节（检测时间、自主升级）的延迟保证，而调度汇集的能量节省适用于占星座运行时间绝大部分的标称非事件状态。

图3： 按层级的调度汇集节奏。每个标记表示定义2基础间隔下的一次汇集上行传输：LEO每30分钟汇集一次，MEO每6小时一次，GEO/HEO每24小时一次，而非在每个原始接触机会传输。阴影带展示了事件自适应覆盖：当活跃野火特征将节点的事件优先级标志提升时，汇集压缩为每次接触传输（橙色标记），直到事件消退，然后恢复基础节奏。

算法1：带调度汇集的一轮FN-HFL训练

1: 全局模型 WtWt​，接触预测 CtCt​，节点资源 {ci(t)}{ci​(t)}，信任分数 {qi(t)}{qi​(t)}，事件优先级权重 {πi(t)}{πi​(t)}，汇集间隔 {Πs}{Πs​}
2: 调度器分配深度 di(t)di​(t)、父聚合器 ai(t)ai​(t)、路由 ri(t)ri​(t)、陈旧度预算 τi(t)τi​(t)、优先级权重 πi(t)πi​(t) 以及（事件调整后的）汇集间隔 Πsi(t)Πsi​​(t)
3: 对于每个LEO浅层节点 ii 并行执行
4:  下载或验证最新前缀 W1:dStW1:dS​t​
5:  在星载传感器数据上本地训练；跨过境累积 Δi1:dSΔi1:dS​​
6:  如果当前时间是 Πsi(t)Πsi​​(t) 的汇集边界，或 πi(t)πi​(t) 超过事件阈值 则
7:   将汇集包 (Δi1:dS,ni,version,hash,qi,πi)(Δi1:dS​​,ni​,version,hash,qi​,πi​) 发送给指定的MEO ai(t)ai​(t)
8:  结束如果
9: 结束循环
10: 对于每个MEO聚合器 aa 并行执行
11:  验证包签名、哈希、版本和陈旧度
12:  按层 1:dS1:dS​ 使用优先级加权鲁棒聚合聚合浅层更新
13:  可选择在区域数据上训练/聚合中层深度更新 Δa1:dMΔa1:dM​​
14:  如果优先级阈值超过，向壳层1升级火灾事件信号
15:  如果当前时间是 Π2Π2​ 的汇集边界，或有待处理的升级 则
16:   发送区域包 (Δa1:dM,coverage,quality,trust,event_flag)(Δa1:dM​​,coverage,quality,trust,event_flag) 给壳层1聚合器
17:  结束如果
18: 结束循环
19: 壳层1聚合器在其自身的 Π1Π1​ 汇集边界为每层 ℓ=1,…,Lℓ=1,…,L 计算深度分层更新
20: 生成 Wt+1Wt+1​、版本化层哈希和分发清单
21: 向下分发模型切片：W1:LW1:L​ 给壳层1对等节点，W1:dMW1:dM​​ 给MEO，W1:dSW1:dS​​ 给LEO

7 调度器设计

调度器求解一个约束在线控制问题。其目标在收敛进展与轨道通信成本、星载资源消耗和事件响应延迟之间进行权衡。在高层，

其中 CTCT​ 是事件响应延迟成本，在活跃野火事件期间升高，驱动调度器优先处理来自火灾观测LEO节点的短路径浅层更新，而非背景遥测任务。CE,CB,CR,CSCE​,CB​,CR​,CS​ 分别表示能量、带宽、辐射风险和陈旧度成本。汇集间隔 Πsi(t)Πsi​​(t) 现在是与深度 didi​、聚合器 aiai​ 和路由 riri​ 并列的一阶调度器决策变量：它初始化为定义2的层级基础值，是调度器用于权衡 CECE​ 与 CTCT​ 的主要杠杆，因为延长 ΠsiΠsi​​ 减少了无线电激活次数（从而降低 CECE​），代价是更新新鲜度变粗，而事件自适应覆盖在 CTCT​ 主导时将 ΠsiΠsi​​ 压缩为每次接触传输。

在实践中，FN-HFL使用三个时间尺度：基于预测轨道接触的长期全局分配；使用新鲜SWaP-C遥测和事件优先级信号的中期更新；以及针对意外ISL中断的短期故障转移策略。调度汇总是基于长期分配运行的：基础间隔 Π3,Π2,Π1Π3​,Π2​,Π1​ 在任务规划时根据预测接触统计设定，仅在SWaP-C状态或事件优先级信号需要偏离时才由中期更新修订。在活跃火灾事件期间，中期更新频率增加以适应快速变化的LEO观测优先级，受影响的节点汇集间隔按第6.4节所述压缩为每次接触传输。

8 框架

本节陈述主要理论目标。其要点是明确实验系统设计用于测试哪些收敛性和鲁棒性性质。

假设1（光滑性和有界层方差）。 对于每一层 ℓℓ，本地随机梯度对于掩码本地目标是无偏的，且具有有界方差 σℓ2σℓ2​。每个本地目标在活跃参数块上是 LFLF​-光滑的。

假设2（有界参与缺口）。 对于每一层 ℓℓ，存在窗口 HℓHℓ​，使得在每个长度为 HℓHℓ​ 的区间内，至少收到 KℓKℓ​ 个层 ℓℓ 的非受损更新。低层 KℓKℓ​ 由浅层、中层和深层节点主导；高层 KℓKℓ​ 由深层节点主导。

命题1（深度诱导梯度偏差，非正式）。 令 gℓ(t)gℓ​(t) 为层 ℓℓ 的全种群梯度，g^ℓ(t)g^​ℓ​(t) 为逐层FN-HFL估计。则

其中 πtπt​ 是调度器选择的路径深度分布。在野火场景中，当不同LEO节点观测到结构上不同的火灾类型（草地火灾与森林冠层火灾）时，低层的数据异质性项 BℓnonIIDBℓnonIID​ 较高，但正是大量LEO参与计数提供了自然多样性诱导的平均效应。

定理1（收敛目标，非正式）。 在光滑性、有界参与缺口、有界陈旧度和有界鲁棒聚合误差下，FN-HFL应收敛到一个平稳邻域，其半径取决于深度参与偏差、逐层方差、非IID数据偏斜和鲁棒滤波误差。建立该界限的紧致形式是完整论文的主要理论贡献目标。

9 安全与故障模型

FN-HFL将辐射故障和对抗性入侵统一到一个更新完整性接口下。损坏的更新可能由单粒子翻转、陈旧内存、固件受损、本地数据投毒或恶意梯度引起。关键的新风险——直接由第2节野火场景分析驱动——是深度定向投毒：一个深层节点可以发送对于完整模型训练看似合理、同时向所有卫星使用的低层注入恶意信号的更新。由于浅层卫星不检查深层表示，防御必须逐层运行。

防御有四个组成部分。首先，逐层鲁棒聚合比较每个深度级别贡献者的更新范数、余弦相似性和历史行为。对于低层，大量的浅层节点群体（所有训练火灾检测特征的LEO节点）提供了密集的参考分布，使得统计离群值检测即使面对复杂攻击也有效。其次，跨深度一致性检查验证深层节点对低层的更新是否与浅层节点对相同层的更新分布一致。发送会使低层权重远离在类似数据上LEO训练更新分布的深层节点将被标记以供信任审查。第三，版本和哈希验证确保更新包不会从早期轮次重放，那时火灾条件不同。第四，信任演化根据观测到的梯度行为维护每个节点的信任分数；一个节点的更新被反复标记为与浅层节点参考分布不一致时，其信任分数降低，导致其在鲁棒聚合中的贡献被降权，直到地面审计验证其完整性。

10 实验

我们从六个维度评估FN-HFL：收敛质量、通信效率、资源适应性、对抗和故障条件下的鲁棒性、运行延迟以及调度汇集的能量节省。所有实验使用野火检测任务作为主要基准，入侵检测和预测性健康作为次要泛化测试。除非另有说明，结果报告为十个独立运行的均值 ±± 一个标准差，使用不同随机种子、星座初始化和接触调度扰动。

10.1 实验设置

模拟器。 我们使用Python实现了一个离散事件轨道模拟器，使用SGP4传播[10]和来自合成Walker-star星座的双行元素集生成接触窗口。每个仿真步对应一个轨道周期（550 km LEO约94分钟）。ISL中断以每个链路每轮独立伯努利事件注入，概率 pout=0.08pout​=0.08，根据已发表的LEO网状网络研究中观测到的中断率校准。SWaP-C状态根据物理信息电池和热模型演化：电池荷电状态遵循与日蚀分数（550 km太阳同步约37%）相关的充放电循环，处理器可用性随模拟任务持续时间累积的辐射剂量随机退化。

星座配置。 我们运行三种星座规模：小型（108颗卫星：90 LEO / 12 MEO / 6 GEO）、中型（540颗卫星：450 LEO / 60 MEO / 30 GEO）和大型（1080颗卫星：900 LEO / 120 MEO / 60 GEO）。这些比例反映了现实的巨型星座设计，其中LEO感知节点数量远超聚合节点。计算预算异构分配：LEO节点采用ARM Cortex-M7级、LEON4级配置文件，0.5–4 GFLOPS；MEO节点采用边缘加速器配置文件，10–40 GFLOPS；GEO/HEO节点采用高计算配置文件，80–200 GFLOPS。

模型架构。 全局模型是一个10块卷积骨干网络，带跳跃连接，总计约12M参数。浅层前缀（dS=3dS​=3块，约1.1M参数）、中层前缀（dM=6dM​=6块，约5.4M参数）和完整模型（L=10L=10块，约12M参数）。对于LEO节点，这对应约18 MB的训练内存占用；MEO节点约87 MB；GEO/HEO节点需要包括优化器状态在内的约192 MB完整占用。

数据分布。 对于野火检测，我们将一个合成多光谱图块数据集（240万标记样本）按四种机制分区到星座中：IID（均匀随机）、轨道面非IID（同一轨道面内的卫星共享火灾类型分布偏差）、地理驱动非IID（特定生物群落上空的LEO节点观测到结构不同的火灾特征）和故障偏斜非IID（退化节点接收损坏或低质量传感器读数）。所有主要结果默认使用地理驱动非IID，因为它在运行上最现实。

训练协议。 每个本地训练步骤使用SGD，动量0.9，权重衰减 10−410−4。每轮本地轮次：LEO节点3次，MEO节点5次，GEO/HEO节点8次，反映更高轨道可用的更长接触窗口。全局学习率为 η0=0.05η0​=0.05，余弦衰减。我们训练300全局轮次（约18.75模拟天），除非在保留验证星座上的早停触发。陈旧度预算：浅层 τmax⁡=4τmax​=4 轮，深层 τmax⁡=2τmax​=2 轮，活跃火灾事件窗口收紧到 τmax⁡=1τmax​=1。除非活跃火灾事件正在进行，FN-HFL按定义2在基础间隔（LEO 30分钟，MEO 6小时，GEO/HEO 24小时）汇集更新；本地梯度在汇集边界之间继续累积，不会被丢弃。

基线。 我们比较了六个覆盖设计空间的基线：

所有六个基线遵循先前卫星FL工作中的机会性惯例：每个节点在每个可用接触窗口传输，而非跨窗口汇集。表1和第10.2–10.6节在所有方法（包括FN-HFL）的通用机会传输设置下报告结果，以便收敛、通信和鲁棒性比较分离出深度异构性单独的影响。第10.10节随后通过仅为FN-HFL重新启用调度汇集来隔离其额外的、可分离的能量效应，并报告由此产生的能量增量。

10.2 研究问题1：极端异构下的收敛性

图4显示了在地理驱动非IID下中型星座上所有方法的AUROC随全局轮次变化。表1报告了最终轮次性能和达到目标（80% AUROC）的轮次数。

图4： 野火检测任务上所有方法的收敛曲线（AUROC vs. 全局轮次）（中型星座，地理驱动非IID）。阴影带显示10个种子的 ±1±1 标准差。水平虚线标记80% AUROC目标。FN-HFL在47轮达到目标——比FedAvg-full快1.7倍，比分层次FL快1.9倍——且收敛到比所有基线更高的最终AUROC。

FN-HFL达到最终AUROC 0.891±0.0080.891±0.008，而分层FL为 0.847±0.0120.847±0.012，DepthFL风格为 0.823±0.0190.823±0.019。FedAvg-full达到 0.863±0.0140.863±0.014，但仅通过排除61%无法满足完整模型内存要求的LEO节点，实际上浪费了大部分感知星座。FedAvg-small仅达到 0.771±0.0210.771±0.021，证实了为最弱节点设计牺牲了大量表示能力。

达到目标的轮次数显示出更明显的优势。FN-HFL在 47±447±4 轮达到80% AUROC，而分层FL为 89±1189±11 轮，HeteroFL/FjORD风格为 112±17112±17 轮。加速来自两个复合效应：浅层LEO节点从第1轮起就贡献有用的梯度信号而非退出，MEO区域聚合防止每轮梯度噪声淹没全局信号。

在不同星座规模上，FN-HFL一致扩展：大型星座AUROC为 0.896±0.0060.896±0.006，优于小型（0.874±0.0110.874±0.011）。相比之下，FedAvg-full在规模扩大时有效参与率下降（39%→31%39%→31%，随着更多受限LEO节点加入），导致大型星座AUROC仅为 0.851±0.0170.851±0.017，尽管名义上拥有更多数据。

表1： 所有方法的主要实验比较（中型星座，地理驱动非IID，野火检测主要任务）。↑↑：越高越好；↓↓：越低越好。粗体表示最佳结果；†† 表示相对于次优的统计显著改进（p<0.05p<0.05，配对置换检验）。

方法

AUROC ↑↑

达到80%轮次 ↓↓

ISL字节/轮 (MB) ↓↓

能量/轮 (kJ) ↓↓

错过窗口 (%) ↓↓

攻击成功率 (%) ↓↓

10.3 研究问题2：通信效率

ISL带宽是卫星FL的主要瓶颈：链路容量从激光ISL约200 Mbps到射频ISL约10 Mbps不等，接触窗口以分钟计。如表1所示，FN-HFL每轮传输 894±61894±61 MB——比分层FL（1,923 MB）减少53.5%，比FedAvg-full（2,847 MB）减少68.6%。Split-FL成本最高（3,214 MB），因为中间激活张量相对于梯度更新较大。

减少来自两个机制。首先，LEO到MEO传输仅携带浅层更新（ΔW1:3ΔW1:3​，每节点约4.2 MB）而非完整模型梯度。其次，MEO到GEO携带单个压缩区域聚合，而非将数十个单独LEO包向上中继。FN-HFL在累计传输成本约42 GB时达到80% AUROC，而FedAvg-full在相同性能水平约222 GB。

错过窗口率为FN-HFL 6.1±1.0%6.1±1.0%，而FedAvg-full 29.3±3.1%29.3±3.1%。浅层梯度包（约4.2 MB）在3–7分钟LEO接触窗口内完成的概率远高于完整模型梯度包（约46 MB）。

10.4 研究问题3：SWaP-C退化下的资源适应性

我们模拟一个90天火灾季节，期间电池退化15%，辐射引起的计算故障以每节点每天0.3个软错误累积，且8%的LEO节点在第60天发生永久处理器降级至40%容量。图5跟踪了任务期间的AUROC、有效参与率和每轮能量。

图5： 90天模拟火灾季节的资源适应性。左：AUROC退化。中：有效节点参与率。右：每轮能量。垂直虚线标记第60天（LEO处理器永久降级开始）。FN-HFL通过动态降低退化节点的深度分配保持接近恒定的参与率，调度器的能量适应使得尽管退化节点群体增长，到第90天每轮能量略有下降。

FN-HFL优雅退化：AUROC从第0天0.891下降到第90天 0.878±0.0110.878±0.011，相对退化仅1.5%。调度器动态降低退化节点的深度分配（从 dS=3dS​=3 到最受限节点的 dS=2dS​=2），通过剩余健康LEO节点维持低层覆盖，并将中观智能体责任迁移到累积辐射剂量较低的MEO节点。分层FL退化更严重，到第90天为 0.821±0.0180.821±0.018（相对下降3.1%），因为它无法在不完全丢弃节点的情况下降低每节点训练负载，导致有效参与率从78%降至58%。FedAvg-full的参与率在第90天崩溃至24%，AUROC为 0.809±0.0240.809±0.024。

值得注意的是，FN-HFL的能量消耗从第0天 7.3±0.77.3±0.7 kJ下降到第90天 6.8±0.96.8±0.9 kJ，因为调度器在退化节点上用边际梯度质量换取可持续参与。这是设计特征：调度器显式惩罚相对于预期梯度贡献的能量消耗。

10.5 研究问题4：对抗和辐射故障下的鲁棒性

深度定向投毒。 我们注入攻击，其中比例为 f∈{0.05,0.10,0.20,0.30}f∈{0.05,0.10,0.20,0.30} 的GEO/HEO节点向低层 W1:3W1:3​ 发送符号翻转梯度，同时向高层 W7:10W7:10​ 发送看似合理的梯度（以规避逐层无关检测）。在 f=0.10f=0.10 时，FN-HFL的深度分层聚合将攻击成功率保持在 11.4±2.2%11.4±2.2%，而分层FL为 43.5±4.1%43.5±4.1%，FedAvg-full为 41.2±4.8%41.2±4.8%（表1）。防御有效是因为约450个LEO训练的浅层更新提供了密集参考分布：受影响的GEO/HEO对 W1:3W1:3​ 的梯度是统计离群值，截断均值聚合器以高概率拒绝。

在 f=0.20f=0.20 时，FN-HFL退化到 18.9±3.1%18.9±3.1% 攻击成功率，仍远低于所有基线 >50%>50% 的成功率。在 f=0.30f=0.30 时，所有方法显著退化；FN-HFL达到 31.4±4.2%31.4±4.2%，因为GEO/HEO层级变得太小，无法支持强鲁棒统计量——这是需要多数诚实贡献者的截断均值规则的已知边界。

辐射引起的更新损坏。 在 pSEU=10−3pSEU​=10−3（低倾角LEO的保守COTS处理器估计）下，FN-HFL的哈希验证和梯度范数过滤在聚合前捕获 94.3±1.8%94.3±1.8% 的损坏更新。剩余未捕获的损坏导致AUROC退化 0.012±0.0030.012±0.003，与FedAvg-full（0.011±0.0040.011±0.004）相当，但通信和能量成本大幅降低。

10.6 研究问题5：运行延迟和野火特定指标

图6显示了检测时间和自主升级率与接触窗口稀疏度的关系。

图6： 检测时间（从着火到首次正确壳层1升级且置信度 ≥0.85≥0.85 的轮次数）与接触窗口中断率的关系，针对高强度火灾（左上）和低强度火灾（右上）。阴影带显示每个稀疏度级别200个火灾事件的 ±1±1 标准差。底部：三个稀疏度级别下的自主升级率（在下一个地面接触窗口前升级的事件比例）。FN-HFL即使在50%稀疏度下也保持高自主升级率，而分层FL降至50%以下。

检测时间。 FN-HFL对高强度火灾的平均检测时间为 2.3±0.62.3±0.6 轮，低强度火灾为 4.1±1.14.1±1.1 轮（一轮约94模拟分钟）。分层FL分别需要 4.8±1.44.8±1.4 和 9.3±2.79.3±2.7 轮；FedAvg-full需要 6.2±2.16.2±2.1 和 13.7±4.413.7±4.4 轮。FN-HFL的优势在低强度阴燃火灾中最大：广泛训练的浅层LEO特征检测器对细微早期热特征比仅在能够负担完整模型训练的子集卫星上训练的浅层更敏感。

如图6所示，优势随稀疏度增加而增强。在50%接触窗口中断下，FN-HFL对高强度火灾的检测时间仅上升到 5.1±0.95.1±0.9 轮，而分层FL达到 15.9±3.115.9±3.1 轮——3.1×3.1× 差距，在零稀疏度时为 2.1×2.1×。该架构更小的每包足迹意味着即使中断频繁，更新也更有可能在可用窗口内完成传输。

遏制时间。 FN-HFL达到一致区域火灾周界分类的轮次为 9.4±2.19.4±2.1 轮，而分层FL为 18.2±4.318.2±4.3 轮。差异反映了中层深度区域层更快收敛：MEO节点从广泛训练的LEO前缀接收更高质量的浅层预特征，需要更少的额外训练步骤来准确描绘火线边界。

地面回路消除。 如图6所示，FN-HFL在下一次地面接触窗口（平均接触间隔约6小时）前自主升级 91.2±2.8%91.2±2.8% 的高强度火灾事件和 74.6±4.1%74.6±4.1% 的低强度事件。即使在50% ISL稀疏度下，FN-HFL对高强度事件保持76.4%的自主升级率，而分层FL为41.2%。低强度事件25%的失败率反映了真实的检测不确定性，适宜地推迟到地面审查，与策略设计一致。

10.7 消融研究

表2报告了在地理驱动非IID下中型星座上的六项消融实验。

表2： 消融研究。每行移除一个FN-HFL组件。ΔΔ AUROC相对于完整FN-HFL系统（0.891）。中型星座，地理驱动非IID。

消融

AUROC ↑↑

ΔΔ AUROC

达到80%轮次 ↓↓

最大单个组件效应是(A2)移除深度异构性（−0.040−0.040 AUROC，达到目标轮次从47增至91），确认了深度-拓扑协同设计是核心架构贡献。统一 d=6d=6 导致61%的LEO节点退出（超出内存预算），同时阻止GEO/HEO节点训练火灾风险分类所需的深层多事件表示。

(A3)移除鲁棒聚合产生第二大下降（−0.047−0.047），但这主要是在对抗场景下：在无攻击条件下，移除鲁棒聚合仅导致 −0.012−0.012 AUROC下降，表明深度分层鲁棒规则的大部分价值在对抗压力下体现。这在实践中很有用：在可信星座中部署FN-HFL的从业者可以使用更简单的逐层均值而不会显著影响性能，将鲁棒聚合保留给威胁升高场景。

(A4)移除陈旧度控制（−0.029−0.029）主要集中在低强度火灾的检测时间退化上（4.1±1.1→7.8±2.44.1±1.1→7.8±2.4 轮），确认陈旧度控制对于时间敏感检测任务尤为重要，因为火灾条件在LEO过境间快速变化。

(A5)和(A6)具有较小但显著的影响，主要在第10.4节90天资源适应性实验中可见，而非在第0轮准确率中。

10.8 泛化到次要任务

表3总结了FN-HFL在入侵检测和预测性卫星健康上的表现。在所有三个任务上的一致增益确认了深度-拓扑协同设计可泛化到任何信息层级自然对齐轨道层级结构的感知任务。

表3： 次要任务泛化（中型星座，地理驱动非IID）。

方法

入侵检测 F1 ↑↑

健康预测 MAE (天) ↓↓

10.9 Pareto分析

FN-HFL在野火检测AUROC和ISL每轮字节之间的Pareto前沿上主导所有基线：它以比所有比较方法更低的通信成本实现更高的AUROC。最接近的竞争者是Split-FL，其AUROC相当（0.844），但通信成本为FN-HFL的3.6倍——在活跃火灾事件期间ISL容量受到遥测和状态估计流量压力时，对于ISL受限星座不可行。

对解释结果有两个限定条件。首先，我们的模拟器使用理想化接触窗口预测；真实星座将经历来自姿态机动和未预报空间天气事件的额外调度不确定性，可能使错过窗口差距超出我们报告的范围。其次，12M参数骨干网络处于GEO/HEO节点（80–200 GFLOPS）能支持的较小端；更大的全局模型将增加深度异构训练的相对优势（因为FedAvg-full的参与率将进一步下降），但需要重新校准上层的陈旧度预算。

10.10 研究问题6：调度汇集的能量节省

到目前为止所有结果（表1，第10.2–10.6节）均在机会传输下报告，即每个方法（包括FN-HFL）在每个可用接触窗口传输。我们现在通过在地理驱动非IID下重新运行中型星座并仅为FN-HFL启用调度汇集（第6.4节，定义2），使用基础间隔 Π3=30Π3​=30 分钟，Π2=6Π2​=6 小时，Π1=24Π1​=24 小时，在活跃事件窗口期间按第10.6节压缩为每次接触传输，来隔离调度汇集的额外可分离能量效应。我们报告每节点每天的能量而非每轮能量，因为汇集改变了每单位时间内的传输次数，使得跨不同汇集方法的每轮比较具有误导性。

表4： 按轨道层级在有和无调度汇集下的能量消耗（中型星座，地理驱动非IID，标称非事件运行）。基线与表1配置一致，在每个接触窗口传输；仅FN-HFL进行汇集。每节点每天能量包括无线电激活、计算和空闲监听成本。

方法

LEO (J/节点/天) ↓↓

MEO (J/节点/天) ↓↓

GEO/HEO (J/节点/天) ↓↓

表4显示，调度汇集使FN-HFL本已最低的能量足迹进一步降低：LEO降低39.9%，MEO降低39.7%，GEO/HEO降低39.1%（相对于无汇集的FN-HFL），相对于FedAvg-full分别降低65.0%、65.0%和61.4%。尽管绝对能量预算差异很大，但各层级的百分比减少大致均匀，因为在所有三个层级，无线电激活——而非有效载荷传输——主导了每次事件能量成本，而汇集在每个层级以相似的相对因子减少了激活次数，基于我们的基础间隔：原本在每个约3–7分钟接触传输的LEO节点改为大约每30分钟窗口传输一次，MEO节点大约每6小时窗口传输一次而非每次区域接触，GEO/HEO节点大约每24小时窗口传输一次而非每个可用交叉链路机会。

图7： 调度汇集的逐层级能量节省。所有基线和未汇集FN-HFL变体在每个接触窗口传输。启用调度汇集使FN-HFL的能量足迹在每个层级进一步降低39–40%（箭头标注），且未显著影响收敛或事件响应延迟（第10.10节）。

汇集未显著影响第10.2节的收敛和准确率结果：在汇集标称训练下，AUROC在第47轮达到 0.888±0.0090.888±0.009，而机会传输为 0.891±0.0080.891±0.008——差异在一个标准差内，因为汇集间隔选择在每个层级现有陈旧度预算 τmax⁡τmax​ 内（第10节）而非放宽它。达到目标的轮次略微延长，从 47±447±4 到 51±551±5，反映了MEO和GEO/HEO在早期训练中更新节奏稍粗。活跃火灾事件的检测时间（第10.6节）不受影响，因为事件自适应覆盖在触及陈旧度或延迟预算之前将汇集压缩为每次接触传输；因此表4中的能量节省几乎完全在占90天能量预算主要部分的非事件运行时间内累积（第10.4节）。将调度汇集与第10.4节已报告的SWaP-C感知深度减少相结合，在相同星座规模下，预测的90天任务能量预算比FedAvg-full低约54%，但我们尚未在汇集下重新运行完整90天退化模拟，将其报告为待完整重新模拟的预测值。

11 讨论与局限性

FN-HFL不是经过飞行认证的系统。所提议的论文仍必须解决模拟器现实性、收敛证明紧致性、故障注入保真度以及自主智能体行为的安全验证。野火场景虽具有动机上的说服力，但也凸显了值得一流实验关注的局限性。首先，火灾行为高度非平稳：一场在几小时内可预测的火灾可能因风向变化或燃料变化而快速转变，可能使模型已学习的表示失效。调度器在活跃事件期间收紧陈旧度预算部分解决了这一问题，但模型适应快速火灾状态变化的能力需要明确的鲁棒性评估。其次，野火场景中假设的深度分配（LEO学习像素，MEO学习火线，GEO学习模式）反映了可能不适用于所有火灾类型或传感器配置的领域假设；消融实验应测试在该假设被违反时架构是否优雅退化。第三，智能体升级路径引入了新的运行风险：错误升级的火灾信号到达GEO/HEO可能触发具有实际运行后果的资源预置决策。错误升级率指标直接解决了这一问题，但敏感性和特异性之间的阈值校准是需要地面输入的政策问题。第四，第6.4节的调度汇集间隔是针对野火场景的事件到达统计调优的；更频繁低优先级异常的领域可能侵蚀能量收益，如果事件自适应覆盖触发足够频繁使节点接近每次接触传输，而目前的结果未描述该交叉点。

12 结论

我们提出了FN-HFL，一种面向自主空间计算的分形原生异构联邦学习架构。关键设计动作是将路径深度与计算深度和信息深度等同：浅层卫星训练检测局部像素级现象的早期模型前缀；中层卫星聚合区域上下文并训练空间传播的中层表示；高计算能力卫星维护跨越星座全视场的多事件系统模式的深层表示。第2节发展的野火场景表明，这种深度-拓扑对应关系不是工程便利，而是对星座每个层级能够观测、计算和贡献的内容的原则性反映。在该深度层级之上叠加层级特定的调度汇集（LEO 30分钟，MEO 6小时，GEO/HEO 24小时），相对于机会传输，进一步将每层级能量消耗降低约39–40%，而未显著影响收敛或事件响应延迟，因为事件自适应覆盖在时效性受影响时回退到每次接触传输。通过协同设计拓扑、学习、调度通信节奏和智能体调度，FN-HFL为可扩展的在轨智能提供了一条路径，无需假设同质卫星、实时地面控制或具有静态感知需求的应用场景。