低軌衛(wèi)星互聯(lián)網(wǎng)星載邊緣計算卸載策略

李誠成，張亞生，孫晨華

(中國電子科技集團(tuán)公司第五十四研究所，河北 石家莊 050081)

0 引言

衛(wèi)星網(wǎng)絡(luò)相對于其他通信方式，具有覆蓋面積大、不受地形限制等優(yōu)勢。隨著低軌衛(wèi)星互聯(lián)網(wǎng)的發(fā)展[1-2]，衛(wèi)星網(wǎng)絡(luò)具備了全球無縫覆蓋和寬帶業(yè)務(wù)能力，必然會成為5G/6G移動通信系統(tǒng)不可或缺的部分[3]。低軌衛(wèi)星互聯(lián)網(wǎng)[4-6]以寬帶業(yè)務(wù)為主要特征，以通信為主，可搭載部分感知類載荷，以支持傳統(tǒng)通信向支持陸、海、空、天用戶接入方向發(fā)展，尤其是支持天基用戶接入，使其具有了中繼星座的功能，因此星上部署計算能力十分必要。

另一方面，云計算技術(shù)已經(jīng)成為現(xiàn)代信息技術(shù)領(lǐng)域的基礎(chǔ)技術(shù)之一，且越來越多的服務(wù)基于云計算提供，在低軌衛(wèi)星互聯(lián)網(wǎng)中引入云計算技術(shù)，可以有效支撐天基用戶的遙感數(shù)據(jù)處理等計算密集型業(yè)務(wù)。亞馬遜公司旗下的云計算服務(wù)平臺AWS已經(jīng)推出了衛(wèi)星云計算服務(wù)，用于存儲和處理數(shù)據(jù)，應(yīng)用包括縮短自然災(zāi)害圖像和天氣預(yù)測的數(shù)據(jù)處理和分析時間，以及處理合成孔徑雷達(dá)(Synthetic Aperture Radar，SAR)圖像，供急救人員在主動搜索、救援中使用。

在低軌衛(wèi)星互聯(lián)網(wǎng)中引入云計算能夠擴(kuò)展網(wǎng)絡(luò)應(yīng)用場景和領(lǐng)域，而且隨著云計算的應(yīng)用越來越普及，或許還需要支撐用戶的云計算業(yè)務(wù)。但是，由于云計算中心通常部署在地面，直接引入云計算會帶來諸多問題，比如衛(wèi)星網(wǎng)絡(luò)用戶在獲取云計算服務(wù)時，會占用大量星地/星間鏈路帶寬，且用戶感知的服務(wù)時延較高等。

為了解決云計算引入帶來的新問題，本文考慮在低軌衛(wèi)星互聯(lián)網(wǎng)中引入邊緣計算。低軌衛(wèi)星互聯(lián)網(wǎng)的每顆衛(wèi)星都是網(wǎng)絡(luò)的接入節(jié)點(diǎn)(網(wǎng)絡(luò)邊緣)，顯然將邊緣計算資源部署在衛(wèi)星上能夠真正發(fā)揮邊緣計算技術(shù)優(yōu)勢，使用戶能夠在全球任何位置就近獲得計算存儲服務(wù)，快速響應(yīng)用戶的業(yè)務(wù)處理需求，為用戶提供低時延云計算服務(wù)，并減少衛(wèi)星網(wǎng)絡(luò)鏈路帶寬消耗，提升網(wǎng)絡(luò)性能和用戶服務(wù)體驗(yàn)。

星載邊緣計算有很多應(yīng)用場景，本文針對計算卸載場景開展研究。在低軌星座邊緣計算系統(tǒng)中，最簡單的計算卸載方式就是用戶終端將計算任務(wù)直接卸載給其接入衛(wèi)星(過頂衛(wèi)星)。然而，在整個星座范圍內(nèi)，每顆衛(wèi)星下計算任務(wù)需求具有不均衡特點(diǎn)。比如，城市區(qū)域的用戶終端可以通過移動通信接入網(wǎng)絡(luò)，因此不需要將計算任務(wù)卸載給衛(wèi)星；而邊境區(qū)域和海上可能部署了大量的用戶終端，這些終端只能通過衛(wèi)星進(jìn)行計算卸載。

因此，如果每個用戶終端都簡單地將計算任務(wù)卸載到接入衛(wèi)星，則會出現(xiàn)不同衛(wèi)星負(fù)載不均衡的情況，且對于卸載需求量大的衛(wèi)星來說，可能會由于執(zhí)行大量計算任務(wù)，導(dǎo)致電量消耗過快，降低正常運(yùn)行時長。所以，本文認(rèn)為應(yīng)該考慮將計算任務(wù)在整個系統(tǒng)內(nèi)進(jìn)行合理分配，從而提高系統(tǒng)的負(fù)載均衡程度，并延長整個系統(tǒng)正常工作時長。

本文通過將低軌星座邊緣計算系統(tǒng)中的計算卸載建模為一個最優(yōu)化問題，并求解該最優(yōu)化問題，從而做出最優(yōu)的計算卸載決策。經(jīng)過仿真評估，本文所提計算卸載算法在負(fù)載均衡和系統(tǒng)流量開銷方面都有較好的性能。

1 相關(guān)研究工作

星載邊緣計算正在越來越多地受到國內(nèi)外機(jī)構(gòu)的關(guān)注和重視。2018年4月，美國國防高級研究計劃局(Defense Advanced Research Projects Agency，DARPA)啟動了“黑杰克”項(xiàng)目，目前已授出超過8 100萬美金的研發(fā)合同，其星上載荷能夠自主地向戰(zhàn)區(qū)內(nèi)的軍事用戶和平臺生成戰(zhàn)術(shù)相關(guān)信息；支持功能軟件定義，可通過增加軟件來實(shí)現(xiàn)增加任務(wù)能力。在“黑杰克”星座內(nèi)，星上的Pit Boss主要功能包括自主在軌邊緣處理、數(shù)據(jù)管理、健康監(jiān)控和位置保持等，它可快速自主地進(jìn)行任務(wù)分派、處理和向有人控制和無人控制的用戶單元分發(fā)戰(zhàn)術(shù)相關(guān)的信息。

中國科學(xué)院軟件研究所于2018年11月發(fā)射了第一顆在軌試驗(yàn)衛(wèi)星“天智一號”，這是一顆以軟件為主的衛(wèi)星，同時也具備智能計算能力，可以通過上注應(yīng)用軟件或是在地面訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型，在軌實(shí)時執(zhí)行一些智能任務(wù)，例如智能目標(biāo)檢測識別、智能云判讀、基于強(qiáng)化學(xué)習(xí)的智能姿態(tài)控制等。

2021年12月，北京郵電大學(xué)等單位發(fā)射了天算星座，該星座擬構(gòu)建空天計算在軌實(shí)驗(yàn)開放開源服務(wù)平臺，驗(yàn)證了基于KubeEdge的云邊協(xié)同計算平臺，以在軌處理照片為例，展示了星載邊緣計算在降低星地數(shù)傳帶寬消耗方面的潛在優(yōu)勢。

目前，在衛(wèi)星網(wǎng)絡(luò)邊緣計算方向的學(xué)術(shù)研究工作還比較少,接下來本文對最新的相關(guān)研究工作進(jìn)行介紹。

Cheng等人[7]提出了一個空、天、地一體化網(wǎng)絡(luò)的邊緣/云計算架構(gòu)，用于卸載計算密集任務(wù)，同時考慮了遠(yuǎn)端的能量和計算資源約束，在這個架構(gòu)中，無人機(jī)提供靠近用戶的邊緣計算服務(wù)，衛(wèi)星提供對云計算的接入?？梢?，該文獻(xiàn)并未考慮利用衛(wèi)星提供邊緣計算服務(wù)，與本文的問題場景不同。

Zhang等人[8]分析了衛(wèi)星移動邊緣計算的可選部署方案，并且提出了協(xié)作式計算卸載，即衛(wèi)星邊緣計算服務(wù)器互相協(xié)作，以完成用戶的計算任務(wù)。本文考慮將邊緣計算節(jié)點(diǎn)部署于低軌衛(wèi)星上，與該文獻(xiàn)中的協(xié)作式計算卸載的系統(tǒng)架構(gòu)不同。

Wang等人[9]提出了一個帶有雙層邊緣計算的星地網(wǎng)絡(luò)，來為偏遠(yuǎn)地區(qū)提供計算服務(wù)，并設(shè)計了一個策略，來解決星地網(wǎng)絡(luò)中分布式邊緣服務(wù)器的高效調(diào)度問題，以提供更好的邊緣計算服務(wù)。該文獻(xiàn)考慮的場景包括通過衛(wèi)星回傳的基站，但是在諸如海上、災(zāi)難等場景中，不具備部署基站的條件，因此本文考慮直接利用衛(wèi)星提供邊緣計算服務(wù)。

Wang等人[10]提出了一個星載邊緣計算中的基于博弈論的計算卸載策略優(yōu)化方法，對星載邊緣計算中的計算卸載問題進(jìn)行了建模，考慮了由于衛(wèi)星高速移動帶來的星地鏈路間歇性連通情況。但是，該文獻(xiàn)只考慮將計算任務(wù)卸載給接入衛(wèi)星，無法更高效地利用多顆衛(wèi)星的計算資源。

Xie等人[11]提出了一個名為星地一體化邊緣計算網(wǎng)絡(luò)(STECN)的架構(gòu)，該架構(gòu)中計算資源存在于多層異構(gòu)邊緣計算集群中(包括衛(wèi)星)，使任意位置的用戶都可以獲得計算服務(wù),但是該文獻(xiàn)并沒有提出具體的計算卸載策略。

2 應(yīng)用場景設(shè)計

接下來給出幾種低軌衛(wèi)星互聯(lián)網(wǎng)邊緣計算的應(yīng)用場景，第一個應(yīng)用場景就是信息服務(wù)前置場景，如圖 1所示。傳統(tǒng)服務(wù)獲取模式中，衛(wèi)星網(wǎng)絡(luò)中的用戶從地面獲取服務(wù)，需要建立用戶終端與遠(yuǎn)端地面云之間的連接，并且在這個連接上傳輸信息。采用這種模式，一方面用戶獲取服務(wù)所需時延大且不穩(wěn)定，另一方面耗費(fèi)了大量的饋電鏈路和星間鏈路帶寬。如果基于低軌星座邊緣計算技術(shù)，可以預(yù)先將服務(wù)放置在星載邊緣計算節(jié)點(diǎn)上，用戶只需要與衛(wèi)星建立連接即可獲取服務(wù)，一方面降低了時延，另一方面減少帶寬消耗。尤其是當(dāng)大量用戶需要該服務(wù)時，這種邊緣信息分發(fā)模式帶寬節(jié)省更明顯。

圖1 服務(wù)前置場景Fig.1 Edge-based service scenario

第二個應(yīng)用場景是基于低軌邊緣計算的計算卸載場景，如圖 2所示，以無人機(jī)為例，無人機(jī)可以將視頻或圖像數(shù)據(jù)發(fā)送給衛(wèi)星，由衛(wèi)星進(jìn)行目標(biāo)識別，并將識別結(jié)果返回給無人機(jī)，完成OODA環(huán)。

圖2 計算卸載場景Fig.2 Computation offloading scenario

隨著計算密集型應(yīng)用越來越多，用戶終端對計算卸載的需求越來越大[12]。尤其是對于資源受限、電量寶貴的用戶終端，顯然需要將數(shù)據(jù)分析任務(wù)卸載到網(wǎng)絡(luò)中[13]，而不應(yīng)由終端自己處理。然而，如果通過衛(wèi)星網(wǎng)絡(luò)將計算任務(wù)卸載給遠(yuǎn)端云計算中心，存在通信時延大、流量開銷高等問題[14]。因此，本文認(rèn)為應(yīng)該將計算平臺直接部署在衛(wèi)星上，提供星載邊緣計算能力，用戶終端將計算任務(wù)卸載給衛(wèi)星執(zhí)行，從而避免通信路徑長的問題，就近為用戶終端提供計算卸載服務(wù)。

第三個應(yīng)用場景是天基遙感處理與分發(fā)，如圖 3所示。傳統(tǒng)的遙感信息應(yīng)用模式采用的是“獲取數(shù)據(jù)-下傳數(shù)據(jù)-地面處理數(shù)據(jù)-信息生成-地面分發(fā)”的工作流程，一方面用戶獲取信息所需時間較長，另一方面大量的遙感數(shù)據(jù)下傳對星地鏈路帶來了很大壓力。而基于低軌星座邊緣計算，遙感衛(wèi)星可以將未處理的遙感數(shù)據(jù)(比如SAR回波數(shù)據(jù))發(fā)送給星載邊緣計算節(jié)點(diǎn)，由后者進(jìn)行處理并解譯信息后(比如目標(biāo)位置信息)，直接將信息分發(fā)給用戶，從而有效提高整個信息支援的時效性，并降低星地數(shù)傳鏈路壓力。

圖3 天基信息支援Fig.3 Space-based information support scenario

以遙感圖像高效壓縮場景為例。隨著星載遙感設(shè)備的能力越來越強(qiáng)，產(chǎn)生的圖像尺寸和分辨率也越來越高，尤其是隨著高光譜遙感技術(shù)的發(fā)展，產(chǎn)生的數(shù)據(jù)量呈現(xiàn)爆炸式增長。如果將這些遙感圖像數(shù)據(jù)只進(jìn)行簡單的壓縮編碼就下傳給地面應(yīng)用中心，會給星地數(shù)傳鏈路帶來巨大壓力。而基于低軌星座邊緣計算，可以對遙感數(shù)據(jù)進(jìn)行有效壓縮(比如對圖像中的云進(jìn)行識別并去掉云區(qū)域)[15]，從而提升有效信息所占比例，更高效地利用星地數(shù)傳鏈路。

3 問題模型

低軌星座邊緣計算系統(tǒng)由低軌邊緣計算節(jié)點(diǎn)、用戶終端和信關(guān)站組成。其中，低軌邊緣計算節(jié)點(diǎn)是低軌衛(wèi)星上的計算載荷，包括硬件和基礎(chǔ)軟件，可用于執(zhí)行用戶卸載的計算任務(wù)。用戶終端將任務(wù)卸載到低軌邊緣計算節(jié)點(diǎn)。信關(guān)站中部署低軌邊緣計算控制器，對系統(tǒng)行為進(jìn)行監(jiān)視和控制。

在低軌星座邊緣計算系統(tǒng)中，用戶終端的計算能力或電量較低，無法執(zhí)行計算密集型任務(wù)，因此需將計算任務(wù)卸載給低軌衛(wèi)星執(zhí)行，以達(dá)到降低電量消耗、增加計算任務(wù)執(zhí)行速度的目標(biāo)。低軌星座邊緣計算系統(tǒng)組成如圖4所示。

圖4 低軌星座邊緣計算系統(tǒng)組成Fig.4 LEO Edge Computing System

對于低軌星座邊緣計算來說，用戶終端在全球范圍內(nèi)分布是不均衡的，如果直接將用戶終端或者地面關(guān)口站的計算任務(wù)卸載到其過頂衛(wèi)星，勢必出現(xiàn)衛(wèi)星之間負(fù)載不均衡的情況。根據(jù)能量消耗的相關(guān)理論，如果某些衛(wèi)星的計算任務(wù)過多，也會導(dǎo)致這些衛(wèi)星功耗過高，可能影響衛(wèi)星的工作時長。

因此，本文認(rèn)為應(yīng)該充分利用低軌星座邊緣計算系統(tǒng)中的其他節(jié)點(diǎn)，不局限于用戶終端的接入衛(wèi)星，從而避免系統(tǒng)出現(xiàn)負(fù)載不均衡以及某些衛(wèi)星能量消耗過快的情況。

參考其他研究工作[16-18]，本文中的系統(tǒng)模型是分時隙的，所提算法的目標(biāo)是優(yōu)化單個時隙內(nèi)的計算任務(wù)卸載策略。

假設(shè)系統(tǒng)內(nèi)存在S個星載邊緣計算節(jié)點(diǎn)，對于衛(wèi)星i來說，fi表示其計算能力，Ri表示當(dāng)前時隙內(nèi)可用于計算卸載的計算資源，可見Ri≤fi。Pi表示衛(wèi)星i在當(dāng)前時隙的能量消耗上限，gi表示通過衛(wèi)星i接入網(wǎng)絡(luò)的所有用戶終端的需卸載計算任務(wù)數(shù)量總和，dij表示衛(wèi)星i與衛(wèi)星j之間的跳數(shù)。

對于衛(wèi)星i，假設(shè)其需要執(zhí)行ai個計算任務(wù)，則執(zhí)行這些任務(wù)需消耗的能量為Ei=ε·fi2·J·ai[20]，該衛(wèi)星的負(fù)載可以用Li=ai·J表示。

為方便閱讀，將本文涉及到的主要數(shù)學(xué)符號及其含義列表,如表1所示。

表1 本文數(shù)學(xué)符號與對應(yīng)含義Tab.1 Notations and Meanings

4 最優(yōu)化建模

本文將計算卸載策略建模為一個最優(yōu)化問題，優(yōu)化目標(biāo)包括兩方面：一方面是均衡各衛(wèi)星的負(fù)載；另一方面是減少由計算卸載引起的星間數(shù)據(jù)流量開銷。

本文對計算卸載策略的最優(yōu)化問題P建模如下所示：

minbφ+γ·C，

(1)

subject toEi≤Pi,?i∈S，

(2)

Li≤Ri,?i∈S，

(3)

(4)

(5)

其中，γ為目標(biāo)函數(shù)中的權(quán)重，用于調(diào)整流量開銷的重要性。

接下來對該最優(yōu)化問題建模進(jìn)行解釋。目標(biāo)函數(shù)(1)同時考慮了降低φ和C，即保證負(fù)載均衡和降低流量開銷。約束條件(2)確保了做出計算任務(wù)卸載決策后，每個衛(wèi)星i執(zhí)行這些計算任務(wù)消耗的能量不會超過當(dāng)前時隙允許消耗的能量上限；約束條件(3)確保了做出計算任務(wù)卸載決策后，每個衛(wèi)星i的計算負(fù)載不會超過其計算資源上限；約束條件(4)給出了每個衛(wèi)星i上的計算任務(wù)數(shù)量與計算卸載決策變量之間的關(guān)系，即每個衛(wèi)星i需執(zhí)行的計算任務(wù)數(shù)量等于所有衛(wèi)星下的用戶終端卸載到該衛(wèi)星的任務(wù)總和；約束條件(5)確保了每個衛(wèi)星i下的用戶終端任務(wù)全部被卸載。

5 計算卸載算法

利用φ和Li的定義，可以推出目標(biāo)函數(shù)中的φ與決策變量bij的關(guān)系如下：

(6)

可見φ是bij的線性函數(shù)。

利用C和Cij的定義，可以推出目標(biāo)函數(shù)中的C與決策變量bij的關(guān)系如下：

(7)

可見C是bij的線性函數(shù)。

利用Ei和ai的定義，可以推出Ei與決策變量bij的關(guān)系如下：

(8)

可見Ei是bij的線性函數(shù)。

根據(jù)Li和ai的定義，可以推出Li與決策變量bij的關(guān)系如下：

(9)

可見Li是bij的線性函數(shù)。

根據(jù)以上分析，最優(yōu)化問題P的目標(biāo)函數(shù)和約束條件都是線性的。因此，該問題是一個線性規(guī)劃問題?？紤]到已經(jīng)存在開源的線性規(guī)劃求解器OPTI，本文利用OPTI求解最優(yōu)化問題P。

本文所提算法通過求解最優(yōu)化問題P，得到最優(yōu)決策變量bij，然后從衛(wèi)星i收到的用戶終端的所有計算任務(wù)中，選取bij個任務(wù)，分配到衛(wèi)星i處。

6 性能評估

6.1 仿真場景

為了評估本文所提的計算卸載算法的性能優(yōu)勢，本文對所提算法進(jìn)行了計算機(jī)仿真。作為對比，對基準(zhǔn)算法也進(jìn)行了仿真。在基準(zhǔn)算法中，每個衛(wèi)星下的用戶終端先將計算任務(wù)卸載到自己的接入衛(wèi)星(過頂衛(wèi)星)；如果接入衛(wèi)星的資源或者功率不足以滿足計算任務(wù)的需求，則將剩余的計算任務(wù)隨機(jī)卸載到其他衛(wèi)星。

在仿真中，假設(shè)在每個時隙內(nèi)，每個衛(wèi)星下的所有用戶終端卸載的計算任務(wù)數(shù)量為1～5之間的隨機(jī)數(shù)，每個計算任務(wù)的輸入數(shù)據(jù)量為I=30 MB，計算所需要的轉(zhuǎn)數(shù)J=2 M次。每個衛(wèi)星的計算能力fi在每秒2～6G次之間取隨機(jī)數(shù)，而可用的計算資源Ri=α×fi，其中α是(0,1)之間的隨機(jī)數(shù)，能耗系數(shù)ε=10-25，每個衛(wèi)星的功耗上限在20～50 W之間，目標(biāo)函數(shù)中的權(quán)重γ分別取值1～10。

6.2 結(jié)果分析

首先，對所提算法和基準(zhǔn)算法在流量代價值方面進(jìn)行對比。如圖 5所示，在權(quán)重γ分別等于1～10時，本文所提算法的代價值都低于基準(zhǔn)算法，也就是說所提算法在網(wǎng)內(nèi)產(chǎn)生的流量開銷更小。這是因?yàn)楸疚乃崴惴ㄔ谀繕?biāo)函數(shù)中考慮了流量開銷，并且通過最優(yōu)化求解，降低了流量開銷。

圖5 在權(quán)重γ分別等于1～10時，本文所提算法和 基準(zhǔn)算法的代價值Fig.5 Cost value when using the proposed algorithm and the baseline algorithm with different value ofγ

然后，對所提算法和基準(zhǔn)算法在負(fù)載均衡方面進(jìn)行對比。如圖 6所示，在權(quán)重γ分別等于1～10時，本文所提算法的負(fù)載均衡指標(biāo)值都低于基準(zhǔn)算法，說明所提算法在負(fù)載均衡方面表現(xiàn)更好。這是因?yàn)樗崴惴ㄊ峭ㄟ^求解建模的最優(yōu)化問題來做出計算卸載決策的，而最優(yōu)化問題的目標(biāo)函數(shù)中考慮了降低負(fù)載均衡指標(biāo)。

圖6 在權(quán)重γ分別等于1～10時，本文所提算法和 基準(zhǔn)算法的負(fù)載均衡指標(biāo)值Fig.6 Metric of load balancing when using the proposed algorithm and the baseline algorithm with different value ofγ

接下來，對所提算法和基準(zhǔn)算法的目標(biāo)函數(shù)值進(jìn)行對比。如圖 7所示，在權(quán)重γ分別等于1～10時，本文所提算法的目標(biāo)函數(shù)值都低于基準(zhǔn)算法，這說明本文所提算法在負(fù)載均衡和流量代價兩方面的性能都比較好。這是因?yàn)椋疚乃崴惴ㄇ蟪隽怂栴}的最優(yōu)解。

圖7 在權(quán)重γ分別等于1～10時，本文所提算法和 基準(zhǔn)算法的目標(biāo)函數(shù)值Fig.7 Objective value when using the proposed algorithm and the baseline algorithm with different value ofγ

綜上所述，本文所提算法在流量代價和負(fù)載均衡方面的性能都更好。

7 結(jié)論

本文以低軌衛(wèi)星互聯(lián)網(wǎng)邊緣計算中的計算卸載問題為研究對象，分析了將計算任務(wù)在系統(tǒng)內(nèi)的各衛(wèi)星間進(jìn)行合理分配的必要性，并對計算卸載問題進(jìn)行了最優(yōu)化建模，根據(jù)最優(yōu)化問題求解結(jié)果指導(dǎo)計算卸載決策，并對所提算法進(jìn)行了仿真分析，驗(yàn)證了所提算法在流量代價和負(fù)載均衡方面的性能優(yōu)勢。在未來的研究中，一方面，擬考慮不同用戶終端的差異化性能需求，研究更精細(xì)化的計算卸載策略；另一方面，擬遵循云邊協(xié)同理念，考慮云邊協(xié)同場景下的計算卸載策略。