低軌衛星智能多接入邊緣計算網絡：需求、架構、機遇與挑戰*

王鵬，張佳鑫，張興，王文博

（北京郵電大學，北京 100876）

0 引言

隨著下一代通信網絡演進與相關通信技術的不斷發展，網絡用戶的連接數與業務需求的數量以及種類不斷增多。根據思科產業報告預測，至2023 年，三分之二的世界人口（約53 億）將接入互聯網獲取服務，與此同時，超過世界人口三倍數目的用戶設備將在網絡中的接受通信服務[1]。從宏觀特性層面看，網絡泛在化、業務多樣化、管控實時化和服務彈性化為下一代網絡應呈現出的趨勢。從微觀技術指標層面出發，DOCOMO 和OULU 大學的分別立足于組網與業務視角，提出下一代通信網絡愿景，同時發布面向6G網絡需求技術指標的白皮書[2-6]。白皮書中相關章節指出，人與設備之間的無限制通信，以及通信環境的維度拓展將為通信系統的未來研究趨勢。相應具體的技術指標為[3-6]：（1）甚高數據速率以及容量：峰值速率大于100 Gbit/s，較當前網絡100 倍的容量；（2）甚高穩健性：廣泛用戶用例的QoS 保障（達到99.999 99%業務保障率）；（3）大密度連接：支持海量連接（每平方公里1 000 萬個設備）感知能力以及高精度定位（厘米級粒度精度）；（4）廣域覆蓋：泛在Gbps 通信速率的服務覆蓋以及新通信覆蓋區域（例如天空、海洋等）；（5）甚低能耗與代價：支撐太赫茲與毫米波設備的通信能力以及微充電的設備研發；（6）甚低時延：端到端延時小于1 ms。

目前，盡管5G 網絡為用戶提供了更加高速可靠的網絡服務，當前網絡架構下，密集型計算業務響應、海量流媒體業務分發，以及適配不同地區無縫覆蓋的通信需求依舊面臨挑戰。特別地，多模終端泛在無縫覆蓋、廣域物聯區域態勢感知、重點位置遙感圖像目標識別與衛星高效多播組播分發等典型用戶要求尚未得到良好滿足。由此，根據上述分析，面向未來網絡的發展遠景，為了進一步增強用戶體驗，降低網絡時延，突破當前通信網絡在時間與空間的制約，亟需著力發展衛星通信網絡，擴展通信網絡有效服務范圍，進一步增強當前網絡通信能力，引入衛星通信網絡為地面業務提供服務補充。為響應星地融合需求，彌補地面網絡不足，2014 年，SES 網絡公司所屬的O3b 系列星座面向地面未部署通信設施的區域，率先在8 063 km左右的中軌道（MEO,Medium Earth Orbit）高度開展網絡接入服務[7]，盡管目前已取得一些成就，但相較于低軌衛星星座，網絡性能方面仍有提升空間。

低軌衛星網絡通常部署在軌道高度500～2 000 km 空間區域。與其他通信系統相比，低軌衛星制造與發射成本低廉，其星座軌道設計已可流程化模塊化，衛星節點部署靈活。由于網絡離地面較近，在不受地面地形約束，鏈路抗毀功能較強的基礎上，同時具備回程時延（RTT,Round Trip Time）相對較小（約10～25 ms）、信道空間衰落小等優點。目前，低軌衛星網絡相關研究尚處于起步階段，已有研究領域主要集中在頻譜資源感知策略優化、波束部署覆蓋能力增強和星地上行回程鏈路提升等方面[8-10]。然而，面向下一代通信網絡，目標識別、高效視頻轉碼與分發、廣域物聯態勢感知等適用于星上服務的業務對星上處理能力以及資源配置要求較高。隨著星上板載處理能力（OBP,On board processing）的不斷增強，將計算存儲資源沉降至星上的邊緣計算技術可為部分業務請求快速服務響應賦能[11]。與此同時，低軌衛星通信覆蓋范圍靈活，可為上述業務采集適配的可用數據，為智能網絡計算提供訓練模型數據集支撐。受衛星體積與能耗限制，星上邊緣計算資源可與鄰近衛星群以及地面云共同協作，以提供適用于下一代移動通信網絡的智能服務。

因此，本文提出面向下一代通信網絡愿景的低軌衛星智能多接入邊緣計算網絡架構，對該架構相關的部署原則進行闡述，并對該架構中可能存在的挑戰與創造的機遇進行展望。

1 相關研究

本節旨在闡述目前低軌衛星網絡的發展狀況與可推進衛星網絡發展的潛在技術，梳理目前主要的軌低軌星座情況，簡述近年來衛星研究中的新技術以及星上計算的基本概念，最后簡明描述智能邊緣的發展狀況以說明低軌衛星智能邊緣計算網絡的技術基礎。

1.1 相關衛星星座

傳統低軌衛星（LEO,Low Earth Orbit）通信系統獨立于地面通信網絡，與地面移動通信網絡并行發展，星上板載能力以及實體空間受限，故發展相對緩慢。隨著星上載荷通信能力的不斷提高，一方面，以O3b 系列星座為代表的中軌衛星星座蓬勃發展，另一方面低軌衛星星座亦開始得到關注。近年低軌衛星通信系統星間鏈路通量提升，星上組網節點數目超密集化，低軌衛星網絡支撐業務呈現出大規模實時并發性以及種類多樣性等特點。表1 梳理總結目前全球在軌或計劃發射的經典低軌衛星星座，并對相關星座所支持業務進行列舉。如表1 所示，目前在軌或計劃發射部署的低軌衛星星座運行高度主要集中在700～800 km，以及1 100～1 400 km 兩個空間區域，與高軌衛星與中軌衛星相比，信號傳輸衰落以及信號傳輸時延將極大降低。除此以外，為了滿足低軌衛星網絡與地面網絡協作的服務連續性與質量，低軌衛星星座設計中衛星節點部署密度逐漸加大，匹配地面網絡聯通需求，以支撐星上業務地面卸載與地面業務星上傳輸等功能。

表1 在軌或計劃發射的低軌衛星星座

1.2 衛星研究中的新概念

近年來衛星網絡不斷革新，與新技術相融合，通過虛擬化技術極大降低衛星網絡控制信令的交互冗余，提升與地面網絡的兼容性，并擴大通信覆蓋與環境感知范圍，同時，網絡智能化方法尤其是機器學習概念以及相關算法的引入，使資源不足的邊緣網絡更優地進行資源配置。隨著星上板載處理技術的提升，智能邊緣理念應用于低軌衛星多接入邊緣網絡成為未來低軌天基網絡發展的趨勢。

（1）小衛星與高通量衛星

早期小衛星通常作為新技術驗證型平臺為實驗室與研究中心所使用，該類型衛星通常部署運行于距地面200 km 到2 000 km 的低軌空間范圍。目前在軌小衛星通常單節點重量處于1 kg 到10 kg 之間，低軌小衛星具備開發時間短、生產與部署成本低和部署靈活等特點。常見小衛星如CubeSat[22]，其成本造價僅為普通低軌衛星0.1%，該類型衛星通常用于天氣監控、災害預警、地面觀測和遠距通信等先導實驗任務，根據任務的需求，小衛星可部署為星座以及星群兩種不同形式，小衛星星座衛星節點均勻分布于多個衛星軌道面上；衛星星群則部署于單一衛星軌道面上，根據部署需求，節點之間的相對距離較小，部署方案中拓撲節點相對集中。

高通量（HTS,High Throughput Satellite）衛星通常通過頻譜復用以及空分復用技術手段，可極大提升衛星網絡的吞吐量。具體地，衛星通信可用的高頻段例如Ku、Ka、Q/V 等波段的應用為衛星提供更廣泛的通信資源備選集；衛星多波束天線賦形方法與頻率復用方案能夠提升衛星節點空間復用能力與頻率復用效率；星上板載信息處理能力賦能高階多種編碼與調制方式，極大提高頻譜利用率。除此以外，星間激光鏈路的高速傳輸極大提升星座信息傳輸效率。高通量衛星極大提升星上寬帶業務的發展，衛星可充分發揮衛星固有的下行廣播組播傳輸優勢，在廣域服務區內極大滿足用戶需求。近年來，低軌衛星由于其低回程交互時延能力得到廣泛關注，由于寬帶媒體業務需求激增，低軌高通量衛星設計得到發展。例如，典型低軌高通量衛星（LEO-HTS）為OneWeb 衛星星座[15]，該衛星星座的星地鏈路使用頻帶為10.7—12.7 GHz，單波束帶寬可達250 MHz，星座吞吐量可達7 Tbit/s。

（2）星上載荷虛擬化技術

虛擬化技術旨在通用化并統一調度不同網絡節點中的可用資源。該技術根據不同的網絡需求對當前網絡中節點的可用資源進行重組以及分配，提升網絡資源分配方案的靈活性。星上載荷虛擬化技術可使衛星組網后響應業務過程中突破不同衛星星座或星群內衛星節點之間資源不互通的物理制約，降低衛星網絡部署與管理過程中的開銷，通過編排資源池內不同虛擬化網絡功能組成的業務切片樣例，滿足用戶不同服務質量的需求粒度，提升不同類型衛星星上載荷資源的通用性與魯棒性，為不同星群中衛星的星上資源協作與星地協作提供技術保障。

目前歐洲航天局已率先開展星上載荷虛擬化研究，為星載資源通用化奠定基礎，在H2020 項目中，面向未來穩健靈活網絡的虛擬化異構星地系統（Vital,VIrtualized Hybrid Satellite-TerrestriAl Systems for Resilient and FLexible Future Networks）將虛擬化技術與軟件定義網絡技術結合并在星地融合網絡中提供應用場景[23]。該項目旨在通過虛擬化與軟件定義技術解決星地異構網絡衛星與地面由于獨立發展造成的資源通用化困難問題，并為所需業務提供星上虛擬化功能實例。與此同時，我國組建以天基超算為研究主題的軟件定義衛星聯盟，已發射以虛擬化技術為基礎的軟件定義實驗衛星“天象”系列1 號以及2 號，驗證雙星組網傳輸以及相關業務，為低軌衛星網絡與地面云網絡資源協同理論提供技術支撐。

（3）衛星物聯

5G 時代物聯網業務的蓬勃發展，極大提升人們對環境的有效認知，通過部署海量物聯網傳感器與執行器，環境信息可轉換為信息數據在本地或回傳至計算節點進行處理，計算節點對所獲數據的充分研判，可以獲得區域感知決策所需的數據輸出，進而為系統下一步策略部署提供指導準則。根據不同區域或不同類型的物聯節點，對物聯節點進行分組，在廣域范圍內衛星為分組節點廣播或組播全局控制信息，衛星物聯網技術在空間上增強無地面網絡覆蓋區的認知維度。總體來說，衛星物聯可在提供全局感知的基礎上節約邊遠地區如沙漠海洋的通信設施部署成本，同時提高物聯感知系統的抗毀能力。目前衛星物聯技術已可應用于智能電網、環境監測以及車載定位等場景中。例如，國家電網利用北斗衛星短報文傳輸能力，進行電能數據采集以及回傳[24]；Sensorweb通過星上所攜帶的光譜儀以及合成孔徑雷達識別地面水體情況進而預防潛在的洪澇事件[25]；北斗衛星可為分布于全球車載船載用戶提供定位服務等[26]。

1.3 星上處理

傳統星上板載處理（OBP,On Board Processing）方式主要依托于板載CPU 內核提供的調度控制能力，可編程FPGA 主要提供信號調制解調能力，以及信息編碼解碼能力，其性能約束于板載芯片處理能力、載荷功耗以及星上物理可用空間。

隨著衛星網絡的發展，芯片集成度和處理功能的提高以及星上板載空間的延展，衛星網絡處理性能得以提升。近年來，星上板載體系引入存儲模塊、圖形處理器（GPU,Graphics Processing Unit）模塊，以及數字信號處理（DSP,Digital Signal Processing）模塊。傳統CPU 模塊適合處理標量數據，不同于傳統服務器中部署的CPU 模塊，DSP、FPGA 以及GPU 具備更強的浮點運算能力，更適合處理矢量數據，上述模塊可協同工作為用戶提供更高的星上計算能力，提升星上處理重配置能力。例如，下一代星上處理計算機（OBC-NG,On Board Computer-Next Generation）基于嵌入式集群計算，形成主處理節點-監控檢測節點-從處理節點處理體系架構，形成分布式并行計算系統[27]。處理節點配置FPGA、DSP 以及GPU 模塊，與主處理單元提升星上計算能力以及計算效率。目前衛星星載計算技術應用場景主要集中于衛星遙感中水體以及火山異常檢測，云層與非云圖像識別[25,28-29]等領域。

由上述分析可得，星上處理能力主要受制于板載算力，星上板載計算處理能力的增強為星上智能多接入邊緣計算網絡架構的提出奠定算力支撐基礎，該技術發展使智能多接入低軌衛星智能邊緣計算系統成為可能。

1.4 智能邊緣網絡

目前5G 網絡借助多接入邊緣計算技術（MEC,Multiaccess Edge Computing），將資源下沉至貼近用戶的邊緣側，與云計算或霧計算服務器協同，節約能耗的同時減少不同業務響應時延，并提升用戶數據隱私的安全性，形成面向業務類型的“端-邊-云”的多級處理架構。然而，面向下一代網絡提出的愿景中，人與人、人與物之間的通信交互體驗變得更加真實的需求，通信覆蓋服務區域仍應不斷擴展，以適配典型業務廣地域無縫連接的需要。

上述需求勢必要求運營商部署更多物聯感知節點與通信處理設備，也將會進一步促進相關寬帶業務與物聯業務的發展。高清視頻監控與海量物聯器件的密集部署后，物聯終端側將會有ZB 級別的流量數據需要進行承載。海量負載驅動通信網絡系統中的邊緣側與新興技術例如人工智能、大數據等共同形成智能邊緣網絡，提高網絡的服務效率[30]。邊緣智能網絡可與人工智能中的機器學習算法協作，充分挖掘應用網絡邊緣產生海量數據的內在信息，梳理內在聯系，賦能邊緣網絡資源優化分配機制；同時邊緣智能網絡減小數據回傳所需的回程鏈路帶寬開銷，降低計算密集型任務對云端服務器造成的壓力。根據不同的計算任務需求，可僅僅在邊緣內推斷，在云端進行模型訓練；亦可進行云邊協同模型推斷，將算力需求較高的模型訓練放置能力較強的云端；甚至可構建分布式計算結構，對于算力需求較小且實時性要求較高的任務僅僅使用邊緣算力網絡，利用分布式并行計算方法，提升計算密集型業務的快速穩健處理能力。而后，算力節點與物理約束空間內周圍節點進行交互建模，訓練適用于本地的最優模型。

2 低軌衛星智能邊緣計算網絡需求

低軌衛星網絡作為構建泛在無縫服務網絡中的重要組成部分，逐漸成為重要研究領域并得到關注。針對6G通信峰會中提出的6G 網絡愿景需求，結合低軌衛星的網絡結構與該網絡中多域智聯相關業務的特點，可知在廣域數據智能精準感知，星上密集型業務快速處理，以及寬帶業務文件高效分發等多任務并發場景下中具有多接入邊緣智能計算需求。

表2 列舉低軌衛星智能邊緣計算網絡相關典型業務的需求分析，其中：用戶鏈路上行帶寬保障指用戶到衛星通信鏈路的帶寬條件要求，用戶鏈路下行帶寬保障指衛星節點到用戶通信鏈路的帶寬條件要求；饋電鏈路上行帶寬保障指地面信關到衛星節點的通信鏈路帶寬條件要求，饋電鏈路下行帶寬保障指衛星節點到地面信關的通信鏈路帶寬條件要求；算力要求指業務對星上算力的能力需求，存儲要求指業務對星上存儲能力的需求，彈性與擴展性指業務需求是否需要衛星星座進行任務節點擴展，協同完成任務；移動性指業務是否需要支撐高速運行用戶節點的連接，能效需求指業務是否受星上節點能耗約束，對于無業務需求時是否考慮與地面基站類似的休眠機制；最后，安全性指通信鏈路是否需要進行加密，保障用戶信息的隱私性。

表2 低軌衛星智能邊緣計算網絡相關業務需求分析

針對不同典型業務，具體需求如下。

2.1 廣域數據智能精準感知需求

泛在無線智能無縫跨域服務網絡需求中，要求未來通信系統面向空-天-地-海等場景構建高效服務的空間協同一體化網絡。在不具備地面網絡基礎設施建設條件或建設成本較大的區域，天基網絡可無視上述制約并增補覆蓋目標區域。通常，上述區域由大量物聯網節點覆蓋，廣域物聯節點將感知的數據實時回傳給遠端云服務器，感知區域狀態后為網絡控制下一步決策方案提供依據。

隨著地面海量物聯節點部署的增加，業務驅動的感知需要更加精準靈敏，物聯節點上傳的數據量激增，一方面海量數據對衛星網絡中負責回傳的用戶鏈路上行部分以及衛星饋電鏈路下行部分產生較大負載壓力；另一方面，快速變化的環境因素對感知決策的時效性提出更高要求。目前低軌衛星平臺在環境監測、智慧農業和智慧電網等廣域物聯感知方面僅僅作為物聯節點的采集回傳設施，海量數據依舊需要回傳至地面云集群中進行處理，同時對于高機動目標的檢測跟蹤亦不夠及時，在業務時延需求與感知網絡狀態信息的時效性上還需要進一步提升，因此面向未來通信網絡架構，該業務要求星上算力保障以及網絡架構擴展以適配不同算力需求的任務快速響應。

2.2 星上計算密集型業務快速處理需求

6G 白皮書中指出，下一代通信網絡中遙感業務與定位業務是網絡需要承載的重要內容之一。目前遙感衛星在星上圖像預處理領域已有初步研究，考慮到目前星上載荷的處理能力，高分衛星所載光學傳感器獲取到的各種數據體量依舊過大，如能夠在衛星回傳之前，剔除圖像相關的冗余信息，如對地觀測時獲取到的云層覆蓋區域，或次重點目標識別區域，剔除上述圖像信息后，饋電鏈路上回傳的數據量有所減少。

然而目前星上載荷針對計算密集型業務的處理速度無法滿足6G 所需的服務時延需求，該狀況會極大影響6G 業務的用戶質量體驗。該需求對于衛星網絡提出兩大挑戰：一方面，當前衛星板載能力多為定制化功能內核，可編程能力以及可擴展能力不強，限制通信、導航、遙感衛星之間算力資源調度的通用性；另一方面，6G 網絡中天地一體化智能算力遷移范疇內，多種以衛星網絡為核心的計算密集型業務需求日益顯著，如高空持續機動偵查、廣域地形判斷、高機動目標識別等，差異化業務QoS 保障對星上有限資源的分配提出挑戰。除此以外，星群受地面站控制中心控制，遠距多重信令交互嚴重影響系統服務響應速度，星群中節點損壞可能導致整個系統無法運行，系統魯棒性較弱。由此可知，亟需提出星上分布式在軌自主運行系統，令衛星通信架構可在無地面控制中心或與地面控制中心長時間不進行控制信令交互的情況下自主運行，提升低軌衛星系統對計算密集型業務的快速穩健處理能力。

2.3 廣域寬帶視頻業務文件高效分發需求

地面移動通信寬帶業務需求的增長促進內容分發網絡等新技術的發展，傳統基站借助緩存流行度較高的視頻業務文件對用戶請求進行服務，目前地面網絡寬帶文件分發網絡架構呈密集化、多級化趨勢發展，盡管地面網絡也通過廣播、組播以及單播等混合傳輸機制滿足地面用戶的視頻業務請求，但該網絡架構下的文件分發機制依舊存在有效提升的空間。一方面，地面網絡設備的密集部署與設備到設備（D2D,Device to Device）的文件共享機制在網絡頻譜管理上增加了分發用戶命中文件策略的復雜度；另一方面由于地面基站覆蓋區域有限，不同基站緩存中預存的熱度文件集合可能相同或存在交集，廣域范圍內重復存儲相同文件，廣域存儲的文件差異度不高，與此同時還會過多占用地面存儲空間資源。

由于文件分發主要涉及衛星對緩存或數據網絡推送的視頻業務進行廣播組播，因此該業務對用戶下行鏈路帶寬保障以及饋電鏈路上行帶寬保障要求較高。衛星與地面協同廣播組播寬帶視頻文件等業務可提升傳統地面寬帶視頻文件業務的服務效率，然而，星地視頻組播多播業務并非星地兩系統進行文件分發機制簡單組合，因此業務對網絡架構彈性與擴展性亦存在要求，對應協同機制亦面臨挑戰。目前衛星作為獨立視頻文件組播系統并未與地面基站進行協同分發，除此以外，地面不同用戶由于接入設備不同，對于同一文件所請求的視頻目標文件編碼版本可能不同。故星上存儲分發應解決存儲何種文件，文件是否需要轉碼，文件是否需要切分編碼等問題，上述問題對星上算力提出較高要求。

3 衛星智能邊緣計算網絡

針對上一節所述的下一代網絡需求，本節提出低軌衛星智能邊緣計算網絡架構。本節將對網絡架構以及特點進行描述，簡述該網絡邏輯功能架構，并對該網絡架構硬件與軟件邏輯組網布局展開研究。

3.1 低軌衛星智能邊緣計算網絡

低軌衛星智能多接入邊緣計算網絡為在低軌衛星星座節點板載上部署MEC 服務功能模塊的通信架構體系。該網絡旨在充分利用衛星節點板載資源，使用虛擬化技術與地面邊緣服務節點或云服務集群兼容并協同運作，充分利用網絡邊緣所采集的海量數據，借助人工智能概念，通過使用機器學習算法挖掘星地融合網絡中所隱藏的知識訓練模型，并利用訓練出的差異化模型推斷賦能優化低軌邊緣網絡資源均衡機制，構建可自主運行的低軌衛星智能多接入邊緣計算體系。

在圖1 中，低軌衛星星座的每個節點上均可按需部署MEC 服務載荷，星間鏈路為點對點通量較高的激光鏈路，星地鏈路采用高頻Ka/Ku 或Q/V 波段進行通信，可根據信道狀況進行自適應編碼調制。

圖1 低軌衛星智能邊緣計算網絡場景圖

低軌智能多接入邊緣計算星座與地面節點、地面云服務集群協同處理廣域感知類決策計算任務；或與地面云服務器協作處理星上計算密集型高清圖像目標識別，異常檢測等任務；還可智能自適應緩存最熱請求文件的高碼率版本，通過星上計算轉碼后，滿足服務區內適配用戶的需求。

盡管邊緣計算賦能的衛星節點算力存儲得到增強，考慮到星上物理空間于能耗等因素，與地面服務器相比，星上資源依舊有限，智能計算星座可與地面云服務器集群協同部署人工智能算法優化網絡資源配置，并為用戶提供人工智能服務。

綜上所述，該低軌智能多接入邊緣計算網絡架構具備如下特點：

（1）多級協同處理

低軌衛星多接入邊緣智能網絡可與部署在地面的通信基礎設施（基站或信關站）、其他星座中的衛星節點以及地面云服務集群構成多級協同智能處理體系，針對用戶類型，考慮不同請求業務特點，以邊緣計算節點當前處理能力、緩存資源、剩余存儲空間、衛星邊緣節點過頂服務時長以及各節點之間的通信帶寬資源為約束，通過機器學習算法為網絡可用資源智能匹配待計算任務，提高服務效率。對于海量物聯節點，考慮到其儲能少且上行發射功率較小，可在地面部署信號上行發射能力較強的匯聚站收集并上傳傳感信息，匯聚站亦可部署少量計算資源對數據進行預處理。對與星上計算密集型業務，可考慮與地面云服務集群進行協同工作。對于寬帶視頻文件分發業務，可充分利用地面基站邊緣服務能力，與星上計算邊緣計算能力進行最優協同。

（2）網絡功能虛擬化

星上智能多接入邊緣計算網絡充分利用VNF 技術，對不同星群以及星座的衛星星上板載資源等基礎設施進行虛擬化處理，提高不同節點上資源的通用性，并實現星上功能可編程化。為了便于不同計算任務的適配，在此基礎上通過VIM進行虛擬化網絡資源管理，通過虛擬機或者容器的形式，在星上系統中形成網絡虛擬化功能。之后針對不同定制化任務，組織不同的網絡虛擬化功能進行響應。

（3）自主在軌分布式計算決策

從控制角度出發，低軌衛星智能多接入邊緣計算網絡中星上載荷具備自主運行能力，即使無地面中心控制，星上也可通過智能算法進行決策控制與管理維護，可在軌處進行數據處理并在軌自主執行共同任務。為了提高系統的抗毀能力，在低軌衛星星座中還應選定備用控制衛星，對控制節點衛星進行周期性監測，當星群中控制衛星節點宕機時，備用衛星啟動控制監管功能，維護系統運行。

從業務分發以及計算響應角度出發，該架構具備動態分布式并行計算能力。分布式控制節點對需求進行分析后，根據業務計算任務類型進行分類，如果任務結構為串行，則考慮在可用衛星節點集中選定衛星節點與地面云協同接力對任務進行順序計算。如果任務結構為并行，則星上控制節點根據任務選取可用衛星節點并對任務進行分發并行計算，如果計算任務較大可與其他衛星控制節點進行交互卸載，或與地面云集群進行協同卸載。

（4）靈活智能適配

智能算法賦能的多接入邊緣計算網絡主要體現兩部分內容[31]：借助低軌衛星多接入邊緣計算算力的人工智能應用以及借助人工智能優化配置的低軌衛星多接入邊緣計算網絡。

1）借助低軌衛星多接入邊緣計算算力的人工智能應用

對于部署MEC 資源的低軌衛星邊緣側，可考慮選取適合的輕量神經網絡學習模型，在保持模型可用精度的情況下采用模型壓縮、條件計算等方法減少模型的深度。訓練時可采用聯邦訓練的方法，緩解衛星邊緣節點的計算壓力，使用訓練模型進行推理時，可對模型進行切分并行處理或采用推理提前退出等方案，使衛星可用節點快速協作完成推理任務。

2）借助人工智能優化配置的低軌衛星多接入邊緣計算網絡

低軌衛星邊緣計算網絡可借助人工智能算法優化本網絡的資源配置方案，輔助星上以及星間資源調度自主性決策，實現智能時敏的分布式控制。由于低軌衛星邊緣網絡節點高速移動，星地鏈路的信道狀況時變，地面產生的數據亦較復雜動態多樣性，機器學習算法可應用于星地鏈路信號調制與編碼策略（MCS,Modulation and Coding Scheme）以及低軌衛星網絡無線資源管理（RRM,Radio Resource management）分配領域；對于不同的計算任務需求，可利用機器學習中各類算法優化算力分配方法，在保障時延的前提下對計算任務部署進行最優卸載。同時智能學習算法可自適應分析區域內用戶緩存請求與空時之間的關系，通過線下訓練模型，衛星邊緣節點保留用戶數據向算力星群或云集群回傳梯度或權重，更新模型后推送熱度文件并對原存儲內文件進行覆寫，最大限度滿足用戶請求，提升文件命中率。

聚焦于低軌衛星多接入智能邊緣計算網絡場景，充分考慮該網絡拓撲的動態變化以及可用網絡資源等因素，該網絡架構運行工作流程有以下兩種模式：

1）邊緣-邊緣協同模式

訓練以及推理均在低軌衛星星群內部完成，該模式依賴于星上板載能力的提升。在訓練過程中可采用局部最優或精確度稍低的模型降低算力負載的壓力。

2）邊緣-云集群協同模式

根據衛星側節點集資源可用狀況與環境因素、網絡狀態、用戶行為等約束條件，對于時延容忍較高的任務，系統可在云計算集群進行模型訓練，對模型不同層進行切分后，按需分別部署于地面匯聚節點、衛星邊緣節點以及地面云計算集群處，以完成推斷。對于時延容忍較低的任務可完全在低軌衛星邊緣網絡利用進行推斷，但此時需要更多星座或星群中的資源節點參與推斷任務，以滿足網絡對任務響應的需要。

具體地，針對網絡中不同類型的業務需求，所提網絡架構對業務處理流程不同。主要分為兩類：

計算型業務請求主要來源于地面或星上，其任務對星地上行鏈路或饋電鏈路帶寬要求較高。計算任務到達低軌天基網絡后，首先，控制側按照星座節點的運行軌跡與接入邊緣網絡的衛星，指定任務可用的衛星節點星群集合；其次，接入節點根據計算任務時延容忍約束，考量鏈路狀態同時兼顧可用衛星備選集合中的星上資源，根據最優策略對任務進行分發；再次，剩余待計算的任務可卸載至遠端地面云服務集群利用較強算力進行適配協同處理；最后，智能計算完成后，任務結果返回給用戶端，該用戶請求業務過程中訓練完成的將相關模型可留在云集群或星上模型庫中，為以后類似服務需求進行智能推理決策調度使用。

對于寬帶視頻類業務，首先，需根據衛星下轄的廣域范圍內歷史數據記錄充分挖掘其隱含的內在規律，根據所采集的數據進行模型訓練，分析用戶所請求的差異化文件與地理區域、一天中時段的關系；其次，將所需可轉碼的緩存文件與可用輕量化模型預先推送至衛星邊緣；最后，衛星根據區域內用戶請求與周圍可選衛星邊緣節點進行轉碼計算并組播分發，同時衛星邊緣緩存較小學習模型進行推斷并周期性更新模型參數。

3.2 邏輯功能架構

圖2 為低軌衛星智能多接入邊緣計算網絡邏輯架構圖。圖2 中間部分為所提出的網絡結構，兩側分別為所提網絡架構賦能定制化AI 應用過程中的模型訓練過程以及多接入邊緣系統智能化的模型推斷過程。

圖2 低軌衛星智能多接入邊緣計算網絡邏輯架構圖

（1）網絡結構

物聯網節點、星上傳感器以及用戶終端通過南向定制服務接入能力上傳海量數據（其中部分終端或物聯網匯聚節點可具備數據預處理功能），低軌衛星邊緣計算系統根據地面服務目標區域自決策過頂星群備選集合，之后對不同服務選擇適配不同的衛星組對任務進行服務，目標區域過頂衛星星群或星座節點可根據計算任務的類型與需要，將部分任務通過東西向負載均衡能力卸載至相鄰兩星群中進行分布式協同計算，或將部分任務卸載至不同星座中可用衛星算力節點集合中進行任務計算。若面向算力資源以及緩存資源開銷超過當前星座可提供的資源能力，則考慮通過北向卸載智能協同能力與地面云計算集群協同以完成任務需求。

（2）模型訓練

針對低軌衛星智能多接入邊緣計算網絡所具備的特點以及可能的應用場景，目前主要需要訓練如下幾類模型：

低軌衛星智能多接入邊緣網絡感知模型主要對低軌衛星邊緣網絡的節點拓撲狀態進行建模，同時在網絡可協同星群的基礎上，訓練通信鏈路模型，構建AI 驅動的鏈路通信，保障復雜情況下拉通算力的通信效率。

星群算力感知模型主要包括低軌衛星邊緣節點資源模型、衛星邊緣算力網絡模型以及可靠性安全性評估模型。衛星邊緣節點資源模型用于展示復雜情況下單個星載節點計算能力的狀況，衛星邊緣算力網絡模型用于實時感知低軌衛星網絡整體在空時維度的狀態，安全性與可靠性主要考慮低軌衛星算力網絡提供計算服務時對用戶隱私的保護脫敏以及網絡提供服務時的穩定性。

低軌衛星算力調度模型重點面向基于算力遷移的服務以及移動性管理。算力調度模型主要考慮服務配置模型，例如星上計算任務的切分等問題；服務放置模型例如計算如何協同，在何處進行計算等問題；面向衛星移動性導致的服務不連續問題，可針對不同時段不同業務類型訓練星上服務遷移模型，決策適配衛星高移動性的服務遷移方案，解決例如不同計算任務何時進行遷移、向何處遷移等問題。

（3）模型推理

模型推理旨在驗證學習模型的正確性并應用該模型對新數據進行處理。在獲取模型的基礎上，考慮到低軌衛星邊緣計算網絡算力受限于星上載荷能力，就可行性而言，可構建輕量級AI 模型推斷，以優化多接入邊緣網絡的資源部署并為潛在場景中的人工智能應用提供可用算力資源。

以深度學習相關算法賦能網絡為例，可使用適配星上網絡的模型優化、模型分割部署以及推斷提前退出等技術手段緩解衛星側邊緣算力的壓力。

借助模型優化的方法，減小推斷時應用模型的計算量。首先可對輸入數據進行預處理，消除冗余數據，提升數據集可用率，在此基礎上，進行模型剪枝，消除訓練時過參數化帶來的計算負擔。除此以外還利用其他方法進行模型優化，例如池化計算、量化、知識蒸餾等技術路線，以達到部署適用衛星邊緣側輕量化模型的目的。

亦可考慮并行推斷的方法，針對模型進行合理（最優）分割并部署卸載策略，以便于衛星邊緣星群以及云計算集群進行算力協同完成任務，減小邊緣節點存儲更新模型的大小，適配衛星邊緣網絡算力的模型分割部分。可將深度學習模型根據低軌衛星網絡狀況（例如當下衛星網絡中可用節點的負載狀況、衛星節點的各項剩余資源，通信鏈路連通的可持續時間、鏈通鏈路當前以及未來時隙的帶寬狀況）進行切分，并將中間數據發送給地面云端，云端繼續運行剩余的層，回饋最終結果。

最后，推斷時可進行推理提前退出的方法，在符合所需精度的基礎上，提前從卷積層內退出，繼續利用算法完成推斷。

3.3 系統實現架構

在上一節所闡述網絡邏輯架構的基礎上，本節簡述衛星低軌智能多接入邊緣計算系統實現的軟硬件邏輯架構，如圖3 所示。

圖3 低軌衛星智能邊緣計算網絡架構：軟件邏輯布局

（1）軟件邏輯架構

本文所提出的低軌衛星智能多接入邊緣計算網絡軟件部署邏輯架構主要分為三部分：網絡系統運維、網絡基礎服務以及用戶定制化服務。網絡系統運維為低軌衛星網絡側提供系統基本運行所需功能的底層支撐；網絡基礎服務指在系統運維功能的基礎上，網絡提供為了完成定制化服務的基本計算、存儲、通信功能，并對上述功能利用機器學習進行適配需求分析的優化適配；最上層開放第三方接口，同時該層根據用戶需求，調用下層基礎服務功能適配并響應各人工智能應用的請求。具體功能介紹如下：

系統運維部分主要包括用戶管理、安全保障、狀態監控、系統配置與維護。用戶管理部分主要完成用戶權限配置、新用戶注冊列表更新等功能；安全保障部分通過算法保障網絡空間中用戶信息的隱私性，防止網絡中的惡意攻擊。狀態監控負責網絡中節點是否運行正常，一旦節點出現異常，監控模塊上報節點ID 以供系統進行重配置和維護決策；系統配置以及維護通常完成對衛星側系統初始化時場景與參數的設定，對突發事件進行處理，且較長時間內可自主維護網絡運行過程，并保存系統日志。

基礎服務部分為定制化的用戶業務提供所適配的智能通信、計算以及存儲能力。利用不同的存儲結構，分別對關鍵數據如衛星節點軌道數據、實時狀態數據、用戶歷史請求數據、定位數據、以及節點資源狀態進行存儲，為智能需求分析提供數據支撐；計算引擎利用網絡中分布的多接入邊緣計算服務器，采用實時計算，并行計算框架，利用分布式計算管理協助服務，利用廣域采集的異構數據，為智能分析提供彈性算力支撐。智能分析過程通過訓練方法，進行模型開發，借助低軌衛星網絡中預存的算法庫與模型模板庫中的模型，必要時協同地面云模板庫中預存的模型，借助云挖掘服務能力助力面向業務定制的模型優化，從而進一步提升低軌衛星邊緣網絡的資源調度配置。

定制化服務主要根據低軌衛星邊緣網絡中不同用戶的需求，充分考慮用戶特點與業務要求，在系統運維功能以及基礎服務功能的基礎上，保障視頻分發、無人控制、多模接入、定位服務、遙測服務、態勢感知等特定服務應用。

（2）硬件邏輯布局

從網絡功能角度考慮，低軌衛星智能多接入邊緣計算網絡硬件邏輯布局滿足系統資源提供功能、資源管理功能以及資源控制功能，除此以外，如前所述，星地之間協作過程還需一并考慮星地空口所支撐的北向負載協作能力。

如圖4 所示，星上傳感器直接采集或利用接收天線間接接收地面感知情況相關的數據以及地面用戶視頻需求，星上執行器根據所接收的星上控制指令執行姿態調整、設備使能等動作。

圖4 低軌衛星智能邊緣計算網絡架構：硬件邏輯布局

不同星群或星座內的星上載荷上部署各種資源如CPU、GPU、FPGA、TPU 等與信號或者信息處理相關的算力資源，與存儲資源通過VNF 共同構成資源池，供星上產生的任務使用。不同類型衛星節點當前星上能耗資源，算力資源以及通信資源差異較大，故應通過控制節點綜合研判后，針對不同衛星節點的剩余資源元組，差異化匹配待計算任務。通信資源分配準則基于星群內控制衛星根據調度策略所生成的流表，該流表周期性廣播分發至星群中傳輸節點。傳輸節點東西向負載協作均衡能力以適配星上任務傳輸協作。

為了增加衛星系統的可靠性與自主性，星群或星座內每個衛星均具備資源管理節點與控制節點功能。若針對差異化業務需求，需要對星群進行進一步切分成簇，則被選為簇中心節點衛星啟動控制管理功能，星群控制節點宕機時，可啟用備用節點控制管理功能。資源管理節點除了對本地資源虛擬化管理以外，通過狀態信息采集監控低軌衛星網絡系統狀態，并進行通信資源管理。控制節點模塊一方面對執行器進行控制，滿足衛星系統運行需要。另一方面，要對星上資源進行業務需求智能適配，同時需要考慮智能服務能力遷移時的任務卸載部署方案。

與低軌多接入邊緣智能衛星系統相對應，地面云計算集群從功能結構上也可被歸集成云端資源層、云端管理層與云端控制層。云端資源更加豐富，可與低軌衛星網絡進行資源協調匹配；云端管理能力較星上管理控制部分更強，當資源調度過程中需要地面云資源進行協同時，該部分全局宏觀虛擬化管理與星上分布式局部虛擬化管理進行虛擬化管理協作；最后，海量復雜模型可部署于地面云集群，通過優化、壓縮模型等方法，分發已有適配星上邊緣網絡任務的輕量級模型，充分釋放低軌衛星邊緣網絡計算任務壓力，提升融合下網絡的運行效率。

4 低軌衛星智能多接入邊緣計算網絡面臨的機遇與挑戰

4.1 機遇

產業界方面，低軌衛星智能多接入邊緣計算網絡將擴大業務服務的覆蓋范圍，將上一代主要面向地面的業務覆蓋范圍擴展至廣域空間，并可為泛在可信無縫服務網絡提供潛在解決方案。與此同時，隨著低軌衛星星座的發展，運營商將擴展服務業務種類的范圍，低軌衛星智能多接入邊緣計算面向無人區域的業務僅僅局限于傳統的應急話音通信或視頻通信，多類業務如導航、遙感、控制等業務需求亦可通過低軌衛星網絡充分借助其網絡特性得到滿足。除此以外，目前該領域3GPP 標準化定制工作仍集中于非地面網絡架構情況的制定中，通信機制中的細節部分仍在討論中。與多接入邊緣計算和人工智能結合，面向星地邊緣計算通導遙控一體化應用服務的標準以及技術細節尚未開始啟動研究，相關產業聯盟制定的白皮書尚且空缺，標準制定機構亟需討論并提交該領域下相關技術細節的標準草案。

從學術界看，目前關于星上尤其是低軌衛星智能多接入邊緣計算的研究尚不多見，僅有少量部分研究人員借助機器學習算法開展計算資源分配工作。針對低軌衛星智能多接入邊緣網絡，面向多種業務需求，協同地面云服務集群，需著力解決如下問題：第一，低軌衛星網絡與地面通信節點存儲分發機制相對獨立，兩者需要協同配合，面向業務需求，在廣域與局域部署最優存儲資源。第二，低軌衛星在算力、電池儲能、服務時長等方面受限，針對不同業務，利用智能學習方案進行適配算力優化需重點研究。第三，不同于高軌衛星，低軌衛星星座拓撲變化較快，服務對象亦可能為服務高鐵、飛機等高速運動體中用戶，因此地面用戶行為復雜。如何刻畫星座動態特性與被服務用戶行為特征，如何利用變化的可用算力為用戶進行靈活服務等問題必然需要使用人工智能算法對低軌衛星多接入邊緣計算網絡進行賦能。

4.2 挑戰

目前低軌衛星智能多接入邊緣計算網絡架構所面臨的挑戰主要來源于三方面：

（1）盡管低軌衛星板載能力不斷提高，衛星節點的資源依舊受限。單一僵化的資源配置策略將導致任務需求與星上剩余可用資源失配，降低網絡資源利用效率。

首先，星上通信、存儲及計算能耗來源于太陽能供電板所轉化的電能，除去星載設備待機所需能耗，功能模塊工作時長應與所分配的任務進行匹配，其功能模塊功耗應滿足不同類型衛星的能耗約束。其次，相比于地面，考慮到星上算力以及緩存能力依舊有限，同時分布式計算策略要求對任務進行并行響應。具體來講，計算任務適配分割、分割任務最優分配、緩存文件最優存儲、以及緩存文件分布存儲等均為值得關注的技術挑戰，利用人工智能系列算法優化星群或星座任務部署策略，協同任務處理具有必要性。

（2）星上拓撲具備時變高動態特性，地面用戶行為亦十分復雜，其狀態具有不確定性。

首先，低軌衛星運行軌道周期相對較短，其運行速度快，星間拓撲變化迅速，對目標地域或空域服務時間短，計算任務響應過程涉及到遷移以及部分卸載問題，任務接入衛星與結果返回衛星大概率非同一衛星，需要考慮如何針對業務解決最長服務星鏈問題；其次，衛星網絡中業務請求是隨用戶、事件等因素“動態變化”的，不同時刻的星座節點資源狀態亦處于動態變化的狀態，靜態資源配置的網絡規劃并不能適配動態需求，對于自主運行的低軌智能多接入衛星網絡，需要解決長時間失配動態特性的資源優化配置策略。

（3）低軌衛星星座與地面網絡進行協同任務處理時，應全局考慮，突破資源孤立性問題。

實際場景中，地面云服務節點并不總存在于最近衛星節點下方，因此需要考慮饋電鏈路特性以及地面站云服務節點分布狀態，解決星下地面站缺少時星間鏈路如何回傳信息進行處理的問題。

5 結束語

本文面向下一代通信網絡遠景，在梳理低軌衛星與地面移動通信相關領域研究的技術基礎上，針對不同低軌衛星網絡目前的發展狀況，分析目前低軌衛星業務的需求，進一步提出低軌衛星智能多接入邊緣計算網絡架構，并對所提架構的潛在應用場景進行探討，最后，文章總結所提技術架構為產業以及學術界帶來的機遇以及該架構可能面臨的技術挑戰。