低軌衛星互聯網星載邊緣計算卸載策略

李誠成，張亞生，孫晨華

(中國電子科技集團公司第五十四研究所，河北 石家莊 050081)

0 引言

衛星網絡相對于其他通信方式，具有覆蓋面積大、不受地形限制等優勢。隨著低軌衛星互聯網的發展[1-2]，衛星網絡具備了全球無縫覆蓋和寬帶業務能力，必然會成為5G/6G移動通信系統不可或缺的部分[3]。低軌衛星互聯網[4-6]以寬帶業務為主要特征，以通信為主，可搭載部分感知類載荷，以支持傳統通信向支持陸、海、空、天用戶接入方向發展，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，云計算技術已經成為現代信息技術領域的基礎技術之一，且越來越多的服務基于云計算提供，在低軌衛星互聯網中引入云計算技術，可以有效支撐天基用戶的遙感數據處理等計算密集型業務。亞馬遜公司旗下的云計算服務平臺AWS已經推出了衛星云計算服務，用于存儲和處理數據，應用包括縮短自然災害圖像和天氣預測的數據處理和分析時間，以及處理合成孔徑雷達(Synthetic Aperture Radar，SAR)圖像，供急救人員在主動搜索、救援中使用。

在低軌衛星互聯網中引入云計算能夠擴展網絡應用場景和領域，而且隨著云計算的應用越來越普及，或許還需要支撐用戶的云計算業務。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，比如衛星網絡用戶在獲取云計算服務時，會占用大量星地/星間鏈路帶寬，且用戶感知的服務時延較高等。

為了解決云計算引入帶來的新問題，本文考慮在低軌衛星互聯網中引入邊緣計算。低軌衛星互聯網的每顆衛星都是網絡的接入節點(網絡邊緣)，顯然將邊緣計算資源部署在衛星上能夠真正發揮邊緣計算技術優勢，使用戶能夠在全球任何位置就近獲得計算存儲服務，快速響應用戶的業務處理需求，為用戶提供低時延云計算服務，并減少衛星網絡鏈路帶寬消耗，提升網絡性能和用戶服務體驗。

星載邊緣計算有很多應用場景，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中，最簡單的計算卸載方式就是用戶終端將計算任務直接卸載給其接入衛星(過頂衛星)。然而，在整個星座范圍內，每顆衛星下計算任務需求具有不均衡特點。比如，城市區域的用戶終端可以通過移動通信接入網絡，因此不需要將計算任務卸載給衛星；而邊境區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星進行計算卸載。

因此，如果每個用戶終端都簡單地將計算任務卸載到接入衛星，則會出現不同衛星負載不均衡的情況，且對于卸載需求量大的衛星來說，可能會由于執行大量計算任務，導致電量消耗過快，降低正常運行時長。所以，本文認為應該考慮將計算任務在整個系統內進行合理分配，從而提高系統的負載均衡程度，并延長整個系統正常工作時長。

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

1 相關研究工作

星載邊緣計算正在越來越多地受到國內外機構的關注和重視。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”項目，目前已授出超過8 100萬美金的研發合同，其星上載荷能夠自主地向戰區內的軍事用戶和平臺生成戰術相關信息；支持功能軟件定義，可通過增加軟件來實現增加任務能力。在“黑杰克”星座內，星上的Pit Boss主要功能包括自主在軌邊緣處理、數據管理、健康監控和位置保持等，它可快速自主地進行任務分派、處理和向有人控制和無人控制的用戶單元分發戰術相關的信息。

中國科學院軟件研究所于2018年11月發射了第一顆在軌試驗衛星“天智一號”，這是一顆以軟件為主的衛星，同時也具備智能計算能力，可以通過上注應用軟件或是在地面訓練好的神經網絡模型，在軌實時執行一些智能任務，例如智能目標檢測識別、智能云判讀、基于強化學習的智能姿態控制等。

2021年12月，北京郵電大學等單位發射了天算星座，該星座擬構建空天計算在軌實驗開放開源服務平臺，驗證了基于KubeEdge的云邊協同計算平臺，以在軌處理照片為例，展示了星載邊緣計算在降低星地數傳帶寬消耗方面的潛在優勢。

目前，在衛星網絡邊緣計算方向的學術研究工作還比較少,接下來本文對最新的相關研究工作進行介紹。

Cheng等人[7]提出了一個空、天、地一體化網絡的邊緣/云計算架構，用于卸載計算密集任務，同時考慮了遠端的能量和計算資源約束，在這個架構中，無人機提供靠近用戶的邊緣計算服務，衛星提供對云計算的接入。可見，該文獻并未考慮利用衛星提供邊緣計算服務，與本文的問題場景不同。

Zhang等人[8]分析了衛星移動邊緣計算的可選部署方案，并且提出了協作式計算卸載，即衛星邊緣計算服務器互相協作，以完成用戶的計算任務。本文考慮將邊緣計算節點部署于低軌衛星上，與該文獻中的協作式計算卸載的系統架構不同。

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

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化方法，對星載邊緣計算中的計算卸載問題進行了建模，考慮了由于衛星高速移動帶來的星地鏈路間歇性連通情況。但是，該文獻只考慮將計算任務卸載給接入衛星，無法更高效地利用多顆衛星的計算資源。

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

2 應用場景設計

接下來給出幾種低軌衛星互聯網邊緣計算的應用場景，第一個應用場景就是信息服務前置場景，如圖 1所示。傳統服務獲取模式中，衛星網絡中的用戶從地面獲取服務，需要建立用戶終端與遠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所需時延大且不穩定，另一方面耗費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，可以預先將服務放置在星載邊緣計算節點上，用戶只需要與衛星建立連接即可獲取服務，一方面降低了時延，另一方面減少帶寬消耗。尤其是當大量用戶需要該服務時，這種邊緣信息分發模式帶寬節省更明顯。

圖1 服務前置場景Fig.1 Edge-based service scenario

第二個應用場景是基于低軌邊緣計算的計算卸載場景，如圖 2所示，以無人機為例，無人機可以將視頻或圖像數據發送給衛星，由衛星進行目標識別，并將識別結果返回給無人機，完成OODA環。

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

隨著計算密集型應用越來越多，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，顯然需要將數據分析任務卸載到網絡中[13]，而不應由終端自己處理。然而，如果通過衛星網絡將計算任務卸載給遠端云計算中心，存在通信時延大、流量開銷高等問題[14]。因此，本文認為應該將計算平臺直接部署在衛星上，提供星載邊緣計算能力，用戶終端將計算任務卸載給衛星執行，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。

第三個應用場景是天基遙感處理與分發，如圖 3所示。傳統的遙感信息應用模式采用的是“獲取數據-下傳數據-地面處理數據-信息生成-地面分發”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據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，遙感衛星可以將未處理的遙感數據(比如SAR回波數據)發送給星載邊緣計算節點，由后者進行處理并解譯信息后(比如目標位置信息)，直接將信息分發給用戶，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。隨著星載遙感設備的能力越來越強，產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的發展，產生的數據量呈現爆炸式增長。如果將這些遙感圖像數據只進行簡單的壓縮編碼就下傳給地面應用中心，會給星地數傳鏈路帶來巨大壓力。而基于低軌星座邊緣計算，可以對遙感數據進行有效壓縮(比如對圖像中的云進行識別并去掉云區域)[15]，從而提升有效信息所占比例，更高效地利用星地數傳鏈路。

3 問題模型

低軌星座邊緣計算系統由低軌邊緣計算節點、用戶終端和信關站組成。其中，低軌邊緣計算節點是低軌衛星上的計算載荷，包括硬件和基礎軟件，可用于執行用戶卸載的計算任務。用戶終端將任務卸載到低軌邊緣計算節點。信關站中部署低軌邊緣計算控制器，對系統行為進行監視和控制。

在低軌星座邊緣計算系統中，用戶終端的計算能力或電量較低，無法執行計算密集型任務，因此需將計算任務卸載給低軌衛星執行，以達到降低電量消耗、增加計算任務執行速度的目標。低軌星座邊緣計算系統組成如圖4所示。

圖4 低軌星座邊緣計算系統組成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分布是不均衡的，如果直接將用戶終端或者地面關口站的計算任務卸載到其過頂衛星，勢必出現衛星之間負載不均衡的情況。根據能量消耗的相關理論，如果某些衛星的計算任務過多，也會導致這些衛星功耗過高，可能影響衛星的工作時長。

因此，本文認為應該充分利用低軌星座邊緣計算系統中的其他節點，不局限于用戶終端的接入衛星，從而避免系統出現負載不均衡以及某些衛星能量消耗過快的情況。

參考其他研究工作[16-18]，本文中的系統模型是分時隙的，所提算法的目標是優化單個時隙內的計算任務卸載策略。

假設系統內存在S個星載邊緣計算節點，對于衛星i來說，fi表示其計算能力，Ri表示當前時隙內可用于計算卸載的計算資源，可見Ri≤fi。Pi表示衛星i在當前時隙的能量消耗上限，gi表示通過衛星i接入網絡的所有用戶終端的需卸載計算任務數量總和，dij表示衛星i與衛星j之間的跳數。

對于衛星i，假設其需要執行ai個計算任務，則執行這些任務需消耗的能量為Ei=ε·fi2·J·ai[20]，該衛星的負載可以用Li=ai·J表示。

為方便閱讀，將本文涉及到的主要數學符號及其含義列表,如表1所示。

表1 本文數學符號與對應含義Tab.1 Notations and Meanings

4 最優化建模

本文將計算卸載策略建模為一個最優化問題，優化目標包括兩方面：一方面是均衡各衛星的負載；另一方面是減少由計算卸載引起的星間數據流量開銷。

本文對計算卸載策略的最優化問題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為目標函數中的權重，用于調整流量開銷的重要性。

接下來對該最優化問題建模進行解釋。目標函數(1)同時考慮了降低φ和C，即保證負載均衡和降低流量開銷。約束條件(2)確保了做出計算任務卸載決策后，每個衛星i執行這些計算任務消耗的能量不會超過當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卸載決策后，每個衛星i的計算負載不會超過其計算資源上限；約束條件(4)給出了每個衛星i上的計算任務數量與計算卸載決策變量之間的關系，即每個衛星i需執行的計算任務數量等于所有衛星下的用戶終端卸載到該衛星的任務總和；約束條件(5)確保了每個衛星i下的用戶終端任務全部被卸載。

5 計算卸載算法

利用φ和Li的定義，可以推出目標函數中的φ與決策變量bij的關系如下：

(6)

可見φ是bij的線性函數。

利用C和Cij的定義，可以推出目標函數中的C與決策變量bij的關系如下：

(7)

可見C是bij的線性函數。

利用Ei和ai的定義，可以推出Ei與決策變量bij的關系如下：

(8)

可見Ei是bij的線性函數。

根據Li和ai的定義，可以推出Li與決策變量bij的關系如下：

(9)

可見Li是bij的線性函數。

根據以上分析，最優化問題P的目標函數和約束條件都是線性的。因此，該問題是一個線性規劃問題。考慮到已經存在開源的線性規劃求解器OPTI，本文利用OPTI求解最優化問題P。

本文所提算法通過求解最優化問題P，得到最優決策變量bij，然后從衛星i收到的用戶終端的所有計算任務中，選取bij個任務，分配到衛星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勢，本文對所提算法進行了計算機仿真。作為對比，對基準算法也進行了仿真。在基準算法中，每個衛星下的用戶終端先將計算任務卸載到自己的接入衛星(過頂衛星)；如果接入衛星的資源或者功率不足以滿足計算任務的需求，則將剩余的計算任務隨機卸載到其他衛星。

在仿真中，假設在每個時隙內，每個衛星下的所有用戶終端卸載的計算任務數量為1～5之間的隨機數，每個計算任務的輸入數據量為I=30 MB，計算所需要的轉數J=2 M次。每個衛星的計算能力fi在每秒2～6G次之間取隨機數，而可用的計算資源Ri=α×fi，其中α是(0,1)之間的隨機數，能耗系數ε=10-25，每個衛星的功耗上限在20～50 W之間，目標函數中的權重γ分別取值1～10。

6.2 結果分析

首先，對所提算法和基準算法在流量代價值方面進行對比。如圖 5所示，在權重γ分別等于1～10時，本文所提算法的代價值都低于基準算法，也就是說所提算法在網內產生的流量開銷更小。這是因為本文所提算法在目標函數中考慮了流量開銷，并且通過最優化求解，降低了流量開銷。

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

然后，對所提算法和基準算法在負載均衡方面進行對比。如圖 6所示，在權重γ分別等于1～10時，本文所提算法的負載均衡指標值都低于基準算法，說明所提算法在負載均衡方面表現更好。這是因為所提算法是通過求解建模的最優化問題來做出計算卸載決策的，而最優化問題的目標函數中考慮了降低負載均衡指標。

圖6 在權重γ分別等于1～10時，本文所提算法和 基準算法的負載均衡指標值Fig.6 Metric of load balancing when using the proposed algorithm and the baseline algorithm with different value ofγ

接下來，對所提算法和基準算法的目標函數值進行對比。如圖 7所示，在權重γ分別等于1～10時，本文所提算法的目標函數值都低于基準算法，這說明本文所提算法在負載均衡和流量代價兩方面的性能都比較好。這是因為，本文所提算法求出了所建模問題的最優解。

圖7 在權重γ分別等于1～10時，本文所提算法和 基準算法的目標函數值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載均衡方面的性能都更好。

7 結論

本文以低軌衛星互聯網邊緣計算中的計算卸載問題為研究對象，分析了將計算任務在系統內的各衛星間進行合理分配的必要性，并對計算卸載問題進行了最優化建模，根據最優化問題求解結果指導計算卸載決策，并對所提算法進行了仿真分析，驗證了所提算法在流量代價和負載均衡方面的性能優勢。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，研究更精細化的計算卸載策略；另一方面，擬遵循云邊協同理念，考慮云邊協同場景下的計算卸載策略。