周锦雯,刘乃金,陈清霞.基于分布式深度学习的多星计算卸载策略[J].中国空间科学技术,2023,43(2):73-80.

ZHOU J W, LIU N J, CHEN Q X. Multi-satellite task offloading method based on distributed deep learning[J].Chinese Space Science and Technology,2023,43(2):73-80(in Chinese).

1.研究背景

随着卫星技术的发展，在轨卫星数量和卫星星座规模不断扩大，由此衍生出各种卫星应用和更多的计算需求，卫星节点从数据中继向集群化网络化的方向发展。新一代卫星网络集成不同轨道卫星，可以实现全球覆盖、随时接入、按需服务。特别是在人口稀少、缺乏电信基础设施的特殊区域，配备了计算资源和存储资源的卫星形成了卫星边缘计算集群，便于缺少计算资源的地面用户将计算任务迁移到边缘卫星节点以获得更高效快捷的服务。低轨道卫星引入的传播延迟较低，正逐渐成为未来综合卫星系统的重要组成部分。虽然其星上处理能力通常有限，但低轨星座网络（特别是超级星座LEO网络）中的多颗卫星可以形成一个虚拟资源池，如果能整合多颗卫星资源协同处理计算任务，那么LEO卫星通信网络将会具有地面移动通信系统无法比拟的优势和潜能。

目前，得益于低轨星座的发展,具有计算和存储资源的卫星节点可以形成边缘计算集群，利用星间链路实现协同服务，可有效降低用户响应时延。边缘计算是指将计算单元转移到用户设备附近的接入节点，或者在用户设备本地处理数据的技术。通过在低轨卫星部署边缘服务器，可以避免将应用程序产生的流量回调到远程数据中心，从而大大减少访问延迟，有效地利用无线电资源。越来越多的学者开始关注边缘计算增强的卫星集群问题，主要集中在卫星边缘计算架构、计算卸载等方面。

对边缘增强的低轨卫星网络进行研究，其通过LEO集群协同处理用户产生的任务。结合星座拓扑特点进行建模，提出并优化了一种适用于低轨卫星集群的协同计算架构和计算卸载过程的基于分布式深度学习算法的卫星边缘计算卸载算法（deep learning-based offloading Algorithm，DLOA），该算法可提高卫星网络计算业务的服务质量。

2.文章梗概

在边缘计算增强的低轨卫星网络场景下，低轨卫星集群协同处理地面任务能有效降低用户响应时延。对卫星集群的联合卸载决策和资源分配优化问题进行研究，将其描述为一个混合整数规划问题，并采用了一种基于分布式深度学习算法的卫星边缘计算卸载算法。该算法使用多个并行DNN用于生成卸载决策并采用经验回放存储新生成的卸载决策，当采用隐藏层结构不同的DNN，收敛速度比同构DNN提升18%，收敛值与最优值的比值基本为1，可以认为已收敛至最优。此外，探讨了DNN的数量对所使用的算法的影响，仿真结果表明采用少量DNN就可以获得近优的收敛效果。通过对不同任务规模下采用不同算法的任务完成率进行研究，结果表明DLOA算法可通过采用异构DNN和优化资源分配方案显著提升完成率，其较单星运算方案任务完成率提升1倍，较二进制粒子群算法方案提升20%。

3.总结与展望

研究了基于分布式深度学习的卫星边缘计算卸载算法（DLOA），以保证网络的服务质量，最大限度地减少卫星的时延和能量消耗。该算法利用多个DNN的优势，在不需要人工标记数据的情况下生成接近最优解。采用异构DNN结构比同构DNN能获得更快和更优的收敛效果。采用更多的DNN个数能加快算法的收敛速度，但是超过3个对收敛速度的优化并不明显，因此，少量DNN就可获得较优的结果并节约算力资源。实验表明，采用DLOA算法方案的任务完成率显著优于采用单卫星计算、二进制粒子群（BPSO）算法方案。此外，利用异构DNN和优化的资源分配（ORA）方案能进一步提升DLOA算法本身的性能，仿真结果表明优化的方案能够获得更低的系统效用值和更高的任务完成率。

周锦雯，钱学森空间技术实验室硕士研究生，研究方向为低轨卫星边缘计算。

刘乃金，钱学森空间技术实验室教授，研究方向为空间飞行器总体设计、空间信息网络、智能信息处理。