低轨卫星互联网星载边缘计算卸载策略

李诚成，张亚生，孙晨华

(中国电子科技集团公司第五十四研究所，河北 石家庄 050081)

0 引言

卫星网络相对于其他通信方式，具有覆盖面积大、不受地形限制等优势。随着低轨卫星互联网的发展[1-2]，卫星网络具备了全球无缝覆盖和宽带业务能力，必然会成为5G/6G移动通信系统不可或缺的部分[3]。低轨卫星互联网[4-6]以宽带业务为主要特征，以通信为主，可搭载部分感知类载荷，以支持传统通信向支持陆、海、空、天用户接入方向发展，尤其是支持天基用户接入，使其具有了中继星座的功能，因此星上部署计算能力十分必要。

另一方面，云计算技术已经成为现代信息技术领域的基础技术之一，且越来越多的服务基于云计算提供，在低轨卫星互联网中引入云计算技术，可以有效支撑天基用户的遥感数据处理等计算密集型业务。亚马逊公司旗下的云计算服务平台AWS已经推出了卫星云计算服务，用于存储和处理数据，应用包括缩短自然灾害图像和天气预测的数据处理和分析时间，以及处理合成孔径雷达(Synthetic Aperture Radar，SAR)图像，供急救人员在主动搜索、救援中使用。

在低轨卫星互联网中引入云计算能够扩展网络应用场景和领域，而且随着云计算的应用越来越普及，或许还需要支撑用户的云计算业务。但是，由于云计算中心通常部署在地面，直接引入云计算会带来诸多问题，比如卫星网络用户在获取云计算服务时，会占用大量星地/星间链路带宽，且用户感知的服务时延较高等。

为了解决云计算引入带来的新问题，本文考虑在低轨卫星互联网中引入边缘计算。低轨卫星互联网的每颗卫星都是网络的接入节点(网络边缘)，显然将边缘计算资源部署在卫星上能够真正发挥边缘计算技术优势，使用户能够在全球任何位置就近获得计算存储服务，快速响应用户的业务处理需求，为用户提供低时延云计算服务，并减少卫星网络链路带宽消耗，提升网络性能和用户服务体验。

星载边缘计算有很多应用场景，本文针对计算卸载场景开展研究。在低轨星座边缘计算系统中，最简单的计算卸载方式就是用户终端将计算任务直接卸载给其接入卫星(过顶卫星)。然而，在整个星座范围内，每颗卫星下计算任务需求具有不均衡特点。比如，城市区域的用户终端可以通过移动通信接入网络，因此不需要将计算任务卸载给卫星；而边境区域和海上可能部署了大量的用户终端，这些终端只能通过卫星进行计算卸载。

因此，如果每个用户终端都简单地将计算任务卸载到接入卫星，则会出现不同卫星负载不均衡的情况，且对于卸载需求量大的卫星来说，可能会由于执行大量计算任务，导致电量消耗过快，降低正常运行时长。所以，本文认为应该考虑将计算任务在整个系统内进行合理分配，从而提高系统的负载均衡程度，并延长整个系统正常工作时长。

本文通过将低轨星座边缘计算系统中的计算卸载建模为一个最优化问题，并求解该最优化问题，从而做出最优的计算卸载决策。经过仿真评估，本文所提计算卸载算法在负载均衡和系统流量开销方面都有较好的性能。

1 相关研究工作

星载边缘计算正在越来越多地受到国内外机构的关注和重视。2018年4月，美国国防高级研究计划局(Defense Advanced Research Projects Agency，DARPA)启动了“黑杰克”项目，目前已授出超过8 100万美金的研发合同，其星上载荷能够自主地向战区内的军事用户和平台生成战术相关信息；支持功能软件定义，可通过增加软件来实现增加任务能力。在“黑杰克”星座内，星上的Pit Boss主要功能包括自主在轨边缘处理、数据管理、健康监控和位置保持等，它可快速自主地进行任务分派、处理和向有人控制和无人控制的用户单元分发战术相关的信息。

中国科学院软件研究所于2018年11月发射了第一颗在轨试验卫星“天智一号”，这是一颗以软件为主的卫星，同时也具备智能计算能力，可以通过上注应用软件或是在地面训练好的神经网络模型，在轨实时执行一些智能任务，例如智能目标检测识别、智能云判读、基于强化学习的智能姿态控制等。

2021年12月，北京邮电大学等单位发射了天算星座，该星座拟构建空天计算在轨实验开放开源服务平台，验证了基于KubeEdge的云边协同计算平台，以在轨处理照片为例，展示了星载边缘计算在降低星地数传带宽消耗方面的潜在优势。

目前，在卫星网络边缘计算方向的学术研究工作还比较少,接下来本文对最新的相关研究工作进行介绍。

Cheng等人[7]提出了一个空、天、地一体化网络的边缘/云计算架构，用于卸载计算密集任务，同时考虑了远端的能量和计算资源约束，在这个架构中，无人机提供靠近用户的边缘计算服务，卫星提供对云计算的接入。可见，该文献并未考虑利用卫星提供边缘计算服务，与本文的问题场景不同。

Zhang等人[8]分析了卫星移动边缘计算的可选部署方案，并且提出了协作式计算卸载，即卫星边缘计算服务器互相协作，以完成用户的计算任务。本文考虑将边缘计算节点部署于低轨卫星上，与该文献中的协作式计算卸载的系统架构不同。

Wang等人[9]提出了一个带有双层边缘计算的星地网络，来为偏远地区提供计算服务，并设计了一个策略，来解决星地网络中分布式边缘服务器的高效调度问题，以提供更好的边缘计算服务。该文献考虑的场景包括通过卫星回传的基站，但是在诸如海上、灾难等场景中，不具备部署基站的条件，因此本文考虑直接利用卫星提供边缘计算服务。

Wang等人[10]提出了一个星载边缘计算中的基于博弈论的计算卸载策略优化方法，对星载边缘计算中的计算卸载问题进行了建模，考虑了由于卫星高速移动带来的星地链路间歇性连通情况。但是，该文献只考虑将计算任务卸载给接入卫星，无法更高效地利用多颗卫星的计算资源。

Xie等人[11]提出了一个名为星地一体化边缘计算网络(STECN)的架构，该架构中计算资源存在于多层异构边缘计算集群中(包括卫星)，使任意位置的用户都可以获得计算服务,但是该文献并没有提出具体的计算卸载策略。

2 应用场景设计

接下来给出几种低轨卫星互联网边缘计算的应用场景，第一个应用场景就是信息服务前置场景，如图 1所示。传统服务获取模式中，卫星网络中的用户从地面获取服务，需要建立用户终端与远端地面云之间的连接，并且在这个连接上传输信息。采用这种模式，一方面用户获取服务所需时延大且不稳定，另一方面耗费了大量的馈电链路和星间链路带宽。如果基于低轨星座边缘计算技术，可以预先将服务放置在星载边缘计算节点上，用户只需要与卫星建立连接即可获取服务，一方面降低了时延，另一方面减少带宽消耗。尤其是当大量用户需要该服务时，这种边缘信息分发模式带宽节省更明显。

图1 服务前置场景Fig.1 Edge-based service scenario

第二个应用场景是基于低轨边缘计算的计算卸载场景，如图 2所示，以无人机为例，无人机可以将视频或图像数据发送给卫星，由卫星进行目标识别，并将识别结果返回给无人机，完成OODA环。

图2 计算卸载场景Fig.2 Computation offloading scenario

随着计算密集型应用越来越多，用户终端对计算卸载的需求越来越大[12]。尤其是对于资源受限、电量宝贵的用户终端，显然需要将数据分析任务卸载到网络中[13]，而不应由终端自己处理。然而，如果通过卫星网络将计算任务卸载给远端云计算中心，存在通信时延大、流量开销高等问题[14]。因此，本文认为应该将计算平台直接部署在卫星上，提供星载边缘计算能力，用户终端将计算任务卸载给卫星执行，从而避免通信路径长的问题，就近为用户终端提供计算卸载服务。

第三个应用场景是天基遥感处理与分发，如图 3所示。传统的遥感信息应用模式采用的是“获取数据-下传数据-地面处理数据-信息生成-地面分发”的工作流程，一方面用户获取信息所需时间较长，另一方面大量的遥感数据下传对星地链路带来了很大压力。而基于低轨星座边缘计算，遥感卫星可以将未处理的遥感数据(比如SAR回波数据)发送给星载边缘计算节点，由后者进行处理并解译信息后(比如目标位置信息)，直接将信息分发给用户，从而有效提高整个信息支援的时效性，并降低星地数传链路压力。

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

以遥感图像高效压缩场景为例。随着星载遥感设备的能力越来越强，产生的图像尺寸和分辨率也越来越高，尤其是随着高光谱遥感技术的发展，产生的数据量呈现爆炸式增长。如果将这些遥感图像数据只进行简单的压缩编码就下传给地面应用中心，会给星地数传链路带来巨大压力。而基于低轨星座边缘计算，可以对遥感数据进行有效压缩(比如对图像中的云进行识别并去掉云区域)[15]，从而提升有效信息所占比例，更高效地利用星地数传链路。

3 问题模型

低轨星座边缘计算系统由低轨边缘计算节点、用户终端和信关站组成。其中，低轨边缘计算节点是低轨卫星上的计算载荷，包括硬件和基础软件，可用于执行用户卸载的计算任务。用户终端将任务卸载到低轨边缘计算节点。信关站中部署低轨边缘计算控制器，对系统行为进行监视和控制。

在低轨星座边缘计算系统中，用户终端的计算能力或电量较低，无法执行计算密集型任务，因此需将计算任务卸载给低轨卫星执行，以达到降低电量消耗、增加计算任务执行速度的目标。低轨星座边缘计算系统组成如图4所示。

图4 低轨星座边缘计算系统组成Fig.4 LEO Edge Computing System

对于低轨星座边缘计算来说，用户终端在全球范围内分布是不均衡的，如果直接将用户终端或者地面关口站的计算任务卸载到其过顶卫星，势必出现卫星之间负载不均衡的情况。根据能量消耗的相关理论，如果某些卫星的计算任务过多，也会导致这些卫星功耗过高，可能影响卫星的工作时长。

因此，本文认为应该充分利用低轨星座边缘计算系统中的其他节点，不局限于用户终端的接入卫星，从而避免系统出现负载不均衡以及某些卫星能量消耗过快的情况。

参考其他研究工作[16-18]，本文中的系统模型是分时隙的，所提算法的目标是优化单个时隙内的计算任务卸载策略。

假设系统内存在S个星载边缘计算节点，对于卫星i来说，fi表示其计算能力，Ri表示当前时隙内可用于计算卸载的计算资源，可见Ri≤fi。Pi表示卫星i在当前时隙的能量消耗上限，gi表示通过卫星i接入网络的所有用户终端的需卸载计算任务数量总和，dij表示卫星i与卫星j之间的跳数。

对于卫星i，假设其需要执行ai个计算任务，则执行这些任务需消耗的能量为Ei=ε·fi2·J·ai[20]，该卫星的负载可以用Li=ai·J表示。

为方便阅读，将本文涉及到的主要数学符号及其含义列表,如表1所示。

表1 本文数学符号与对应含义Tab.1 Notations and Meanings

4 最优化建模

本文将计算卸载策略建模为一个最优化问题，优化目标包括两方面：一方面是均衡各卫星的负载；另一方面是减少由计算卸载引起的星间数据流量开销。

本文对计算卸载策略的最优化问题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为目标函数中的权重，用于调整流量开销的重要性。

接下来对该最优化问题建模进行解释。目标函数(1)同时考虑了降低φ和C，即保证负载均衡和降低流量开销。约束条件(2)确保了做出计算任务卸载决策后，每个卫星i执行这些计算任务消耗的能量不会超过当前时隙允许消耗的能量上限；约束条件(3)确保了做出计算任务卸载决策后，每个卫星i的计算负载不会超过其计算资源上限；约束条件(4)给出了每个卫星i上的计算任务数量与计算卸载决策变量之间的关系，即每个卫星i需执行的计算任务数量等于所有卫星下的用户终端卸载到该卫星的任务总和；约束条件(5)确保了每个卫星i下的用户终端任务全部被卸载。

5 计算卸载算法

利用φ和Li的定义，可以推出目标函数中的φ与决策变量bij的关系如下：

(6)

可见φ是bij的线性函数。

利用C和Cij的定义，可以推出目标函数中的C与决策变量bij的关系如下：

(7)

可见C是bij的线性函数。

利用Ei和ai的定义，可以推出Ei与决策变量bij的关系如下：

(8)

可见Ei是bij的线性函数。

根据Li和ai的定义，可以推出Li与决策变量bij的关系如下：

(9)

可见Li是bij的线性函数。

根据以上分析，最优化问题P的目标函数和约束条件都是线性的。因此，该问题是一个线性规划问题。考虑到已经存在开源的线性规划求解器OPTI，本文利用OPTI求解最优化问题P。

本文所提算法通过求解最优化问题P，得到最优决策变量bij，然后从卫星i收到的用户终端的所有计算任务中，选取bij个任务，分配到卫星i处。

6 性能评估

6.1 仿真场景

为了评估本文所提的计算卸载算法的性能优势，本文对所提算法进行了计算机仿真。作为对比，对基准算法也进行了仿真。在基准算法中，每个卫星下的用户终端先将计算任务卸载到自己的接入卫星(过顶卫星)；如果接入卫星的资源或者功率不足以满足计算任务的需求，则将剩余的计算任务随机卸载到其他卫星。

在仿真中，假设在每个时隙内，每个卫星下的所有用户终端卸载的计算任务数量为1～5之间的随机数，每个计算任务的输入数据量为I=30 MB，计算所需要的转数J=2 M次。每个卫星的计算能力fi在每秒2～6G次之间取随机数，而可用的计算资源Ri=α×fi，其中α是(0,1)之间的随机数，能耗系数ε=10-25，每个卫星的功耗上限在20～50 W之间，目标函数中的权重γ分别取值1～10。

6.2 结果分析

首先，对所提算法和基准算法在流量代价值方面进行对比。如图 5所示，在权重γ分别等于1～10时，本文所提算法的代价值都低于基准算法，也就是说所提算法在网内产生的流量开销更小。这是因为本文所提算法在目标函数中考虑了流量开销，并且通过最优化求解，降低了流量开销。

图5 在权重γ分别等于1～10时，本文所提算法和 基准算法的代价值Fig.5 Cost value when using the proposed algorithm and the baseline algorithm with different value ofγ

然后，对所提算法和基准算法在负载均衡方面进行对比。如图 6所示，在权重γ分别等于1～10时，本文所提算法的负载均衡指标值都低于基准算法，说明所提算法在负载均衡方面表现更好。这是因为所提算法是通过求解建模的最优化问题来做出计算卸载决策的，而最优化问题的目标函数中考虑了降低负载均衡指标。

图6 在权重γ分别等于1～10时，本文所提算法和 基准算法的负载均衡指标值Fig.6 Metric of load balancing when using the proposed algorithm and the baseline algorithm with different value ofγ

接下来，对所提算法和基准算法的目标函数值进行对比。如图 7所示，在权重γ分别等于1～10时，本文所提算法的目标函数值都低于基准算法，这说明本文所提算法在负载均衡和流量代价两方面的性能都比较好。这是因为，本文所提算法求出了所建模问题的最优解。

图7 在权重γ分别等于1～10时，本文所提算法和 基准算法的目标函数值Fig.7 Objective value when using the proposed algorithm and the baseline algorithm with different value ofγ

综上所述，本文所提算法在流量代价和负载均衡方面的性能都更好。

7 结论

本文以低轨卫星互联网边缘计算中的计算卸载问题为研究对象，分析了将计算任务在系统内的各卫星间进行合理分配的必要性，并对计算卸载问题进行了最优化建模，根据最优化问题求解结果指导计算卸载决策，并对所提算法进行了仿真分析，验证了所提算法在流量代价和负载均衡方面的性能优势。在未来的研究中，一方面，拟考虑不同用户终端的差异化性能需求，研究更精细化的计算卸载策略；另一方面，拟遵循云边协同理念，考虑云边协同场景下的计算卸载策略。