基于低轨卫星星座的边缘计算任务卸载算法研究.pdfVIP

摘要

近年来，随着移动网络的高速发展，人们可以享受到高速便捷的互联网服

务。但是由于地形限制、经济成本等因素，地面通信网络尚不能做到全球覆盖，

而卫星网络以其覆盖范围广、抗灾害能力强的特点，成为未来空天地一体化、

全球无缝覆盖的重要一环。其中，低地球轨道（LowEarthOrbit,LEO）具有可

容纳卫星数量多、通信延迟低、卫星发射技术成熟的优势，成为了各国近年来

研究的热点。

另一方面，用户的计算业务需求是普遍存在的。当用户处于无地面网络覆

盖区域时，其自身计算能力无法满足计算密集型业务需求。传统的做法是通过

卫星将任务传递给地面云服务器计算，再将结果返回用户，由于需要多次转发，

这种方式产生较高延时并浪费大量宝贵的卫星通信资源。此时，借助地面移动

边缘计算（MobileEdgeComputing,MEC）的思想，本文将边缘计算服务器部署

在卫星上来为用户提供计算服务。

与地面网络不同的是，卫星网络具有拓扑动态变化快、资源相对稀缺的特

点，使得任务的卸载决策变得十分困难。因此，计算卸载问题成为了LEO卫星

星座边缘计算中的重点和难点。

本文提出了一个低轨卫星星座网络边缘计算的服务框架，对用户的计算卸

载需求进行了分析，通过将计算任务下沉到卫星边缘节点进行，大幅降低了系

统开销，提高了任务计算效率。其次，本文建立了低轨卫星星座边缘计算的通

信、任务、计算、能耗等要素模型，为后续卸载算法的研究提供模型基础。针

对计算卸载与卫星资源联合优化这一复杂问题，本文将其分解为任务卸载与确

定卸载下的最优资源分配两个子问题分别进行求解，以降低求解复杂度。针对

任务卸载问题，采用深度强化学习中的深度确定性策略梯度算法解决，针对资

源分配子问题，将其转化为凸优化问题进行求解，最终给出了一种低复杂度的

任务卸载和资源分配算法LCTORA。面对大规模卫星星座网络下中心节点状态

空间复杂、系统开销大等问题，提出了一个基于隐藏状态的多智能体深度确定

性策略梯度算法HS-MADDPG，并设计了一个基于平均服务率与带权值的时间

损耗与能量损耗的效用函数，以满足不同用户的服务需求。仿真结果表明，本

文提出的HS-MADDPG算法与LODCO、DDPG、MADDPG等算法相比，在平

均成本、资源利用率、应对突发高请求等方面均展现出了较大的优势。

关键词：低轨卫星星座；边缘计算；深度强化学习；计算卸载

Keywords:lowearthorbitsatelliteconstellation,edgecomputing,deep

reinforcementlearning,computingoffloading

目录

摘要I

ABSTRACTII

第1章绪论1

1.1研究背景及研究意义1

1.2卫星边缘计算的发展概况3

1.2.1低轨卫星星座网络3

1.2.2低轨卫星星座边缘计算架构5

1.2.3低轨星座网络计算卸载算法6

1.3本文的主要研究内容8

1.4论文结构安排9

第2章低轨卫星星座边缘计算与深度强化学习11

2.1引言11

2.2低轨卫星星座边缘计算11

2.2.1低轨卫星星座11

2.2.2边缘计算14

2.2.3卫星星座边缘计算网络17

2.3深度强化学习18

2.4本章小结20

第3章低轨卫星星座任务卸载模型21

3.1引言21

3.2服务模式21

3.3系统模型22

3.3.1低轨卫星覆盖模型22

3.3.2通信模型25

3.3.3能耗模型27

3.3.4计算模型28

3.3.5卸载模型28

3.4问题描述30

3.4.1计算卸载和资源分配30

3.4.2问题公式化处理31

3.4.3问题分解3