低轨卫星网络场景中深度神经网络云边协同推理算法研究.pdfVIP

摘要

深度神经网络已经广泛应用于低轨卫星网络场景中，并在遥感监测和灾害预

警等领域取得了显著成果。结合低轨卫星网络和深度神经网络技术，可以有效地将

深度学习强大的学习与分析能力拓展到地面网络难以覆盖的区域。然而，处理计算

密集型的深度神经网络推理任务需要消耗大量的计算和能量资源，而低轨卫星网

络中的资源是有限的，难以满足任务高效推理的需求。因此，研究如何在低轨卫星

网络场景中高效地执行深度神经网络推理任务，满足响应时延和能量消耗要求具

有重要意义。

本文利用深度强化学习方法，深入研究了低轨卫星网络场景中的深度神经网

络推理优化问题，通过对深度神经网络推理任务进行划分，并采用云边协同方式执

行推理，以实现响应时延和能量消耗的联合优化。首先，本文提出了一种低轨卫星

网络云边协同推理架构，并据此设计了任务模型、通信模型、时延模型和能耗模型。

其中，任务模型考虑了链式和有向无环图（DirectedAcyclicGraph，DAG）式深度

神经网络推理任务；通信模型考虑了自由空间损耗和多径效应等影响因素；时延模

型主要包括计算时延模型和通信时延模型；能耗模型包括计算能耗模型和传输能

耗模型。接着，本文对深度神经网络推理优化问题进行分析与建模，并将该问题转

化为马尔可夫决策过程。最后，本文以最小化响应时延和能量消耗为目标，在基于

价值的深度强化学习算法的基础上，提出了适用于链式深度神经网络推理任务的

云边协同推理算法（CD-CECI）；针对具有更高复杂度和更大动作空间的DAG式

深度神经网络推理任务，在演员-评论家架构基础上提出了云边协同推理算法（DD-

CECI），以实现深度神经网络推理任务的最优划分与卸载。

为了评估CD-CECI和DD-CECI算法的性能，本文设计并实现了一套仿真测

试系统。在不同的网络带宽和卫星计算能力情况下，对比分析云边协同推理算法与

多种基准推理方法产生的时延和能耗。仿真结果表明，在低轨卫星网络场景中使用

CD-CECI和DD-CECI算法对深度神经网络推理任务进行划分，并以云边协同方式

完成推理，可以有效地降低任务的响应时延和能量消耗。因此，本研究对时延敏感

和高能效应用的性能优化具有理论与实践意义。

关键词：低轨卫星网络，深度神经网络，云边协同推理，模型划分，深度强化学习

ABSTRACT

DeepneuralnetworkshavebeenwidelyappliedinlowEarthorbitsatellitenetwork

scenarios,achievingsignificantresultsinareassuchasremotesensingmonitoringand

disasterearlywarning.BycombininglowEarthorbitsatellitenetworkswithdeepneural

networktechnology,thepowerfullearningandanalysiscapabilitiesofdeeplearningcan

beeffectivelyextendedtoregionsthataredifficulttocoverbyterrestrialnetworks.

However,processingcomputation-intensivedeepneuralnetworkinferencetasksrequires

substantialcomputationalandenergyresources,whicharelimitedinlowEarthorbit

satellitenetworksandinsufficienttomeetthedemandsofefficientinferencetasks.

Therefore,studyinghowtoefficientlyexecutedeepneuralnetworkinferencetasksinlow

Earthorbitsatellitenetworks,meetingresp