CN114268357B - 基于低轨卫星边缘计算任务卸载方法、系统、设备及应用 - Google Patents
基于低轨卫星边缘计算任务卸载方法、系统、设备及应用 Download PDFInfo
- Publication number
- CN114268357B CN114268357B CN202111426983.1A CN202111426983A CN114268357B CN 114268357 B CN114268357 B CN 114268357B CN 202111426983 A CN202111426983 A CN 202111426983A CN 114268357 B CN114268357 B CN 114268357B
- Authority
- CN
- China
- Prior art keywords
- task
- satellite
- tasks
- matrix
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明属于卫星通信技术领域,公开了一种基于低轨卫星边缘计算任务卸载方法、系统、设备及应用,用户生成任务,用户将任务发送至附近地面站,地面站汇总任务;地面站以固定时间间隔将任务上传至接收卫星;在轨边缘计算任务分配,判断是否为时延敏感任务;是,进行最小化时延;不是,进行最小化能量;合并时延敏感和时延容忍任务分配矩阵;接收卫星根据任务分配矩阵向周围卫星分发任务,各卫星任务执行;在任务执行结果返回地面用户。本发明所提出的任务卸载策略分别针对时延敏感任务和时延容忍任务提出了考虑不同优化目标的任务卸载策略,从而有效减少了任务计算的成本,在减少系统能耗的同时提高了用户满意度。
Description
技术领域
本发明属于卫星通信技术领域,尤其涉及一种基于低轨卫星边缘计算任务卸载方法、系统、设备及应用。
背景技术
目前,随着技术的发展,不断涌现出的语音及人脸识别、3D游戏、工业自动化、无人驾驶和智能家居等各种新兴应用向地面互联网发起了挑战。此外,由于经济成本以及环境因素的限制,全球有网络覆盖区域仅占总陆地面积的20%左右,一些偏远地区(如沙漠、森林、海洋等)还无法实现网络覆盖。同时,地面设备容易受到地震、飓风、火灾等自然灾害及断电偷盗等事件的破坏和影响。研究表明,利用卫星为无法实现地面网络覆盖区域提供互联网服务有着巨大潜力,而且卫星网络可以为地面提供候补网络服务,当地面网络无法胜任繁重的计算任务时卫星网络可以提供帮助。为了提供无处不在且实时高效的互联网服务,低轨道卫星网络与地面网络的结合,即卫星-地面网络(Satellite TerrestrialNetworks,STN)逐渐成为一种趋势。
全球范围内实现卫星组网并运营的低轨道卫星星座有铱星(Iridium)、全球星(Globalstar)和轨道通信(Orbcomm),但这些星座能够提供给用户使用的通信速率很低。计划和正在建设中的卫星星座有StarLink、OneWeb、TeleSat、SPUTNIX、鸿雁等,与已建成低轨道卫星星座不同的是,这些星座可以用更低的成本、更小的时延为用户提供更高速互联网服务。然而,依靠传统的中心云模式无法满足新兴应用在时延、带宽、能耗和安全等方面的需求,因此借鉴地面网络中多接入边缘计算(Multi-access Edge Computing,MEC)的思想,将边缘计算技术引入卫星互联网中,提出在轨边缘计算技术(Orbital Edge Computing,OEC),即低轨道卫星网络中每个卫星都搭载有MEC计算平台,将计算任务放在更靠近用户侧的边缘网络节点中进行处理,能够有效地缩短服务响应时间、节省卫星网络中宝贵的回传带宽资源、减少网络中的冗余流量、缓解远程云数据处理中心的计算压力、减少数据的泄露风险提高安全性,使用户获得更好的服务体验。OEC将计算平台扩展到卫星网络上,能够为用户提供多层次、异构的计算资源,使在全球任何位置的用户终端能够就近地获得计算资源、网络资源和存储资源,快速响应用户的计算处理请求,提升用户的服务体验,如图2所示,为OEC网络架构,将OEC应用于STN中可以:(1)减少数据长距离传输带来的时延和能耗问题,采用MEC的范式,将处理硬件放在数据源附近,无需长途网络传输数据,尤其是对于较大数据量的计算任务。(2)节约卫星带宽资源,如低轨道卫星捕捉到的遥感影像信息可以直接通过机载计算机处理,最终只需向地面传回较小数据量的计算结果;(3)提高通信系统的可靠性,卫星网络可以为地面网络提供网络冗余,保证地面用户的网络畅通;(4)保护用户信息的安全和隐私,OEC减少了必须通过网络传输的数据量,从而减少了网络数据泄露的风险。因此,将边缘计算引入卫星通信网络,利用OEC可以为全球终端用户提供更加满意的通信服务。虽然搭载有MEC服务器的低轨道卫星的计算能力有了很大程度的提高,但是由于卫星本身能量来源的限制,单颗卫星所能提供的计算能力有限。将任务分配给卫星星座中其他有剩余计算资源的卫星处理,通过合理地利用有限的卫星计算资源,不仅能够有效缓解任务接收卫星的计算压力、满足时延敏感任务的低时延需求,还能满足用户安全与隐私保护等方面的关键需求,为用户提供更加安全的服务。
通过上述分析,现有技术存在的问题及缺陷为:现有技术中由于卫星本身能量来源的限制,单颗卫星所能提供的计算能力有限。
解决以上问题及缺陷的难度为:低轨道卫星与地面站相对运行速度很大,通信时间短,且需要综合考虑最小化任务处理的时延和能量。
解决以上问题及缺陷的意义为:充分利用卫星计算资源,将任务分配给周围有剩余计算资源的卫星处理,能够有效缓解任务接收卫星的计算压力,满足时延敏感任务的低时延需求,还能满足用户安全与隐私保护等方面的关键需求。
发明内容
针对现有技术存在的问题,本发明提供了一种基于低轨卫星边缘计算任务卸载方法、系统、设备及应用。
本发明是这样实现的,一种基于低轨卫星边缘计算任务卸载方法,所述基于低轨卫星边缘计算任务卸载方法,包括:
步骤一,用户生成任务,用户将任务发送至附近地面站,地面站汇总任务;地面站以固定时间间隔将任务上传至接收卫星;该步骤将地面站汇总用户发来的任务汇总并上传至卫星;
步骤二,在轨边缘计算任务分配,判断是否为时延敏感任务;是,进行最小化时延;不是,进行最小化能量;合并时延敏感和时延容忍任务分配矩阵;根据任务类型分别建立最小化目标,为不同类型的任务选择合适的优化目标;
步骤三,接收卫星根据任务分配矩阵向周围卫星分发任务,各卫星任务执行;在任务执行结果返回地面用户。任务分配给周围卫星计算,有效提高资源利用率。
进一步,所述步骤二中,时延计算模型为:
卫星Sj上搭载的MEC服务器周期处理密度为γj(cycles/bit),任务Ti的计算量为Pi,因此Pi·γj为完成该任务所需CPU数,因此完成计算任务Ti所需要的时延为:
进一步,所述步骤二中,能量计算模型为:
从地面到卫星发送任务的能量消耗为egnd,从卫星到地面发送任务的能量消耗为esat,卫星链路之间任务传输的能量消耗为eISL,εj为卫星MEC服务器计算任务时的能量消耗(j/cycle);
当接收卫星S1选择本地处理计算任务时,计算任务的能量消耗为:
当接收卫星S1选择将任务分配给周围其他卫星协同处理时,计算任务的能量消耗为:
进一步,所述步骤二中,时延敏感任务包括:
A时延敏感任务
定义矩阵Y为任务分配矩阵X与时延矩阵T的哈达玛积,即:
其中yij表示任务Ti在卫星Sj上处理所需要的时间。因此,对于DSTs,我们的目标函数为:
B时延容忍任务
定义矩阵Z为任务分配矩阵X与能量矩阵E的哈达玛积,即:
,其中zij表示任务Ti在卫星Sj上处理所需要的能量(j)。因此,对于DTTs,我们的目标函数为:
s.t.yij≤Δtt,
xij={0,1},i=1,…,N,j=1,…,M。
本发明的另一目的在于提供一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行所述包括下列步骤:
步骤一,用户生成任务,用户将任务发送至附近地面站,地面站汇总任务;地面站以固定时间间隔将任务上传至接收卫星;
步骤二,在轨边缘计算任务分配,判断是否为时延敏感任务;是,进行最小化时延;不是,进行最小化能量;合并时延敏感和时延容忍任务分配矩阵;
步骤三,接收卫星根据任务分配矩阵向周围卫星分发任务,各卫星任务执行;在任务执行结果返回地面用户。
本发明的另一目的在于提供一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行所述包括下列步骤:
步骤一,用户生成任务,用户将任务发送至附近地面站,地面站汇总任务;地面站以固定时间间隔将任务上传至接收卫星;
步骤二,在轨边缘计算任务分配,判断是否为时延敏感任务;是,进行最小化时延;不是,进行最小化能量;合并时延敏感和时延容忍任务分配矩阵;
步骤三,接收卫星根据任务分配矩阵向周围卫星分发任务,各卫星任务执行;在任务执行结果返回地面用户。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述的基于低轨卫星边缘计算任务卸载方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述的基于低轨卫星边缘计算任务卸载方法。
本发明的另一目的在于提供一种实施所述的基于低轨卫星边缘计算任务卸载方法的任务卸载系统,所述任务卸载系统包括:
用户生成任务模块,用户将任务发送至附近地面站,地面站汇总任务;地面站以固定时间间隔将任务上传至接收卫星;
在轨边缘计算任务分配模块,用于判断是否为时延敏感任务;是,进行最小化时延;不是,进行最小化能量;合并时延敏感和时延容忍任务分配矩阵;
任务分配模块,用于接收卫星根据任务分配矩阵向周围卫星分发任务,各卫星任务执行;在任务执行结果返回地面用户。
本发明的另一目的在于提供一种所述的基于低轨卫星边缘计算任务卸载方法在人脸识别中的应用。
本发明的另一目的在于提供一种所述的基于低轨卫星边缘计算任务卸载方法在无人驾驶中的应用。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明所提出的任务卸载策略分别针对时延敏感任务和时延容忍任务提出了考虑不同优化目标的任务卸载策略,从而有效减少了任务计算的成本,在减少系统能耗的同时提高了用户满意度。本发明基于贪心策略的OEC任务分配算法来解决偏远地区用户计算资源有限的问题,主要用于解决需要上传至卫星计算的地面用户任务的分配问题。具体而言,设计了一个详细的过程来处理场景中的任务分配,分别针对时延敏感任务和时延容忍任务最小化任务执行所消耗的的时间和能量成本。最后,数值仿真表明,该算法可以显著降低用户任务计算的平均成本。
附图说明
图1是本发明实施例提供的基于低轨卫星边缘计算任务卸载方法流程图。
图2是本发明实施例提供的在轨边缘计算网络架构示意图。
图3是本发明实施例提供的在轨边缘计算场景示意图。
图4是本发明实施例提供的Walker卫星星座架构示意图。
图5是本发明实施例提供的任务处理流程示意图。
图6是本发明实施例提供的卫星星座架构示意图。
图7是本发明实施例提供的DSTs不同策略任务数量与平均总时延消耗之间的关系示意图;
图中:a为1,b为0。
图8是本发明实施例提供的DTTs不同策略任务数量与平均总能量消耗之间的关系(a=0,b=1)示意图;
图中:a为0,b为1。
图9是本发明实施例提供的DSTs不同策略卫星数量与平均总时延消耗之间的关系示意图;
图中:a为1,b为0。
图10是本发明实施例提供的DTTs不同策略卫星数量与平均总能量消耗之间的关系示意图;
图中:a为0,b为1。
图11是本发明实施例提供的不同策略时延和能耗权重因子与任务执行的平均成本之间的关系示意图。
图12是本发明实施例提供的不同策略在不同时延和能耗权重因子下任务数量与任务执行的平均成本之间的关系示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于低轨卫星边缘计算任务卸载方法、系统、设备及应用,下面结合附图对本发明作详细的描述。
本发明提供的基于低轨卫星边缘计算任务卸载方法业内的普通技术人员还可以采用其他的步骤实施,图1的本发明提供的基于低轨卫星边缘计算任务卸载方法仅仅是一个具体实施例而已。
如图1所示,本发明实施例提供的基于低轨卫星边缘计算任务卸载方法,包括:
S101:用户生成任务,用户将任务发送至附近地面站,地面站汇总任务;地面站以固定时间间隔将任务上传至接收卫星。
S102:在轨边缘计算任务分配,判断是否为时延敏感任务;是,进行最小化时延;不是,进行最小化能量;合并时延敏感和时延容忍任务分配矩阵。
S103:接收卫星根据任务分配矩阵向周围卫星分发任务,各卫星任务执行;在任务执行结果返回地面用户。
本发明实施例提供的S102中,时延计算模型为:
卫星Sj上搭载的MEC服务器周期处理密度为γj(cycles/bit),任务Ti的计算量为Pi,因此Pi·γj为完成该任务所需CPU数,因此完成计算任务Ti所需要的时延为:
因此,任务分配总的时间成本为:
本发明实施例提供的S102中,能量计算模型为:
从地面到卫星发送任务的能量消耗为egnd,从卫星到地面发送任务的能量消耗为esat,卫星链路之间任务传输的能量消耗为eISL,εj为卫星MEC服务器计算任务时的能量消耗(j/cycle);
当接收卫星S1选择本地处理计算任务时,计算任务的能量消耗为:
当接收卫星S1选择将任务分配给周围其他卫星协同处理时,计算任务的能量消耗为:
下面结合具体实施例对本发明的技术方案作详细的描述。
本发明提出了一种在卫星-地面网络中基于贪心策略的OEC任务分配算法(OEC-TA),根据任务的类型,充分考虑了不同任务的计算需求,优化计算任务所消耗的时延和能量,充分利用卫星计算资源为地面用户提供服务。本发明主要贡献如下:
首先基于Walker卫星星座构建了执行在轨边缘计算任务的系统模型,本发明主要考虑不可分割任务,地面用户将任务卸载到卫星上执行;在OEC架构下提出了一种基于贪心策略的任务分配算法,其中每个任务都会唯一地选择一个卫星执行计算任务,从而使计算成本最小化。之后,基于排队论计算了任务的响应时间和能耗,作为优化性能的指标;针对不同类型的任务制定了不同的任务分配策略,从而最小化任务执行的时延和能量。之后对算法进行了性能分析,相比于其他策略所提出的基于贪心策略的任务分配算法可以大大降低地面用户任务计算的平均成本。
本发明剩余部分结构如下:一介绍了近年来关于OEC相关工作。二本发明的系统模型。三对任务进行了描述并分析。四介绍了本发明的基于贪心策略的OEC任务分配策略。五介绍了参数设置和性能评估,同时与其他方案进行了对比。最后,在六对本发明进行了总结。
一介绍了近年来关于OEC相关工作
2011年,Kanev等人提出了一个基于卫星云计算的新概念,旨在整合来自卫星和互联网的虚拟化信息资源。但由于卫星的数据处理能力及发射成本的限制,利用卫星处理地面用户的计算任务并没有太多的研究成果。
随着纳米卫星技术的不断突破以及低轨道卫星产业的迅速发展,卫星的数据处理能力逐渐提高,同时卫星的发射成本有了大幅度的下降。2019年卡耐基梅隆大学的Bradley等人首次提出了OEC的概念及架构,解决了传统卫星通信架构中由于弯曲管道体系结构造成的的局限性。同时描述了轨道边缘服务器的功率和软件优化,并利用编队飞行在空间中并行计算。详细介绍了2019年MWC大会上,卫星回程网络与最新3GPP版本5G核心网络体系结构的成功集成的演示。同时,文章阐述了关键的底层架构概念和MEC用例,提供了有用的超空验证测试结果。
由于OEC所具备的独特优势,近年来很多专家学者都展开了相关研究。具体来说,当前OEC的相关研究工作可以分为两类,一类为以用户体验质量为优化目标的OEC架构设计和任务卸载策略,这方面的工作又可以进一步分为以降低时延和以降低时延和能耗为优化目标两类;另一类为以网络性能为优化目标的OEC架构设计。
目前,大多数现有的研究只是将卫星网络视为中继网络,直接在卫星上处理任务的可行性在很大程度上被忽视。针对以上问题,Wang等人提出将传统的卫星转化为空间边缘计算节点。卫星可以在轨道上动态加载软件,灵活地共享星载资源,同时提供与云协调的服务。说明了该体系的软硬件架构,同时建立了系统模型并进行了分析。结果表明,空间边缘计算系统比传统的卫星星座需要更少的时间和消耗更少的能量。Li等人将MEC平台搭载到低轨道卫星(Low Earth Orbit,LEO)上,解决了系统中的请求调度和服务部署问题,并在服务用户比率和平均跳数方面具有更好的性能。现有技术提出了一种LEO网络边缘计算的系统结构,并通过仿真说明了该架构下的服务延迟和链路带宽方面优于云计算。为了更有效地利用卫星IoT产生的数据,提出了一种卫星IoT边缘智能计算体系结构,并验证了该体系结构可以加快卫星数据的处理速度,提高卫星间链路的带宽利用率,减少通信时延。Yan等人提出了一个5G卫星边缘计算框架(5GsatEC),该框架比地面5G网络具有更广泛的覆盖范围,以及较低的时延、较低的丢包率和较低的带宽消耗。Wang等人提出了一种在STN中双边缘计算的卸载决策来解决偏远地区计算资源有限的现状,有效降低了用户任务处理时延和能量消耗。而Abderrahim等人的STN计算卸载方案是将不同类型的流量分配到满足其传输要求的传输网络中。结果证明该方案能有效提高网络的可用性,不但能够保证应用程序的有效传输还能满足应用的低延迟需求。Zhou等人研究了如何利用网络功能虚拟化(Network Functions Virtualization,NFV)及服务功能链技术(Service FunctionChaining,SFC)在空天地一体化网络(Space-Air-Ground Integrated Networks)架构下实现敏捷双向任务卸载和网络重构。Zhang等人提出了一种动态NFV技术来集成LEO卫星覆盖范围内的计算资源,并提出了一种专门针对卫星MEC(Satellite MEC,SMEC)场景的协同计算卸载方法。结果显示该模型能够显著降低用户感知延迟和系统能耗。Wang等人提出了一种通过博弈论解决卫星边缘计算中计算卸载问题的方法。与其余OEC卸载方案不同的是它的系统模型中考虑了由于低轨道卫星和地球相对运动所引起的间歇性地面卫星通信问题。Deng等人基于Stackelberg博弈提出了一个在超密集低地轨道STN中的数据卸载定价机制。该定价方案可以有效地激励两个运营商进行卸载,还讨论了频率资源和低地球轨道卫星数量对定价策略的影响。提出了一种基于深度强化学习的任务卸载(Deep Reinforcementlearning-based Task Offloading,DRTO)算法来解决卫星-地面边缘计算网络中的联合卸载位置决策和带宽分配问题。考虑到多层边缘计算体系结构设计和异构边缘计算资源协同调度问题,Xie等人提出了一种新的体系结构STECN(satellite-terrestrial integratededge computing networks),其中计算资源存在于多层异构边缘计算集群中。该架构能够提高用户的QoE,减少冗余网络流量。文献提出了一种SAGIN(space-air-groundintegrated network)边缘/云计算架构,Cheng等人考虑了远程卸载能量和计算能力的约束,将无人机作为用户的边缘服务器,卫星作为云服务器,提出了一种联合资源分配和任务调度方法并提出了一种针对计算密集型应用的计算卸载方法。Niephaus等人提出了一种基于SDN的STN网络体系架构,该架构能够实现STN网络中的动态流量卸载,在保证卫星计算时延大的问题不会影响到用户QoE的情况下减轻地面网络中的流量拥堵问题。Qiu等人提出了一种软件定义的STN网络架构,利用深度Q学习解决了网络中的资源配置问题,通过对网络、缓存和计算资源的动态管理和编排,显著提高了STN的性能。]通过利用LEO卫星,提出了一种用于地面卫星IoT的新型MEC框架,并提出了一种节能高效的计算分流和资源分配算法(E-CORA)最小化移动设备的加权总和能量消耗。Tang等人提出了一种具有三层计算架构的混合云和边缘计算LEO卫星(CECLS)网络,并利用乘数的交替方向法(ADMM)提出了一种分布式算法。仿真结果表明,该算法可以有效降低地面用户的总能耗。虽然当前的卫星轨道边缘计算任务卸载策略能够有效减少任务处理时延和系统能量消耗,但这些策略并没有针对性地考虑具体计算任务的类型,而本发明所提出的任务卸载策略分别针对时延敏感任务和时延容忍任务提出了考虑不同优化目标的任务卸载策略,从而有效减少了任务计算的成本,在减少系统能耗的同时提高了用户满意度。
二本发明的系统模型
如图3所示,主要考虑地面用户任务需要上传至卫星处理的场景。OEC场景主要包括卫星星座、地面站及用户。卫星星座位于低地球轨道上,轨道高度为550Km,星座主要采用Walker星座架构,使用Ku波段进行用户通信。具体而言,10.7-12.7GHz和14.0-14.5GHz频段分别用于用户下行链路和用户上行链路。在Walker星座中,24×66颗卫星按24个轨道平面,每个轨道包含66颗卫星的方式进行组织,轨道平面的升交点沿赤道等间隔排列,星座构型为53:550:1548/66/1;地面站为小型便携式终端天线,设置于一个小的固定区域上,或者位于偏远地区等一些地面站覆盖不到的地方;用户周围无其他可用地面网络,同时用户需要利用卫星遥感数据处理任务,也就是说用户需要通过地面站将任务上传至卫星处理,用户通过正交频分多址(Orthogonal Frequency Division Multiple Access,OFDMA)技术接入地面站。Walker卫星星座中包含有大量卫星且均匀分布在各个轨道平面上,能够实现全球网络的无缝和连续覆盖,用户在任何时候、任何位置都可以获取到卫星服务,Walker卫星星座架构如图4所示。假设卫星星座中的每一个卫星上都部署有MEC服务器,用户通过地面站与卫星之间的星地链路(user data links,UDL)与卫星星座建立连接,从而获取卫星上的计算服务。卫星之间存在星间链路(Inter-Satellite Links,ISL),星座中的卫星之间通过激光通信进行数据传输。
卫星星座由一组卫星S={S1,S2,S3,…,Sj,…,SM},j={1,2,..,M}组成,S1为地面用户任务的接收卫星(Access Satellite),S2~SM为与S1之间存在ISL的卫星。卫星Sj上搭载的MEC服务器的计算能力(CPU执行速率)为Cj(cycle/s),存储空间(Memory Space)为MSj。地面站负责汇总其覆盖区域中用户产生的计算任务,并通过地面网关与卫星之间的UDL将任务上传至接收卫星S1,由S1选择任务在本地处理还是分配给其他卫星处理并作出卸载决策。用户任务T={T1,T2,T3,…,Ti,…,TN},i={1,2,..,N}为不可分割任务,任务Ti的计算量为Pi(bit),任务Ti被执行后计算量为Δti为计算任务对于卫星完成计算的时间要求,执行计算任务Ti需要用到的服务器存储空间为MSi,卫星需要接收完所有数据后才能开始计算。矩阵X表示任务Ti是否在卫星Sj上处理,xij=0表示任务Ti不在卫星Sj上处理,xij=1表示任务Ti在在卫星Sj上处理。本发明所有使用到的符号如表1所示。
表1相关符号
用户设备将任务上传至卫星进行计算,因此不考虑设备在本地计算任务的情况。用户设备产生任务后将其发送给附近地面站,地面站将其覆盖范围内所有的用户任务汇总后发送给卫星,卫星星座完成计算后将结果返回地面站,进而完成计算任务。任务分配的总时间成本包括传输时延、传播时延、计算时延和排队时延几个部分,可由通信模型和计算模型得出。用户任务分配的总能量消耗,包括传输能耗和计算能耗两个部分。
A通信模型
由计算场景的通信过程可知,需要考虑地面站与低轨卫星之间通信链路和星座中卫星与卫星之间的通信链路。考虑到设备终端之间的相互干扰和背景噪声,地面站到任务接收卫星的数据传输速率可以表示为:
其中Wgnd_sat为信道带宽,pgnd为地面站传输功率,ggnd_sat为地面站和卫星之间的信道增益,n0为背景噪声。地面站到卫星的数据传输速率为Rgnd,卫星到地面站的数据传输速率为Rsat,卫星之间的数据传输速率为RISL。因此,上行任务传输时延为Pi/Rgnd,下行任务传输时延为卫星之间的任务传输时延为:
当接收卫星S1选择本地处理计算任务时,任务的传输时延为:
当接收卫星S1将任务分配给周围其他卫星协同处理时,此时的任务传输时延为:
任务的传播时延为起点到目的点之间的距离与数据传播速率的商。我们规定任务从地面到卫星的传播时延为从卫星到地面的传播时延为卫星S1与卫星Sj之间的任务传播时延为
当接收卫星S1选择本地处理计算任务时,任务的传播时延为:
当接收卫星S1选择将任务分配给周围其他卫星协同处理时,此时的任务传播时延为:
当卫星服务器中有多个需要处理的任务时,考虑任务计算时所需的排队时延。地面站和卫星s1处任务上传和分发时的排队时延忽略不计。当服务器j任务处理队列中有任务正在处理或排队等待处理时,任务i在卫星j中处理所需的排队时延为
因此,总的通信时延为:
B计算模型
卫星Sj上搭载的MEC服务器周期处理密度为γj(cycles/bit),任务Ti的计算量为Pi,因此Pi·γj为完成该任务所需CPU数,因此完成计算任务Ti所需要的时延为:
因此,任务分配总的时间成本为:
C能量模型
从地面到卫星发送任务的能量消耗为egnd,从卫星到地面发送任务的能量消耗为esat,卫星链路之间任务传输的能量消耗为eISL,εj为卫星MEC服务器计算任务时的能量消耗(j/cycle)。
当接收卫星S1选择本地处理计算任务时,计算任务的能量消耗为:
当接收卫星S1选择将任务分配给周围其他卫星协同处理时,计算任务的能量消耗为:
三任务描述及分析
为了提升用户体验同时最小化卫星计算能耗,本发明提出了一种OEC场景下的地面用户任务分配策略,综合考虑了任务排队、计算卸载等问题。假设在某一时隙内用户通过地面站向接收卫星上传了一组任务,卫星根据分配策略最小化这一组任务执行时总的时延和能量消耗。
在计算任务分配之前,需要判断计算任务能否在这些卫星中完成计算,也就是说卫星的计算资源和存储资源能不能支持卫星完成计算任务,假设卫星S1实时可知与其有ISL的其他卫星当前时刻所剩余的计算资源和存储资源。假设当前在服务器中计算的任务所占用的计算资源和存储空间分别为因此,Sj服务器剩余的能够供任务Ti的计算资源为:
Sj服务器剩余的能够供任务Ti计算的存储空间为:
在卫星MEC服务器计算资源和存储资源的约束下,通过区分任务类型,考虑把任务执行的时延和能量作为性能指标,最小化任务计算的时延和能耗,建模执行任务Ti的开销为:
costi=α*ti+β*ei, (14)
其中,α和β分别为时延和能耗的权重因子,满足:
α+β=1,α∈[0,1],β∈[0,1]。 (15)
一个用户任务最多只能选择一个卫星处理,同时卫星的选择应满足任务计算所需要的存储空间及时间要求。本发明最小化问题建模如下:
C2:xij·τij≤Δt,i=1,…,N,j=1,…M
C4:xij∈{0,1},i=1,…,N,j=1,…M
C5:α+β=1
C6:α,β∈[0,1] (16)
矩阵T表示任务Ti在卫星Sj上处理所需要的时延大小,矩阵E表示任务Ti在卫星Sj上处理所需要的能量大小。
显然,该任务分配问题为混合整数非线性规划问题(Mixed Integer Non-LinearProgramming,MINLP),且通常为NP难问题(Non-deterministic Polynomial-hard,NP-hard),不能直接求解。为了有效解决这个最优化问题,将其分解为最小化时延和能量两个子问题进行求解。
首先,根据用户任务对时延的敏感程度将任务分为时延敏感任务(delay-sensitive tesks,DSTs)和时延容忍任务(delay-tolerant tesks,DTTs),对于DSTs,最小化任务计算的总时间;对于DTTs,在保证任务总的完成时间小于等于给出的最大容忍时间的同时,最小化任务分配的总能耗。规定DSTs和DTTs分别要求在Δts和Δtt时间内完成任务的计算。
A时延敏感任务
定义矩阵Y为任务分配矩阵X与时延矩阵T的哈达玛积,即:
其中yij表示任务Ti在卫星Sj上处理所需要的时间。因此,对于DSTs,目标函数为:
B时延容忍任务
定义矩阵Z为任务分配矩阵X与能量矩阵E的哈达玛积,即:
其中zij表示任务Ti在卫星Sj上处理所需要的能量(j)。因此,对于DTTs,我们的目标函数为:
四基于贪心策略的OEC任务分配策略
本发明所涉及的OEC架构下的任务执行流程如图5所示。地面用户通过其附近地面站将任务上传至卫星进行处理,为了使计算任务所消耗的时延和能量达到最小,接收卫星通过充分调度星座中其他卫星的计算资源来完成地面用户任务,当卫星完成计算任务后将计算结果返回地面用户,从而完成整个计算流程。
为了完成所提出的任务分配问题,即图5任务处理流程中的虚线框部分,针对不同类型的用户任务提出了一种在OEC场景下基于贪心策略的OEC任务分配算法(OEC-TA),
对于不同类型的计算任务,通过不同的成本矩阵完成任务分配的决策。对于时延敏感型任务,根据通信模型和计算模型得到时间成本矩阵,将该矩阵作为算法输入,得到DSTs的分配矩阵。对于DTTs,根据能量模型得到能量消耗矩阵,将该矩阵作为作为算法输入,得到DTTs的分配矩阵。DSTs在最小化时延时,需要考虑到排队时延的影响,因此对于DSTs,采用算法2进行任务分配。
下面结合仿真实验对本发明的技术效果作详细的描述。
在仿真中采用SpaceX星链计划的Walker卫星星座作为卫星系统架构。该卫星的坐标由STK获得。在该架构下中心卫星与其周围5个卫星之间存在星间链路,如图6所示,S1为任务接收卫星(Access Satellite),S2和S3为任务接收卫星S1同轨道上两颗距离最近的卫星,S4和S5为与任务接收卫星S1平行轨道上的两颗卫星,S6为与任务接收卫星S1交叉轨道上距离最近的卫星。在星座运行过程中,卫星S2和S3与S1保持相对静止状态,卫星S4和S5运行轨道与S1运行轨道在高纬度地区逐渐相交,卫星S6不断变化。仿真实验所采用了表2的参数设置。
表2:Simulation Parameters
B仿真结果
分别针对DSTs和DTTs讨论了在不同任务数量和卫星数量下,采用不同策略的平均时延和能量消耗,每次试验结果都为重复试验500次后求平均值所得。
图7针对DSTs比较了不同策略任务数量与平均总时延消耗之间的关系,卫星数量M=6。随着任务数量的增加,不同策略的平均总时延消耗都在增加。从图中可知,对于DSTs,采用所提出的OEC-TA算法最小化时延有着最优效果,特别是当任务的数量很大时,它具有更显著的优势。匈牙利算法与提出的任务分配算法结果相近,随机分配和采用贪婪算法的效果次之,任务全部由接收卫星S1计算消耗的时间最长,因此证实了充分利用星座中空闲计算资源对于用户体验的重要性。随着任务数量的增加,各种策略之间计算任务所消耗的的平均时延差距逐渐增大,换句话说本发明所提出的任务分配算法可有效降低任务计算的时间消耗。
图8针对DTTs比较了不同策略任务数量与平均总能量消耗之间的关系,卫星数量M=6。随着任务数量的增加,不同策略的平均总能量消耗都在增加。从图中可知,对于DTTs,采用所提出的OEC-TA算法最小化能耗有着最优效果,特别是当任务的数量逐渐增大是,该算法减少能量消耗的优势越明显。匈牙利算法效果次之,随机分配与卫星S1计算的结果相近。
图9针对DSTs比较了不同策略卫星数量与平均总时延消耗之间的关系,任务数量N=6。当卫星数量M=1时,所有分配方案的时延都相同。随着卫星数量的增加,所有任务都在S1执行的平均时延基本保持不变,因为该方案没有利用星座中其他卫星的计算资源,其他分配策略的平均能量消耗都随着卫星数量的增加而减少。从图中可知,对于DSTs,采用所提出的OEC-TA算法最小化时延有着最优效果。当M=6时,匈牙利算法与所提出算法效果相近。
图10针对DTTs比较了不同策略卫星数量与平均总能量消耗之间的关系,任务数量N=6。当卫星数量M=1时,所有分配方案的能耗都相同。随着卫星数量的增加,所有任务都在S1执行和随机分配策略的平均能耗基本保持不变,匈牙利算法和本发明提出的分配策略的平均能量消耗基本随着卫星数量的增加而减少,但匈牙利算法在M=6时较之前能量消耗有所增加,因为匈牙利算法分配N*N的任务时会使每个卫星都安排有唯一的任务,无法重复选择任务执行消耗能量最小的卫星,因此其数值比M=5大。从图中可知,对于DTTs,采用本发明所提出的OEC-TA算法最小化能量有着最优效果。
图11所示为不同策略时延和能耗权重因子与任务执行的平均成本之间的关系。由图可知,随着时延权重因子α的增加除任务全部在S1执行的策略外,其他任务分配策略的任务执行平均成本都在减少,其中本发明所提出的任务分配策略在最小化任务执行成本方面有最优的效果。任务全部在S1执行的策略的任务执行成本随着时延权重因子α的增加而增加。
图12所示为不同策略在不同时延和能耗权重因子下任务数量与任务执行的平均成本之间的关系。由图可知,随着任务数量的增加匈牙利和本发明所提出的任务分配算法的任务执行平均成本都在增加。对于相同的时延和能耗权重因子本发明所提出算法的任务执行平均成本优于匈牙利算法,而α越大任务执行平均成本越小。因为匈牙利算法在解决N*M(N≠M)规模的任务分配问题时,即当未分配任务的数量大于可用服务器的数量时,会通过增加虚拟服务器来获得一个临时方阵作为匈牙利算法的输入。这样做并不能够确保每个卫星都分配到任务,因此会造成资源的浪费。
本发明基于在轨边缘计算架构,提出了一种基于贪心策略的OEC任务分配算法来解决偏远地区用户计算资源有限的问题,主要用于解决需要上传至卫星计算的地面用户任务的分配问题。具体而言,设计了一个详细的过程来处理场景中的任务分配,分别针对时延敏感任务和时延容忍任务最小化任务执行所消耗的的时间和能量成本。最后,数值仿真表明,该算法可以显著降低用户任务计算的平均成本。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于低轨卫星边缘计算任务卸载方法,其特征在于,所述基于低轨卫星边缘计算任务卸载方法,包括:
步骤一,用户生成任务,用户将任务发送至附近地面站,地面站汇总任务;地面站以固定时间间隔将任务上传至接收卫星;
步骤二,在轨边缘计算任务分配,判断是否为时延敏感任务DSTs;是,进行最小化时延;不是,进行最小化能量;合并时延敏感和时延容忍任务DTTs分配矩阵;
步骤三,接收卫星根据任务分配矩阵向周围卫星分发任务,各卫星任务执行;在任务执行结果返回地面用户;
所述步骤二中,时延计算模型为:卫星Sj上搭载的多接入边缘计算(Multi-access EdgeComputing,MEC)服务器周期处理密度为γj(cycles/bit),任务Ti的计算量为Pi,因此Pi·γj为完成该任务所需CPU数,完成计算任务Ti所需要的时延为:
所述步骤二中,能量计算模型为:从地面到卫星发送任务的能量消耗为egnd,从卫星到地面发送任务的能量消耗为esat,卫星链路之间任务传输的能量消耗为eISL,εj为卫星MEC服务器计算任务时的能量消耗(j/cycle);
当接收卫星S1选择本地处理计算任务时,计算任务的能量消耗为:
表示任务Ti被执行后计算量,当接收卫星S1选择将任务分配给周围其他卫星协同处理时,计算任务的能量消耗为:
所述步骤二中,对于时延敏感任务,
定义矩阵Y为任务分配矩阵X与时延矩阵T的哈达玛积:
其中yij表示任务Ti在卫星Sj上处理所需要的时间,xij表示任务Ti是否在卫星Sj上处理,对于DSTs,目标函数为:
其中,M表示卫星数量,N表示任务数量,Δts表示时延敏感任务完成计算的时间要求,表示卫星Sj剩余的能够供任务Ti计算的存储空间,MSi表示执行计算任务Ti需要的存储空间;
对于时延容忍任务,定义矩阵Z为任务分配矩阵X与能量矩阵E的哈达玛积:
其中zij表示任务Ti在卫星Sj上处理所需要的能量(j),对于DTTs,目标函数为:
s.t.yij≤Δtt,
xij={0,1},i=1,…,N,j=1,…,M。
2.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1所述的基于低轨卫星边缘计算任务卸载方法的步骤。
3.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现权利要求1所述的基于低轨卫星边缘计算任务卸载方法。
4.一种实施权利要求1所述的基于低轨卫星边缘计算任务卸载方法的任务卸载系统,其特征在于,所述任务卸载系统包括:
用户生成任务模块,用户将任务发送至附近地面站,地面站汇总任务;地面站以固定时间间隔将任务上传至接收卫星;
在轨边缘计算任务分配模块,用于判断是否为时延敏感任务;是,进行最小化时延;不是,进行最小化能量;合并时延敏感和时延容忍任务分配矩阵;
任务分配模块,用于接收卫星根据任务分配矩阵向周围卫星分发任务,各卫星任务执行;在任务执行结果返回地面用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111426983.1A CN114268357B (zh) | 2021-11-28 | 2021-11-28 | 基于低轨卫星边缘计算任务卸载方法、系统、设备及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111426983.1A CN114268357B (zh) | 2021-11-28 | 2021-11-28 | 基于低轨卫星边缘计算任务卸载方法、系统、设备及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114268357A CN114268357A (zh) | 2022-04-01 |
CN114268357B true CN114268357B (zh) | 2023-04-25 |
Family
ID=80825677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111426983.1A Active CN114268357B (zh) | 2021-11-28 | 2021-11-28 | 基于低轨卫星边缘计算任务卸载方法、系统、设备及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114268357B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114637608B (zh) * | 2022-05-17 | 2022-09-16 | 之江实验室 | 一种计算任务分配和更新方法、终端及网络设备 |
CN115361048B (zh) * | 2022-07-01 | 2023-08-15 | 北京邮电大学 | 一种巨型低轨星座无服务器边缘计算任务编排方法及装置 |
CN114827152B (zh) * | 2022-07-01 | 2022-09-27 | 之江实验室 | 一种星地协同网络低延时云边端协同计算方法和装置 |
CN115396952A (zh) * | 2022-07-26 | 2022-11-25 | 西安空间无线电技术研究所 | 一种基于传算资源联合分配的多波束卫星业务计算方法及系统 |
CN116709303B (zh) * | 2023-08-03 | 2024-01-16 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种用于远程监控的卫星边缘计算方法与装置 |
CN117200873A (zh) * | 2023-11-07 | 2023-12-08 | 南京邮电大学 | 卫星边缘计算网络中考虑卫星移动性的计算卸载方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109922479B (zh) * | 2019-01-11 | 2020-11-24 | 西安电子科技大学 | 一种基于时延预估的计算任务卸载方法 |
CN110647391B (zh) * | 2019-09-27 | 2022-04-12 | 北京邮电大学 | 面向星地协同网络的边缘计算方法及系统 |
JP2023523923A (ja) * | 2020-05-01 | 2023-06-08 | インテル コーポレイション | 衛星接続環境におけるエッジコンピューティング |
CN112653500B (zh) * | 2020-12-16 | 2022-07-26 | 桂林电子科技大学 | 基于蚁群算法的面向低轨道卫星边缘计算任务调度方法 |
CN112910964B (zh) * | 2021-01-18 | 2021-11-30 | 北京理工大学 | 一种混合云和边缘计算的leo卫星网络计算卸载方法 |
CN112929074B (zh) * | 2021-01-27 | 2022-02-08 | 东南大学 | 一种卫星和高空平台协助的星地边缘计算任务卸载方法 |
CN112799784B (zh) * | 2021-02-01 | 2024-04-26 | 军事科学院系统工程研究院系统总体研究所 | 一种基于分散计算的低轨卫星网络最优任务分配方法 |
CN113342514B (zh) * | 2021-05-11 | 2023-11-07 | 武汉理工大学 | 一种基于近地轨道的边缘计算模型及其服务放置方法 |
-
2021
- 2021-11-28 CN CN202111426983.1A patent/CN114268357B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114268357A (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114268357B (zh) | 基于低轨卫星边缘计算任务卸载方法、系统、设备及应用 | |
Jia et al. | Collaborative data downloading by using inter-satellite links in LEO satellite networks | |
CN109936619B (zh) | 一种基于雾计算的空间信息网络架构、方法和可读存储介质 | |
US20230344511A1 (en) | Resource deployment optimizer for non-geostationary and/or geostationary communications satellites | |
Cui et al. | Joint offloading and resource allocation for satellite assisted vehicle-to-vehicle communication | |
US20230156826A1 (en) | Edge computing in satellite connectivity environments | |
Lakew et al. | Intelligent offloading and resource allocation in heterogeneous aerial access IoT networks | |
Tran et al. | Satellite-and cache-assisted UAV: A joint cache placement, resource allocation, and trajectory optimization for 6G aerial networks | |
Cui et al. | Latency Optimization for Hybrid GEO–LEO Satellite-Assisted IoT Networks | |
Nguyen et al. | Towards flying mobile edge computing | |
Zhu et al. | Load-balanced virtual network embedding based on deep reinforcement learning for 6G regional satellite networks | |
US20230164089A1 (en) | System and method of providing access to compute resources distributed across a group of satellites | |
Chen et al. | Multi-tier hybrid offloading for computation-aware IoT applications in civil aircraft-augmented SAGIN | |
Hoa et al. | Deep reinforcement learning for multi-hop offloading in UAV-assisted edge computing | |
Nguyen et al. | Joint computation offloading, UAV trajectory, user scheduling, and resource allocation in SAGIN | |
Wang et al. | Load-balancing method for leo satellite edge-computing networks based on the maximum flow of virtual links | |
Nguyen et al. | Computation offloading, UAV placement, and resource allocation in SAGIN | |
Li et al. | Computation offloading in multi-uav-enhanced mobile edge networks: A deep reinforcement learning approach | |
Huang et al. | Microservice scheduling for satellite-terrestrial hybrid network with edge computing | |
Kashitani | Development and application of an analysis methodology for satellite broadband network architectures | |
Yamansavascilar et al. | Air computing: A survey on a new generation computation paradigm in 6g wireless networks | |
Lakew et al. | Intelligent Self-Optimization for Task Offloading in LEO-MEC-Assisted Energy-Harvesting-UAV Systems | |
Hackett | Applying artificial intelligence to space communications networks: Cognitive real-time link layer adaptations through rapid orbit planning | |
Huang et al. | Joint Offloading and Resource Allocation for Hybrid Cloud and Edge Computing in SAGINs: A Decision Assisted Hybrid Action Space Deep Reinforcement Learning Approach | |
US20230208510A1 (en) | Multi-orbit satellite data center |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |