CN114884958A - 星地融合网络中的计算任务卸载方法、装置和电子设备 - Google Patents

星地融合网络中的计算任务卸载方法、装置和电子设备 Download PDF

Info

Publication number
CN114884958A
CN114884958A CN202210811936.7A CN202210811936A CN114884958A CN 114884958 A CN114884958 A CN 114884958A CN 202210811936 A CN202210811936 A CN 202210811936A CN 114884958 A CN114884958 A CN 114884958A
Authority
CN
China
Prior art keywords
task
calculation
target
ground
satellite
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.)
Granted
Application number
CN202210811936.7A
Other languages
English (en)
Other versions
CN114884958B (zh
Inventor
姚海鹏
宫永康
忻向军
张琦
袁莞迈
吴巍
董涛
韩宝磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202210811936.7A priority Critical patent/CN114884958B/zh
Publication of CN114884958A publication Critical patent/CN114884958A/zh
Application granted granted Critical
Publication of CN114884958B publication Critical patent/CN114884958B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/14—Relay systems
    • H04B7/15—Active relay systems
    • H04B7/185—Space-based or airborne stations; Stations for satellite systems
    • H04B7/1851—Systems using a satellite or space-based relay
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/101—Server selection for load balancing based on network conditions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Astronomy & Astrophysics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radio Relay Systems (AREA)

Abstract

本发明提供了一种星地融合网络中的计算任务卸载方法、装置和电子设备，涉及通信的技术领域，包括：获取星地融合网络中目标边缘网络内所有地面装置的任务状态参数；利用目标神经网络模型对所有地面装置的任务状态参数进行处理，得到每个地面装置的配置参数；其中，目标神经网络模型是基于目标边缘网络的计算任务传输开销计算模型训练的，且计算任务传输开销计算模型的目标为计算任务的传输开销最小；基于所有地面装置的配置参数确定目标边缘网络的计算任务卸载策略；基于计算任务卸载策略，对目标边缘网络中的所有待执行计算任务进行卸载。该方法能够有效的对抗时变信道增益和随机任务到达，在满足用户服务质量的前提下最小化计算任务的传输开销。

Description

星地融合网络中的计算任务卸载方法、装置和电子设备
技术领域
本发明涉及通信的技术领域，尤其是涉及一种星地融合网络中的计算任务卸载方法、装置和电子设备。
背景技术
星地融合网络是“网络强国”、“航天强国”等重要基础设施，高清遥感图像、云计算等新业务爆炸式增长对网络带宽、时延、自主管控等提出了更高的要求。现有的蜂窝网络具有覆盖范围短、接入容量有限及传输带宽小等缺点，这不能为地面装置提供极低的时延和大带宽能力，使得传统的地面网络有一定的发展瓶颈。因此，现有技术中提出了一种星地融合的在轨智能计算架构，为地面装置提供广覆盖、大连接及普适智能服务，大规模的计算任务可以被卸载到卫星中以便于实施在轨计算。
传统计算任务卸载方法一种是用户随机卸载任务，即随机选择在本地执行或者在卫星上执行，这难以找到最优的卸载优化变量，降低了用户的服务体验；另一种是全卫星执行方案，也即，所有的地面装置的任务均卸载到卫星上执行，这会给网络带来巨大的拥塞和压力，不适合处理大规模卸载任务。因此，亟需一种能够为地面装置选择最优的任务执行方案的计算任务卸载方法。
发明内容
本发明的目的在于提供一种星地融合网络中的计算任务卸载方法、装置和电子设备，以为每个地面装置分配最优的计算任务卸载策略，在满足用户服务质量的前提下最小化计算任务的传输开销。
第一方面，本发明提供一种星地融合网络中的计算任务卸载方法，包括：获取星地融合网络中目标边缘网络内所有地面装置的任务状态参数；其中，所述任务状态参数至少包括：待执行计算任务的数据量、传输计算任务的无线信道增益；利用目标神经网络模型对所有所述地面装置的任务状态参数进行处理，得到每个所述地面装置的配置参数；其中，所述目标神经网络模型是基于所述目标边缘网络的计算任务传输开销计算模型训练的，且所述计算任务传输开销计算模型的目标为计算任务的传输开销最小；所述配置参数包括：任务执行模式、发射功率和CPU周期频率；基于所有所述地面装置的配置参数确定所述目标边缘网络的计算任务卸载策略；基于所述计算任务卸载策略，对所述目标边缘网络中的所有待执行计算任务进行卸载。
在可选的实施方式中，还包括：获取所述计算任务传输开销计算模型的计算参数组；其中，所述计算参数组包括：卫星云服务器的CPU周期频率、每个所述待执行计算任务的数据量、运行每个所述待执行计算任务所需的CPU周期数量、每个所述地面装置的有效电容系数和每个所述地面装置的目标状态参数；所述目标状态参数至少包括：传输带宽、无线信道增益和信道噪声；获取所述计算任务传输开销计算模型的约束参数组；其中，所述约束参数组包括：每个所述地面装置的最大CPU周期频率、每个所述地面装置的最大发射功率和每个所述待执行计算任务的最大时延；基于所述计算参数组和所述约束参数组构建所述计算任务传输开销计算模型。
在可选的实施方式中，基于所述计算参数组和所述约束参数组构建所述计算任务传输开销计算模型，包括：基于运行每个所述待执行计算任务所需的CPU周期数量和每个所述地面装置的有效电容系数，构建计算任务的第一开销计算模型；针对目标地面装置，基于所述目标地面装置对应的待执行计算任务的数据量和所述目标地面装置的目标状态参数，构建所述目标地面装置将其待执行任务上传至卫星云服务器的传输时延计算模型；其中，所述目标地面装置表示所述所有地面装置中的任一装置；基于所述卫星云服务器的CPU周期频率和运行每个所述待执行计算任务所需的CPU周期数量，计算每个所述待执行计算任务在卫星上运行的执行时延；基于每个所述待执行任务的传输时延计算模型和在卫星上运行的执行时延，构建计算任务的第二开销计算模型；基于所述第一开销计算模型和所述第二开销计算模型构建所述计算任务传输开销计算模型。
在可选的实施方式中，基于所述目标地面装置对应的待执行计算任务的数据量和所述目标地面装置的目标状态参数，构建所述目标地面装置将其待执行任务上传至卫星云服务器的传输时延计算模型，包括：基于所述目标地面装置的目标状态参数构建所述目标地面装置将其待执行任务上传至卫星云服务器的上传速度计算模型；根据所述目标地面装置对应的待执行计算任务的数据量和所述上传速度计算模型，构建所述传输时延计算模型。
在可选的实施方式中，还包括：获取训练参数集；其中，所述训练参数集中包括多组训练数据，每组训练数据包括：所述目标边缘网络内所有地面装置的训练任务数据量、所述目标边缘网络内所有地面装置的训练信道增益，以及与所述训练任务数据量和所述训练信道增益对应的任务执行策略；利用所述训练参数集对初始神经网络模型进行训练，直至达到指定结束条件，得到所述目标神经网络模型。
在可选的实施方式中，获取训练参数集，包括：重复执行下述步骤，直至得到指定数量的训练数据：通过与所述星地融合网络进行交互，得到所述目标边缘网络内所有地面装置的随机任务数据量和随机信道增益；利用初始神经网络模型对所述随机任务数据量和所述随机信道增益进行处理，得到所述目标边缘网络的多个可选任务执行策略；基于所述计算任务传输开销计算模型计算每种任务执行策略对应的传输开销；将最小传输开销对应的任务执行策略作为与所述随机任务数据量和所述随机信道增益对应的目标任务执行策略；将所述随机任务数据量、所述随机信道增益和所述目标任务执行策略作为一组训练数据。
在可选的实施方式中，所述计算任务的传输开销包括：能耗和时延。
第二方面，本发明提供一种星地融合网络中的计算任务卸载装置，包括：第一获取模块，用于获取星地融合网络中目标边缘网络内所有地面装置的任务状态参数；其中，所述任务状态参数包括：待执行计算任务的数据量、传输计算任务的无线信道增益；处理模块，用于利用目标神经网络模型对所有所述地面装置的任务状态参数进行处理，得到每个所述地面装置的配置参数；其中，所述目标神经网络模型是基于所述目标边缘网络的计算任务传输开销计算模型训练的，且所述计算任务传输开销计算模型的目标为计算任务的传输开销最小；所述配置参数包括：任务执行模式、发射功率和CPU周期频率；确定模块，用于基于所有所述地面装置的配置参数确定所述目标边缘网络的计算任务卸载策略；卸载模块，用于基于所述计算任务卸载策略，对所述目标边缘网络中的所有待执行计算任务进行卸载。
第三方面，本发明提供一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述实施方式中任一项所述的星地融合网络中的计算任务卸载方法的步骤。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令被处理器执行时实现前述实施方式中任一项所述的星地融合网络中的计算任务卸载方法。
本发明提供的星地融合网络中的计算任务卸载方法，包括：获取星地融合网络中目标边缘网络内所有地面装置的任务状态参数；其中，任务状态参数至少包括：待执行计算任务的数据量、传输计算任务的无线信道增益；利用目标神经网络模型对所有地面装置的任务状态参数进行处理，得到每个地面装置的配置参数；其中，目标神经网络模型是基于目标边缘网络的计算任务传输开销计算模型训练的，且计算任务传输开销计算模型的目标为计算任务的传输开销最小；配置参数包括：任务执行模式、发射功率和CPU周期频率；基于所有地面装置的配置参数确定目标边缘网络的计算任务卸载策略；基于计算任务卸载策略，对目标边缘网络中的所有待执行计算任务进行卸载。
本发明是一种利用模型辅助的深度强化学习策略来确定计算任务卸载策略的方法，因此，利用本发明方法能够有效的对抗时变信道增益和随机任务到达，为每个地面装置分配最优的计算任务卸载策略，在满足用户服务质量的前提下最小化计算任务的传输开销，达到合理分配星地融合网络资源的目的。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种星地融合网络中的计算任务卸载方法的流程图；
图2为本发明实施例提供的一种星地融合网络的场景图；
图3为本发明实施例提供的一种两层的星地融合网络智能计算框架图；
图4为本发明实施例提供的多个计算任务卸载方法的性能对比图；
图5为本发明实施例提供的一种星地融合网络中的计算任务卸载装置的功能模块图；
图6为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图，对本发明的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
现有网络难以支撑多样化、差异化、业务化业务的灵活、智能、高品质海量连接和自动化确定性承载，因此，亟需突破现有蜂窝网络覆盖范围短、接入容量有限及传输带宽少的缺点，构建全频段、全场景、全覆盖的星地融合网络在轨智能计算机制。
传统的星地融合网络中的计算任务卸载方法包括：Random-offloading、All-MEC、C-DDPG和I-DQN。Random-offloading是指当用户进行卸载任务时，随机卸载任务，即随机选择是在本地执行或者在卫星上执行，这种方式难以找到最优的卸载优化变量，降低了用户的服务体验；All-MEC是指全卫星执行方案，这种方法是指将所有地面装置的任务卸载到卫星云，这会给网络带来巨大的拥塞和压力，不适合处理大规模卸载任务；C-DDPG是指经典的集中式-深度确定型策略梯度方案，这种方案会随着交互的进行，产生巨大的开销；I-DQN是指经典的深度Q网络结构，I-DQN仅仅有一个Q网络模型，不能处理大规模计算任务。有鉴于此，本发明实施例提供了一种星地融合网络中的计算任务卸载方法，用以缓解上文中所提出的技术问题。
实施例一
图1为本发明实施例提供的一种星地融合网络中的计算任务卸载方法的流程图，如图1所示，该方法具体包括如下步骤：
步骤S102，获取星地融合网络中目标边缘网络内所有地面装置的任务状态参数。
图2为本发明实施例提供的一种星地融合网络的场景图，如图2所示，在轨卫星和地面网络融合的场景中，地面的每个边缘网络中有一个接入点，地面的装置包括物联网装置（包括但不限于：汽车、平板电脑、检测器和传感器）和接入点，其中，接入点覆盖地面上多个物联网装置，每个物联网装置会有一个计算任务要执行。空中是由一个搭载边缘云服务器的在轨卫星组成，在轨卫星可以为地面的物联网装置的任务提供计算、存储和卸载服务，并可将处理的结果返回到地面物联网装置。
本发明实施例中，星地融合网络中边缘网络s内地面装置n要执行的计算任务
Figure P_220623134636548_548952001
可表示为：
Figure P_220623134636596_596385002
，其中，
Figure P_220623134636611_611965003
表示边缘网络s内地面装置n的待执行计算任务的数据量，待执行计算任务的数据量可用于表征待执行计算任务的大小，数据量也即该计算任务的比特数目，例如，某一计算密集型任务的大小是30MB；
Figure P_220623134636643_643209004
表示运行边缘网络s内地面装置n的待执行计算任务所需的CPU周期数量，
Figure P_220623134636658_658838005
表示处理边缘网络s内地面装置n的待执行计算任务的最大时延，以上三种参量都是已知量。
为了能够为星地融合网络中的目标边缘网络确定出最优的计算任务卸载方法，首先应获取目标边缘网络内所有地面装置的任务状态参数，其中，目标边缘网络表示星地融合网络中的任一边缘网络，任务状态参数至少包括：待执行计算任务的数据量、传输计算任务的无线信道增益。地面装置传输计算任务的无线信道增益能够反映地面装置传输计算任务时的信道状态信息。也就是说，要确定计算任务卸载方法，首先应明确目标边缘网络中每个地面装置所要执行的计算任务的基本信息。
步骤S104，利用目标神经网络模型对所有地面装置的任务状态参数进行处理，得到每个地面装置的配置参数。
在获取到目标边缘网络中所有地面装置的任务状态参数之后，本发明实施例通过目标神经网络模型对上述任务状态参数进行处理，将所有地面装置的任务状态参数作为目标神经网络模型的输入，目标神经网络模型的输出即为计算任务执行时每个地面装置的配置参数，其中，目标神经网络模型是基于目标边缘网络的计算任务传输开销计算模型训练的，且计算任务传输开销计算模型的目标为计算任务的传输开销最小；配置参数包括：任务执行模式、发射功率和CPU周期频率。
由于目标神经网络模型是基于目标边缘网络的计算任务传输开销计算模型训练的，且计算任务传输开销计算模型的目标为计算任务的传输开销最小，因此，上述目标神经网络模型输出的结果（每个地面装置的配置参数）可确保目标边缘网络中的所有地面装置在执行相应的计算任务时，总的传输开销最小。可选地，计算任务的传输开销包括：能耗和时延。
在本发明实施例中，地面装置的计算任务执行模式包括以下其中一种：本地执行模式，卫星执行模式。本地执行模式是指地面装置n的待执行计算任务由地面装置在本地执行；卫星执行模式是指地面装置n的待执行计算任务卸载到卫星云服务器上执行。
为了便于计算任务传输开销的计算，本发明实施例将代表任务执行模式的变量定义为
Figure P_220623134636674_674442001
，也即，若边缘网络s内地面装置n的任务执行模式为本地执行模式，则变量
Figure P_220623134636705_705718002
取值为0；反之，若边缘网络s内地面装置n的任务执行模式为卫星执行模式，则变量
Figure P_220623134636736_736950003
取值为1。也即，
Figure P_220623134636755_755982004
。
步骤S106，基于所有地面装置的配置参数确定目标边缘网络的计算任务卸载策略。
步骤S108，基于计算任务卸载策略，对目标边缘网络中的所有待执行计算任务进行卸载。
本发明实施例所提供的星地融合网络中的计算任务卸载方法是利用模型辅助的深度强化学习策略来确定计算任务卸载策略的方法，因此，利用本发明实施例方法能够有效的对抗时变信道增益和随机任务到达，为每个地面装置分配最优的计算任务卸载策略，在满足用户服务质量的前提下最小化计算任务的传输开销，达到合理分配星地融合网络资源的目的。
根据上文中的描述可知，本发明实施例在确定计算任务卸载策略时使用了目标神经网络模型，且该模型在训练过程中使用了计算任务传输开销计算模型，因此，下面对以上两种模型的构建方法进行具体介绍。
在一个可选的实施方式中，本发明方法还包括如下步骤：
步骤S201，获取计算任务传输开销计算模型的计算参数组。
具体，目标边缘网络的计算任务传输开销计算模型的构建需要使用目标边缘网络和卫星云服务器中的若干已知参量，并由所有已知参量组建出计算模型的计算参数组，其中，计算参数组包括：卫星云服务器的CPU周期频率、每个待执行计算任务的数据量、运行每个待执行计算任务所需的CPU周期数量、每个地面装置的有效电容系数和每个地面装置的目标状态参数；目标状态参数至少包括：传输带宽、无线信道增益和信道噪声。
步骤S202，获取计算任务传输开销计算模型的约束参数组。
已知每个待执行的计算任务在下发时含有处理该任务的最大时延，并且，计算任务卸载策略由所有地面装置的配置参数构成，而配置参数中包括发射功率和CPU周期频率，因此，为了能够得到符合要求的计算任务卸载策略，计算任务传输开销计算模型的约束参数组包括：每个地面装置的最大CPU周期频率、每个地面装置的最大发射功率和每个待执行计算任务的最大时延。
步骤S203，基于计算参数组和约束参数组构建计算任务传输开销计算模型。
在本发明实施例中，基于计算参数组和约束参数组所构建的计算任务传输开销计算模型表示为：
Figure P_220623134636787_787736001
，计算任务传输开销计算模型的约束条件包括：
Figure P_220623134636818_818995002
，
Figure P_220623134636834_834607003
，
Figure P_220623134636865_865852004
和
Figure P_220623134636897_897119005
，其中，
Figure P_220623134636912_912743006
表示边缘网络s内地面装置n的任务执行模式的变量，且
Figure P_220623134636947_947374007
，
Figure P_220623134636979_979135008
表示边缘网络s内地面装置n的发射功率，
Figure P_220623134637010_010401009
表示边缘网络s内地面装置n的CPU周期频率，N表示边缘网络s内地面装置的总数，
Figure P_220623134637026_026028010
表示边缘网络s内地面装置n的待执行计算任务在本地运行的执行时延，
Figure P_220623134637057_057267011
表示边缘网络s内地面装置n的待执行计算任务在本地运行的能耗，
Figure P_220623134637072_072925012
表示边缘网络s内地面装置n的待执行计算任务在卫星运行的总时延，
Figure P_220623134637104_104152013
表示边缘网络s内地面装置n的待执行计算任务在卫星运行的能耗，
Figure P_220623134637119_119766014
表示边缘网络s内地面装置n的最大CPU周期频率，
Figure P_220623134637152_152452015
表示边缘网络s内地面装置n的最大发射功率，
Figure P_220623134637168_168599016
表示处理边缘网络s内地面装置n的待执行计算任务的最大时延。
基于以上计算任务传输开销计算模型的表达式可知，该计算模型中，除了待确定的计算任务卸载策略中所包含的参量是未知量，另外，
Figure P_220623134637199_199885001
，
Figure P_220623134637215_215474002
，
Figure P_220623134637246_246725003
，和
Figure P_220623134637277_277998004
也是未知的，下面将具体介绍计算任务传输开销计算模型的构建流程。
在一个可选的实施方式中，上述步骤S203，基于计算参数组和约束参数组构建计算任务传输开销计算模型，具体包括如下步骤：
步骤S2031，基于运行每个待执行计算任务所需的CPU周期数量和每个地面装置的有效电容系数，构建计算任务的第一开销计算模型。
具体的，计算任务传输开销计算模型由第一开销计算模型和第二开销计算模型构成，其中，第一开销计算模型表示本地执行模式下计算任务的传输开销的总和，第二开销计算模型表示卫星执行模式下计算任务的传输开销的总和。
针对边缘网络s内地面装置n，已知运行边缘网络s内地面装置n的待执行计算任务所需的CPU周期数量
Figure P_220623134637309_309226001
，
Figure P_220623134637341_341906002
的单位为周期；边缘网络s内地面装置n的CPU周期频率为
Figure P_220623134637373_373675003
（未知量），
Figure P_220623134637404_404934004
的单位为周期/秒。则基于以上两个参数定义可知，边缘网络s内地面装置n的待执行计算任务在本地运行的执行时延
Figure P_220623134637436_436181005
可表示为：
Figure P_220623134637467_467431006
。
本发明实施例中计算任务的传输开销包括：能耗和时延，因此，在确定出边缘网络s内地面装置n的待执行计算任务在本地运行的执行时延的计算模型之后，还需进一步确定边缘网络s内地面装置n的待执行计算任务在本地运行的能耗
Figure P_220623134637514_514284001
的计算模型。
根据电路原理，地面装置n执行一个CPU周期的计算任务所消耗的能量为
Figure P_220623134637529_529916001
，单位是焦耳/周期，其中，
Figure P_220623134637578_578756002
表示地面装置n的有效电容系数；已知运行地面装置n的待执行计算任务所需的CPU周期数量为
Figure P_220623134637610_610008003
，也即，地面装置n执行相应的计算任务时总共需要执行
Figure P_220623134637641_641241004
个CPU周期，因此，将所有的周期的能耗加起来，就可以得到整个计算任务执行过程中的本地处理能耗
Figure P_220623134637672_672512005
，也即
Figure P_220623134637703_703758006
表示为
Figure P_220623134637719_719410007
。综上，计算任务的第一开销计算模型可表示为：
Figure P_220623134637754_754009008
。
步骤S2032，针对目标地面装置，基于目标地面装置对应的待执行计算任务的数据量和目标地面装置的目标状态参数，构建目标地面装置将其待执行任务上传至卫星云服务器的传输时延计算模型。
其中，目标地面装置表示所有地面装置中的任一装置。
步骤S2033，基于卫星云服务器的CPU周期频率和运行每个待执行计算任务所需的CPU周期数量，计算每个待执行计算任务在卫星上运行的执行时延。
步骤S2034，基于每个待执行任务的传输时延计算模型和在卫星上运行的执行时延，构建计算任务的第二开销计算模型。
针对边缘网络s内地面装置n，若计算任务在卫星云服务器上执行，那么第二开销计算模型中的能耗具体为边缘网络s内地面装置n的待执行计算任务在卫星运行的能耗
Figure P_220623134637785_785774001
，第二开销计算模型中的时延具体为边缘网络s内地面装置n的待执行计算任务在卫星运行的总时延
Figure P_220623134637832_832661002
，总时延包括：应为边缘网络s内地面装置n的待执行计算任务上传到卫星云服务器的传输时延
Figure P_220623134637848_848277003
与待执行计算任务在卫星上运行的执行时延
Figure P_220623134637879_879542004
的和。
在一个可选的实施方式中，上述步骤S2032中，基于目标地面装置对应的待执行计算任务的数据量和目标地面装置的目标状态参数，构建目标地面装置将其待执行任务上传至卫星云服务器的传输时延计算模型，具体包括如下内容：基于目标地面装置的目标状态参数构建目标地面装置将其待执行任务上传至卫星云服务器的上传速度计算模型；根据目标地面装置对应的待执行计算任务的数据量和上传速度计算模型，构建传输时延计算模型。
具体的，已知地面装置n的目标状态参数，也即确定了边缘网络s内地面装置n被分配的传输带宽
Figure P_220623134637910_910788001
，地面装置n传输计算任务的无线信道增益
Figure P_220623134637949_949817002
和地面装置n在传输计算任务时的信道噪声
Figure P_220623134637981_981586003
；定义边缘网络s内地面装置n的发射功率为
Figure P_220623134638012_012840004
（未知量），因此，根据香农信息论可知，边缘网络s内地面装置n的上行传输速度模型可表示为：
Figure P_220623134638059_059720005
，
Figure P_220623134638090_090992006
表示边缘网络s内地面装置n将其待执行任务上传至卫星云服务器的上传速度。
在已知地面装置n对应的待执行计算任务的数据量
Figure P_220623134638122_122207001
，且确定了地面装置n的上传速度
Figure P_220623134638155_155133002
的计算模型之后，即可得到地面装置n将其待执行任务上传至卫星云服务器的传输时延计算模型：
Figure P_220623134638172_172023003
，
Figure P_220623134638203_203269004
表示边缘网络s内地面装置n的待执行计算任务上传到卫星云服务器的传输时延，也即，待执行计算任务的上行传输时间。
已知运行边缘网络s内地面装置n的待执行计算任务所需的CPU周期数量为
Figure P_220623134638218_218888001
，单位为周期；卫星云服务器的CPU周期频率为
Figure P_220623134638250_250135002
，单位为周期/秒。因此，基于以上两个参数定义可知，边缘网络s内地面装置n的待执行计算任务在卫星上运行的执行时延
Figure P_220623134638265_265751003
可表示为：
Figure P_220623134638297_297015004
。所以边缘网络s内地面装置n的待执行计算任务在卫星运行的总时延为：
Figure P_220623134638312_312642005
。
根据电路原理，传输的能耗是发射功率与传输时间的乘积，因此，边缘网络s内地面装置n的待执行计算任务在卫星运行的能耗
Figure P_220623134638345_345388001
具体通过下述算式计算：
Figure P_220623134638361_361470002
。综上，计算任务的第二开销计算模型可表示为：
Figure P_220623134638392_392735003
。
步骤S2035，基于第一开销计算模型和第二开销计算模型构建计算任务传输开销计算模型。
结合以上第一开销计算模型和第二开销计算模型的表达式，以及计算任务传输开销计算模型的计算目标（最小化计算任务执行的能耗和时延，也即，计算任务的传输开销最小），即可得到计算任务传输开销计算模型：
Figure P_220623134638423_423976001
，
Figure P_220623134638486_486474002
，
Figure P_220623134638517_517708003
，
Figure P_220623134638533_533372004
，
Figure P_220623134638566_566512005
。
上文中描述了计算任务传输开销计算模型的构建流程，下面对如何通过训练得到目标神经网络模型的方法进行介绍。
在一个可选的实施方式中，本发明方法还包括如下步骤：
步骤S301，获取训练参数集。
其中，训练参数集中包括多组训练数据，每组训练数据包括：目标边缘网络内所有地面装置的训练任务数据量、目标边缘网络内所有地面装置的训练信道增益，以及与训练任务数据量和训练信道增益对应的任务执行策略。
上述任务执行策略包括：目标边缘网络内每个地面装置的任务执行模式。
步骤S302，利用训练参数集对初始神经网络模型进行训练，直至达到指定结束条件，得到目标神经网络模型。
在一个可选的实施方式中，上述步骤S301，获取训练参数集，具体包括如下内容：
重复执行下述步骤，直至得到指定数量的训练数据：
步骤S401，通过与星地融合网络进行交互，得到目标边缘网络内所有地面装置的随机任务数据量和随机信道增益。
步骤S402，利用初始神经网络模型对随机任务数据量和随机信道增益进行处理，得到目标边缘网络的多个可选任务执行策略。
步骤S403，基于计算任务传输开销计算模型计算每种任务执行策略对应的传输开销。
步骤S404，将最小传输开销对应的任务执行策略作为与随机任务数据量和随机信道增益对应的目标任务执行策略。
步骤S405，将随机任务数据量、随机信道增益和目标任务执行策略作为一组训练数据。
具体的，图3为本发明实施例提供的一种两层的星地融合网络智能计算框架图，上述智能计算框架所代表的神经网络模型，其第一层用于输出任务执行模式
Figure P_220623134638582_582193001
，第二层用于输出地面装置的发射功率
Figure P_220623134638613_613437002
和CPU周期频率
Figure P_220623134638629_629048003
。
为了能够获得训练数据，神经网络模型的第一层建立了一种基于全连接神经网络的计算框架，该全连接神经网络通过和对应的星地融合网络环境进行交互，即可得到随机的任务大小和时变的信道状态信息大小。因此，初始神经网络模型通过与星地融合网络进行交互，即可得到目标边缘网络内所有地面装置的随机任务数据量和随机信道增益。
接下来，将得到的随机任务数据量和随机信道增益输入初始神经网络模型，初始神经网络模型第一层的全连接的神经网络经过训练后，可输出目标边缘网络的多个可选任务执行策略，也即，目标边缘网络内所有地面装置的任务执行模式的多种可选组合。
例如，若目标边缘网络内包括5个地面装置，且已知
Figure P_220623134638660_660287001
，那么目标边缘网络的多个可选任务执行策略可表示为{0,1,0,1,0}，{1,0,1,0,1}，{1,1,1,0,0}，{0,0,1,1,1}等的集合，以上任务执行策略仅为示例性的。其中，{0,1,0,1,0}表征的是：地面装置1的任务执行模式为本地执行模式；地面装置2的任务执行模式为卫星执行模式；地面装置3的任务执行模式为本地执行模式；地面装置4的任务执行模式为卫星执行模式；地面装置5的任务执行模式为本地执行模式。
第一层的神经网络在输出多个可选任务执行策略之后，本发明实施例利用第二层的模型辅助的优化机制来计算最优的发射功率和本地CPU周期频率。具体的，针对其中任一种任务执行策略，在地面装置的任务执行模式确定之后，即可得到相应的计算任务传输开销计算模型（能耗与时延的函数）。根据计算任务传输开销计算模型（下文简称优化函数）的表达式中可以看出，当地面装置n的计算任务在本地执行时，其发射功率和优化函数是无关的，因此，通过对优化函数进行求导，同时结合约束条件
Figure P_220623134638691_691554001
和
Figure P_220623134638707_707175002
即可获得该任务执行策略下地面装置n最优的CPU周期频率，从而进一步可得到该任务执行策略下地面装置n在本地执行模式的传输开销（能耗和时延）。
同理，当地面装置n的计算任务在卫星云服务器上执行时，本地的CPU周期频率和优化函数是无关的，因此，通过对上述的优化函数进行求导，同时结合约束条件
Figure P_220623134638738_738435001
和
Figure P_220623134638773_773091002
即可获得该任务执行策略下地面装置n最优的发射功率，从而进一步得到该任务执行策略下地面装置n在卫星执行模式的传输开销。
利用上述方法，即可计算出每种任务执行策略下目标边缘网络中所有地面装置的传输开销的和，将其作为每种任务执行策略对应的传输开销，并将最小传输开销对应的任务执行策略作为与随机任务数据量和随机信道增益对应的目标任务执行策略。本发明实施例将随机任务数据量、随机信道增益和目标任务执行策略作为一组训练数据，并存入神经网络模型的经验回放缓存中。
重复执行上述步骤，即可得到多组训练数据，构成训练参数集。通过在训练参数集中随机采样，选择多个训练数据通过误差反向传播方法对初始神经网络进行再训练，从而优化网络的权重参数。
经过多轮迭代之后，当成本函数值（也即，最小的能耗和时延的和）收敛时（也即，成本函数基本保持不变时），则认为达到指定结束条件，可结束迭代，得到最优的成本函数。利用参数优化后的网络模型（目标神经网络模型）可得到最优的任务执行模式，最优的CPU周期频率和发射功率，进而得到了最优的模型辅助的星地融合网络智能计算方法。
发明人对本发明实施例所提供方法与传统方法进行了性能上的对比验证，图4为本发明实施例提供的多个计算任务卸载方法的性能对比图，图4中，DRL-based代表本发明实施例所提供的方法，C-DDPG、ALL-MEC、RO（Random-offloading）和I-DQN分别代表四种传统方法，通过图4可知，在不同的权重因子下，本发明实施例所提出的计算任务卸载方法具有更低的传输开销，和其他的基线算法对比，本发明方法可以更好的对抗时变信道增益和随机任务到达，并且为每个物联网装置分配更优的CPU周期频率和发射功率。
综上，本发明实施例提出了一种星地融合网络中的计算任务卸载方法，实质也是星地融合网络场景下的在轨智能计算机制，利用模型辅助的深度强化学习框架确定计算任务卸载策略，能够有效的对抗时变信道增益和随机任务到达，为每个地面装置分配最优的计算任务卸载策略，在满足用户服务质量的前提下最小化计算任务的传输开销，达到合理分配星地融合网络资源的目的，为用户提供更好的服务质量。
实施例二
本发明实施例还提供了一种星地融合网络中的计算任务卸载装置，该星地融合网络中的计算任务卸载装置主要用于执行上述实施例一所提供的星地融合网络中的计算任务卸载方法，以下对本发明实施例提供的星地融合网络中的计算任务卸载装置做具体介绍。
图5是本发明实施例提供的一种星地融合网络中的计算任务卸载装置的功能模块图，如图5所示，该装置主要包括：第一获取模块10，处理模块20，确定模块30，卸载模块40，其中：
第一获取模块10，用于获取星地融合网络中目标边缘网络内所有地面装置的任务状态参数；其中，任务状态参数包括：待执行计算任务的数据量、传输计算任务的无线信道增益。
处理模块20，用于利用目标神经网络模型对所有地面装置的任务状态参数进行处理，得到每个地面装置的配置参数；其中，目标神经网络模型是基于目标边缘网络的计算任务传输开销计算模型训练的，且计算任务传输开销计算模型的目标为计算任务的传输开销最小；配置参数包括：任务执行模式、发射功率和CPU周期频率。
确定模块30，用于基于所有地面装置的配置参数确定目标边缘网络的计算任务卸载策略。
卸载模块40，用于基于计算任务卸载策略，对目标边缘网络中的所有待执行计算任务进行卸载。
本发明实施例提供的星地融合网络中的计算任务卸载装置，其执行的星地融合网络中的计算任务卸载方法是利用模型辅助的深度强化学习策略来确定计算任务卸载策略的方法，因此，利用本发明装置能够有效的对抗时变信道增益和随机任务到达，为每个地面装置分配最优的计算任务卸载策略，在满足用户服务质量的前提下最小化计算任务的传输开销，达到合理分配星地融合网络资源的目的。
可选地，该装置还包括：
第二获取模块，用于获取计算任务传输开销计算模型的计算参数组；其中，计算参数组包括：卫星云服务器的CPU周期频率、每个待执行计算任务的数据量、运行每个待执行计算任务所需的CPU周期数量、每个地面装置的有效电容系数和每个地面装置的目标状态参数；目标状态参数至少包括：传输带宽、无线信道增益和信道噪声。
第三获取模块，用于获取计算任务传输开销计算模型的约束参数组；其中，约束参数组包括：每个地面装置的最大CPU周期频率、每个地面装置的最大发射功率和每个待执行计算任务的最大时延。
构建模块，用于基于计算参数组和约束参数组构建计算任务传输开销计算模型。
可选地，构建模块包括：
第一构建单元，用于基于运行每个待执行计算任务所需的CPU周期数量和每个地面装置的有效电容系数，构建计算任务的第一开销计算模型。
第二构建单元，用于针对目标地面装置，基于目标地面装置对应的待执行计算任务的数据量和目标地面装置的目标状态参数，构建目标地面装置将其待执行任务上传至卫星云服务器的传输时延计算模型；其中，目标地面装置表示所有地面装置中的任一装置。
计算单元，用于基于卫星云服务器的CPU周期频率和运行每个待执行计算任务所需的CPU周期数量，计算每个待执行计算任务在卫星上运行的执行时延。
第三构建单元，用于基于每个待执行任务的传输时延计算模型和在卫星上运行的执行时延，构建计算任务的第二开销计算模型。
第四构建单元，用于基于第一开销计算模型和第二开销计算模型构建计算任务传输开销计算模型。
可选地，第二构建单元具体用于：
基于目标地面装置的目标状态参数构建目标地面装置将其待执行任务上传至卫星云服务器的上传速度计算模型。
根据目标地面装置对应的待执行计算任务的数据量和上传速度计算模型，构建传输时延计算模型。
可选地，该装置还包括：
第四获取模块，用于获取训练参数集；其中，训练参数集中包括多组训练数据，每组训练数据包括：目标边缘网络内所有地面装置的训练任务数据量、目标边缘网络内所有地面装置的训练信道增益，以及与训练任务数据量和训练信道增益对应的任务执行策略。
训练单元，用于利用训练参数集对初始神经网络模型进行训练，直至达到指定结束条件，得到目标神经网络模型。
可选地，第四获取模块具体用于：
重复执行下述步骤，直至得到指定数量的训练数据：
通过与星地融合网络进行交互，得到目标边缘网络内所有地面装置的随机任务数据量和随机信道增益。
利用初始神经网络模型对随机任务数据量和随机信道增益进行处理，得到目标边缘网络的多个可选任务执行策略。
基于计算任务传输开销计算模型计算每种任务执行策略对应的传输开销。
将最小传输开销对应的任务执行策略作为与随机任务数据量和随机信道增益对应的目标任务执行策略。
将随机任务数据量、随机信道增益和目标任务执行策略作为一组训练数据。
可选地，计算任务的传输开销包括：能耗和时延。
实施例三
参见图6，本发明实施例提供了一种电子设备，该电子设备包括：处理器60，存储器61，总线62和通信接口63，所述处理器60、通信接口63和存储器61通过总线62连接；处理器60用于执行存储器61中存储的可执行模块，例如计算机程序。
其中，存储器61可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口63（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器61用于存储程序，所述处理器60在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的过程定义的装置所执行的方法可以应用于处理器60中，或者由处理器60实现。
处理器60可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61，处理器60读取存储器61中的信息，结合其硬件完成上述方法的步骤。
本发明实施例所提供的一种星地融合网络中的计算任务卸载方法、装置和电子设备的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种星地融合网络中的计算任务卸载方法，其特征在于，包括：
获取星地融合网络中目标边缘网络内所有地面装置的任务状态参数；其中，所述任务状态参数至少包括：待执行计算任务的数据量、传输计算任务的无线信道增益；
利用目标神经网络模型对所有所述地面装置的任务状态参数进行处理，得到每个所述地面装置的配置参数；其中，所述目标神经网络模型是基于所述目标边缘网络的计算任务传输开销计算模型训练的，且所述计算任务传输开销计算模型的目标为计算任务的传输开销最小；所述配置参数包括：任务执行模式、发射功率和CPU周期频率；
基于所有所述地面装置的配置参数确定所述目标边缘网络的计算任务卸载策略；
基于所述计算任务卸载策略，对所述目标边缘网络中的所有待执行计算任务进行卸载。
2.根据权利要求1所述的计算任务卸载方法，其特征在于，还包括：
获取所述计算任务传输开销计算模型的计算参数组；其中，所述计算参数组包括：卫星云服务器的CPU周期频率、每个所述待执行计算任务的数据量、运行每个所述待执行计算任务所需的CPU周期数量、每个所述地面装置的有效电容系数和每个所述地面装置的目标状态参数；所述目标状态参数至少包括：传输带宽、无线信道增益和信道噪声；
获取所述计算任务传输开销计算模型的约束参数组；其中，所述约束参数组包括：每个所述地面装置的最大CPU周期频率、每个所述地面装置的最大发射功率和每个所述待执行计算任务的最大时延；
基于所述计算参数组和所述约束参数组构建所述计算任务传输开销计算模型。
3.根据权利要求2所述的计算任务卸载方法，其特征在于，基于所述计算参数组和所述约束参数组构建所述计算任务传输开销计算模型，包括：
基于运行每个所述待执行计算任务所需的CPU周期数量和每个所述地面装置的有效电容系数，构建计算任务的第一开销计算模型；
针对目标地面装置，基于所述目标地面装置对应的待执行计算任务的数据量和所述目标地面装置的目标状态参数，构建所述目标地面装置将其待执行任务上传至卫星云服务器的传输时延计算模型；其中，所述目标地面装置表示所述所有地面装置中的任一装置；
基于所述卫星云服务器的CPU周期频率和运行每个所述待执行计算任务所需的CPU周期数量，计算每个所述待执行计算任务在卫星上运行的执行时延；
基于每个所述待执行任务的传输时延计算模型和在卫星上运行的执行时延，构建计算任务的第二开销计算模型；
基于所述第一开销计算模型和所述第二开销计算模型构建所述计算任务传输开销计算模型。
4.根据权利要求3所述的计算任务卸载方法，其特征在于，基于所述目标地面装置对应的待执行计算任务的数据量和所述目标地面装置的目标状态参数，构建所述目标地面装置将其待执行任务上传至卫星云服务器的传输时延计算模型，包括：
基于所述目标地面装置的目标状态参数构建所述目标地面装置将其待执行任务上传至卫星云服务器的上传速度计算模型；
根据所述目标地面装置对应的待执行计算任务的数据量和所述上传速度计算模型，构建所述传输时延计算模型。
5.根据权利要求1所述的计算任务卸载方法，其特征在于，还包括：
获取训练参数集；其中，所述训练参数集中包括多组训练数据，每组训练数据包括：所述目标边缘网络内所有地面装置的训练任务数据量、所述目标边缘网络内所有地面装置的训练信道增益，以及与所述训练任务数据量和所述训练信道增益对应的任务执行策略；
利用所述训练参数集对初始神经网络模型进行训练，直至达到指定结束条件，得到所述目标神经网络模型。
6.根据权利要求5所述的计算任务卸载方法，其特征在于，获取训练参数集，包括：
重复执行下述步骤，直至得到指定数量的训练数据：
通过与所述星地融合网络进行交互，得到所述目标边缘网络内所有地面装置的随机任务数据量和随机信道增益；
利用初始神经网络模型对所述随机任务数据量和所述随机信道增益进行处理，得到所述目标边缘网络的多个可选任务执行策略；
基于所述计算任务传输开销计算模型计算每种任务执行策略对应的传输开销；
将最小传输开销对应的任务执行策略作为与所述随机任务数据量和所述随机信道增益对应的目标任务执行策略；
将所述随机任务数据量、所述随机信道增益和所述目标任务执行策略作为一组训练数据。
7.根据权利要求1所述的计算任务卸载方法，其特征在于，所述计算任务的传输开销包括：能耗和时延。
8.一种星地融合网络中的计算任务卸载装置，其特征在于，包括：
第一获取模块，用于获取星地融合网络中目标边缘网络内所有地面装置的任务状态参数；其中，所述任务状态参数包括：待执行计算任务的数据量、传输计算任务的无线信道增益；
处理模块，用于利用目标神经网络模型对所有所述地面装置的任务状态参数进行处理，得到每个所述地面装置的配置参数；其中，所述目标神经网络模型是基于所述目标边缘网络的计算任务传输开销计算模型训练的，且所述计算任务传输开销计算模型的目标为计算任务的传输开销最小；所述配置参数包括：任务执行模式、发射功率和CPU周期频率；
确定模块，用于基于所有所述地面装置的配置参数确定所述目标边缘网络的计算任务卸载策略；
卸载模块，用于基于所述计算任务卸载策略，对所述目标边缘网络中的所有待执行计算任务进行卸载。
9.一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7中任一项所述的星地融合网络中的计算任务卸载方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令被处理器执行时实现上述权利要求1至7中任一项所述的星地融合网络中的计算任务卸载方法。
CN202210811936.7A 2022-07-12 2022-07-12 星地融合网络中的计算任务卸载方法、装置和电子设备 Active CN114884958B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210811936.7A CN114884958B (zh) 2022-07-12 2022-07-12 星地融合网络中的计算任务卸载方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210811936.7A CN114884958B (zh) 2022-07-12 2022-07-12 星地融合网络中的计算任务卸载方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN114884958A true CN114884958A (zh) 2022-08-09
CN114884958B CN114884958B (zh) 2022-09-20

Family

ID=82683492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210811936.7A Active CN114884958B (zh) 2022-07-12 2022-07-12 星地融合网络中的计算任务卸载方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN114884958B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116225575A (zh) * 2023-05-05 2023-06-06 苏州浪潮智能科技有限公司 针对移动边缘计算的任务卸载方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112929074A (zh) * 2021-01-27 2021-06-08 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
CN113794494A (zh) * 2021-07-30 2021-12-14 湖北微源卓越科技有限公司 一种面向低轨卫星网络的边缘计算架构及计算卸载优化方法
CN114051254A (zh) * 2021-11-08 2022-02-15 南京大学 一种基于星地融合网络的绿色云边协同计算卸载方法
US11265077B1 (en) * 2020-10-22 2022-03-01 Dalian University Method for deploying task in satellite network
CN114153572A (zh) * 2021-10-27 2022-03-08 中国电子科技集团公司第五十四研究所 一种星地协作网络中分布式深度学习的计算卸载方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11265077B1 (en) * 2020-10-22 2022-03-01 Dalian University Method for deploying task in satellite network
CN112929074A (zh) * 2021-01-27 2021-06-08 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
CN113794494A (zh) * 2021-07-30 2021-12-14 湖北微源卓越科技有限公司 一种面向低轨卫星网络的边缘计算架构及计算卸载优化方法
CN114153572A (zh) * 2021-10-27 2022-03-08 中国电子科技集团公司第五十四研究所 一种星地协作网络中分布式深度学习的计算卸载方法
CN114051254A (zh) * 2021-11-08 2022-02-15 南京大学 一种基于星地融合网络的绿色云边协同计算卸载方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
戴翠琴等: "星地融合网络中的流量卸载研究", 《重庆邮电大学学报( 自然科学版)》 *
罗峻锋: "星地融合网络中的用户关联和流量卸载研究", 《硕士学位论文》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116225575A (zh) * 2023-05-05 2023-06-06 苏州浪潮智能科技有限公司 针对移动边缘计算的任务卸载方法、装置、设备及介质
CN116225575B (zh) * 2023-05-05 2023-08-15 苏州浪潮智能科技有限公司 针对移动边缘计算的任务卸载方法、装置、设备及介质

Also Published As

Publication number Publication date
CN114884958B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN112188442B (zh) 基于移动边缘计算的车联网数据驱动任务卸载系统和方法
CN111163519B (zh) 系统收益最大化的无线体域网资源分配与任务卸载方法
CN113326126B (zh) 任务处理方法、任务调度方法、装置及计算机设备
CN111585637A (zh) 一种基于边缘计算系统的无人机任务卸载和资源分配方法
CN114884958B (zh) 星地融合网络中的计算任务卸载方法、装置和电子设备
CN112988285B (zh) 任务卸载方法和装置、电子设备及存储介质
US11528721B2 (en) Scheduling satellite data transmissions using differing sets of ground stations
CN105144109A (zh) 分布式数据中心技术
Huang et al. Coflow-like online data acquisition from low-earth-orbit datacenters
US7886055B1 (en) Allocating resources in a system having multiple tiers
CN114500560A (zh) 一种最小化网络时延的边缘节点服务部署与负载均衡方法
CN114760308B (zh) 边缘计算卸载方法及装置
CN112561351B (zh) 用于评估中继卫星系统中的任务申请的方法及装置
CN114007231A (zh) 异构无人机数据卸载方法、装置、电子设备及存储介质
CN113868808A (zh) 一种道路网络临近检测时延优化方法、装置和系统
KR102350195B1 (ko) 모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 방법 및 시스템
CN105407383A (zh) 一种多版本视频点播流媒体服务器集群资源预测方法
CN112449016B (zh) 一种任务卸载方法、装置、存储介质及电子设备
CN112948114B (zh) 边缘计算方法和边缘计算平台
Ortiz et al. Energy-Efficient On-Board Radio Resource Management for Satellite Communications via Neuromorphic Computing
CN115766478A (zh) 一种空地协同边缘计算服务器的卸载方法
CN115514769A (zh) 卫星弹性互联网资源调度方法、系统、计算机设备及介质
Li et al. Two-phases flying process based cruise time minimization for collecting data in A UAV-enabled untraveled wireless IoT network
CN116489683B (zh) 空天地网络中的计算任务卸载方法、装置和电子设备
CN111488052A (zh) 应用于物理机集群的容器启用方法和装置、计算机系统

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