基于移动边缘计算的空天地一体化网络架构

吴健，贾敏，郭庆 （哈尔滨工业大学电子与信息工程学院，黑龙江哈尔滨150006） 摘要：下一代无线通信技术将通过支持智能交通、智能医疗、虚拟现实/增强等服务来提高用户的体验质量。这些新兴的服务通常都是计算密集型和时延敏感型的，必须满足严格的时延、能耗和可靠性要求，而基于云计算的服务难以满足这些要求。为了解决以上问题，提出移动边缘计算（Mobile Edge Computing, MEC）技术，解决将卸载请求回传到云计算中心所具有的高时延和高带宽消耗的问题。空天地一体化网络（Space-Air-Ground Integrated Network, SAGIN）作为6G的重要研究方向，可以弥补全球范围内的巨大覆盖缺口，受到广泛关注。通过将MEC技术、联邦学习技术和人工智能技术引入SAGIN，高效管理网络中海量、异构的资源，构建低时延、低能耗、高可靠性的SAGIN，以支持新兴的各种服务。 关键词：6G；空天地一体化网络；移动边缘计算；联邦学习；人工智能中图分类号：TP393文献标识码：Adoi:10.11959/j.issn.2096−8930.2024003 Space-Air-Ground Integrated Network ArchitectureBased on Mobile Edge Computing WU Jian，JIA Min，GUO QingSchool of Electronics and Information Engineering, Harbin Institute of Technology, Harbin 150006, China Abstract:The next generation of wireless communication technologies will enhance the quality of user experience by supporting ser-vices such as intelligent transportation, intelligent healthcare, virtual/augmented reality, and more. These emerging services are typicallycomputation-intensive and delay-sensitive, and must meet stringent delay, energy consumption, and reliability requirements thatcloud-based services struggle to meet. In order to solve the above problems, mobile edge computing (MEC) technology was proposed tosolve the problems of high latency and high bandwidth consumption when sending offloading requests back to the cloud computingcenters. As an important research direction of 6G , space-air-ground integrated network (SAGIN) could make up for the huge coveragegap in the world, and had been widely concerned. This paper introduced MEC technology, federated learning technology and artificialintelligence technology into SAGIN to efficiently manage massive and heterogeneous resources in the network, and builded low-delay,low-energy consumption and high-reliability SAGIN to support various emerging services. Keywords:6G , space-air-ground integrated network, mobile edge computing, federated learning, artificial intelligence （Mobile Edge Computing, MEC）的概念应运而生[4]，其通过将电信、IT和云计算结合在一起，将边缘服务器放置在靠近用户的位置，直接为用户提供计算服务，从而获得理想的用户体验质量（Quality of Experience, QoE）[5]。 0引言 随着移动应用程序的快速增长，计算密集型[1]、时延敏感型[2]的服务应运而生。针对用户本身计算能力受限，而云计算面对海量数据会造成大时延的问题[3]，移动边缘计算 地面网络有部署良好的基础设施结构[6]，可实现可靠 的高速通信（如骨干网、蜂窝系统、集群系统等），有处理全球和非实时大数据的强大云服务[7]，有对本地和实时数据快速响应的无处不在的边缘服务。地面云边协同模式结合了云计算、边缘计算[8]，可以充分利用现有网络容量提供大量服务，显著提高了移动用户的QoE[9]。当用户有服务需求时，用户应用程序可能首先将任务卸载到靠近用户侧的边缘服务器，如果边缘服务器的计算能力不足，用户可以转向地面云服务器执行。 标。在卫星边缘系统中，用户处理任务产生大量的时延并消耗大量的能量，因此时延和能耗优化的重要地位更加突出。 参考文献[13]借鉴地面网络边缘计算的思想，在低地球轨道（Low Earth Orbit, LEO）卫星星座上部署MEC服务器，以满足各种应用日益增长的实时性和可靠性需求。针对Walker Delta卫星星座，提出了一种基于贪心策略的LEO卫星网络在轨边缘计算（Orbital Edge Computing,OEC）任务分配算法，充分利用卫星计算资源为地面用户提供服务，显著降低了平均时延和能耗。参考文献[14]研究了一种星−空综合边缘计算网络（SAIECN），将LEO卫 星 和 空 中 高 空 平 台 （High Altitude Platform Station,HAPS） 结 合 起 来 ， 为 地 面 用 户 设备（Ground UserEquipment, GUE）提供边缘计算服务。在SAIECN中，GUE的计算任务可以卸载到HAPS或LEO卫星上。通过联合GUE关联、多用户多输入/多输出传输预编码、计算任务分配和资源分配，来最小化SAIECN的加权总能耗。仿真结果表明，所提出的SAIECN及其算法能够较好地解决基于卫星的边缘计算问题，且能量消耗保持在较低的水平。参考文献[15]研究了一种LEO卫星（LEOSatellite, LEOS）边缘辅助多层多访问边缘计算系统，在该系统中，MEC的理念将扩展到LEOS，用于定义LEO卫星边缘，以增强多层MEC系统的覆盖范围，并解决拥挤和孤立地区用户的计算问题。然后，设计其操作卸载框架，并探索其可行的实现方法，制定一个联合优化问题，用于相关的通信和计算资源分配，采用经典的交替优化方法对原问题进行分解，使用低复杂度迭代算法求解各子问题，以最小化LEOS边缘辅助多层多访问边缘计算系统的整体能量消耗，同时保持低计算时延。 一些偏远地区缺乏基础设施，地面网络难以覆盖[10]。对于需要海上通信、空中通信的用户，由于高度的移动性、复杂的通信环境，地面网络难以高效地提供计算服务。在面对自然灾害时，地面网络非常脆弱[11]，容易受到损坏。应急救援、局部地区突发大量服务请求等特殊环境需要应急通信时，地面可能无法及时地为应急通信提供快速、稳定的计算服务。 近年来，随着卫星制造和发射技术的不断发展，具有广泛覆盖范围和优秀系统鲁棒性的卫星网络受到了广泛关注，卫星和地面网络高效集成的空天地一体化网络（Space-Air-Ground Integrated Network, SAGIN）已成为6G无线通信体系结构的重要组成部分[12]，在广泛的地理区域内提供高度可靠和安全的连接，为地面用户提供无处不在的服务。由于近年来卫星网络和地面蜂窝网络是分开发展的，因此本文考虑使双方的通信能力、感知能力、计算能力和存储能力协同发展，使之成为一个统一集成的系统。 一方面，作为一种网络技术，MEC具有提高QoE和减少冗余网络流量的潜力。通过将云计算平台扩展到网络边缘甚至移动设备本身，网络可以为用户提供多层异构的计算资源，使用户可以在任何地方获得计算服务，从而保证了计算任务的性能。 由于卫星通信和计算资源的稀缺性，合理配置计算和通信资源至关重要。因此，目前对于卫星边缘计算领域的研究主要集中在任务的计算卸载问题和资源分配问题。 另一方面，针对网络中海量异构资源的管理与安全问题，本文考虑使用面对动态时变、海量数据有很好的全局搜索能力的深度强化学习（Deep Reinforcement Learning,DRL）实现资源的高效管理，使用可以保证每个设备数据隐私的联邦学习（Federated Learning, FL）机制来保障海量数据的安全性。 针对这些问题，参考文献[16]提出了一种卫星物联网多任务联合卸载和资源分配方案，以提高卸载效率。首先构建了一种新的资源分配和任务调度系统，其中任务由多个无人机（Unmanned Aerial Vehicle, UAV）空中基站收集和决定，边缘计算服务由卫星提供，进一步研究了该框架下的多任务联合计算卸载问题，将具有依赖关系的任务建模为有向无环图。然后提出了一种关注机制和近端策略优化协同算法来学习最佳卸载策略，获得了较好的收敛效果，显著降低了成本。参考文献[17]提出了 因此，本文考虑将MEC、DRL和FL的优势应用到SAGIN中，高效、安全地管理网络中海量、异构的资源，为地面任意位置的用户提供服务，提高地面用户的QoE。 1基于边缘计算的卫星网络现状 在无线网络中，时延和能耗一直是重要的优化指 MEC领域。 一种具有3层计算架构的混合云和边缘计算LEO卫星（Cloud and Edge Computing LEO Satellite, CECLS）网络，可以为地面用户提供异构计算资源，使地面用户能够获得全球范围内的计算服务。利用CECLS架构，在满足每颗LEO卫星覆盖时间和计算能力约束的前提下，研究了以最小化地面用户总能耗为目标的计算卸载决策。目标函数和约束包含二元变量，导致其具有离散性和非凸性，使其难以求解。为了解决这一具有挑战性的问题，利用二元变量松弛法将原来的非凸问题转化为线性规划问题，提出了一种分布式算法，利用乘法器的交替方向方法来近似计算复杂度较低的最优解，显著降低地面用户的总能耗。参考文献[18]针对空中环境中通信不可靠、功率有限的物联网设备的卸载过程具有挑战性的问题，提出了一种节能的空天地一体化边缘计算网络架构，其中物联网设备根据其能量水平、通信条件和计算能力选择最合适的LEO卫星或UAV进行任务卸载。为了在不确定航空环境下提供高效的任务卸载和节能策略，采用约束马尔可夫决策过程来制定任务卸载决策问题，并设计了基于DRL的算法来解决所提出的问题。在此基础上，提出了一种基于自适应联邦DRL的卸载方法，通过考虑网络中的隐私保护和通信故障，找出次优的卸载决策。数值结果验证了所提方案在节能和计算效率方面的有效性。参考文献[19]将具有计算能力的卫星和民用飞机作为宝贵的接入平台，使物联网设备在没有网络基础设施的偏远地区卸载其计算密集型任务成为可能，提出了一种创新的民用飞机（Civil Aircraft, CA）增强空天地集成网络中的多层混合