基于分布式深度学习的多星计算卸载策略

在边缘计算增强的低轨卫星网络场景下,低轨卫星集群协同处理地面任务能有效降低用户响应时延。对卫星集群的联合卸载决策和资源分配优化问题进行研究,将其描述为一个混合整数规划问题,并采用了一种基于分布式深度学习算法的卫星边缘计算卸载算法（deep learning based offloading algorithm,DLOA）。该算法使用多个并行DNN用于生成卸载决策并采用经验回放存储新生成的卸载决策,当采用隐藏层结构不同的DNN,收敛速度比同构DNN提升18%,收敛值与最优值的比值基本为1,可以认为已收敛至最优。此外,探讨了DNN的数量对所使用的算法的影响,仿真结果表明采用少量DNN就可以获得近优的收敛效果。通过对不同任务规模下采用不同算法的任务完成率进行研究,结果表明DLOA算法可通过采用异构DNN和优化资源分配方案显著提升完成率,其较单星运算方案任务完成率提升1倍,较二进制粒子群算法方案提升20%。     

一种基于计算资源度的星间路由协议

随着发射技术的提升和星载任务需求的扩大,低轨互联网星座逐渐成为航天产业的研究热点。在网络层进行算力资源感知有助于构建最短计算时延路径,有效利用边缘或路径上的节点资源进行任务调度。由于传统组网协议没有考虑邻居节点算力资源情况,难以做到资源感知、星间协同组网完成卸载任务。为解决上述问题,提出了将低轨卫星组网建模为移动自组织网络(MANET),并在主动式协议优化链路状态路由协议(OLSR)中引入节点计算资源度来感知周边组网节点、CPU、内存和负载等计算能力情况,并且根据该指标修改OLSR中的多点中继(multi point relay, MPR)选择算法与路由表更新算法。通过仿真验证了在星间协同计算中,文章提出的路由协议在任务计算时延上降低了15%～30%,并通过与地面云计算的比较验证了星间协同计算的优势。     

一种新型的空间分散计算模拟验证系统

人类生产力发展已经进入算力时期，计算能力将成为这个时期的新型生产力。未来大量分散化的算力、存储等资源分布在空间信息网络中，需要对其进行整合拉通，为业务提供便捷的按需使用。首先从下一代空间科学任务出发，阐述了未来空间分散计算实施的意义和价值，同时从空间信息网络和地面信息网络两个维度对国内外典型的分散计算项目和框架进行了系统调研。在此基础上，从云环境构建、云-边中间件以及边环境构建3个方面详细阐述了空间分散计算模拟验证系统的构建思路与方法，并进行了试验验证。验证结果表明，该系统能够实现虚拟化计算单元的动态部署与更新，且能够实现高效的舰船目标检测。相比于单星检测而言，系统通过多星联合的方式能够将检测效率提升45倍。