一种基于动态时变性的卫星边缘计算卸载方法和装置

技术领域

本发明实施例涉及卫星协同计算技术领域，尤其涉及一种基于动态时变性的卫星边缘计算卸载方法和装置。

背景技术

近年来，随着物联网与人工智能技术的发展，涌现出大量计算场景(例如智能摄像头、自动驾驶等)，客户端产生的计算请求量呈指数增长。尽管云计算中心具备超大规模的计算能力，但是云计算需在云端采取集中式处理方式，海量请求和数据上传至云中心会面临网络延时和抖动的风险。此外，一些终端设备可能处于复杂边缘环境且距离云中心较远，数据上传效率受网络信号环境影响严重。因此，低轨卫星因其网络覆盖广、计算能力强等特点逐渐成为边缘计算研究的热点。一些研究通过将卫星作为网络中继，拓展用户设备连接边缘计算服务器的通信距离。一些研究还通过将计算任务卸载在卫星上执行，进一步减少访问延迟。但是在这些研究中，每个卫星都只作为独立个体参与任务进行，忽略了协同计算的方式，因此存在一定的局限性。

首先，卫星的计算资源和内存能力不足，导致大量的任务无法在星侧执行，任务需发送至地面云中心平台中处理，造成卫星下行带宽过载的问题。其次，地球表面的人口分布不均匀，边缘设备任务请求集中在地表局部范围，因此，大量的卫星在大部分时间处于闲置状态，卫星资源利用率低。最后，在轨卫星数量繁多，以单颗卫星作为资源纳管和任务分配的最小单位，系统设计十分复杂。现已有大量研究证明，卫星协同边缘计算具备以下的优势：任务可划分为多个子任务后在多个卫星中并行执行，加快了任务处理的速度。卫星集群可形成一个资源池，卫星间动态的共享硬件资源，接收更多的任务。以卫星集群为任务分配最小单位，可大大缩小问题解空间规模，提高求解效率。

然而，在轨卫星协同计算往往面临着硬件资源受限、任务实时性约束以及卫星动态时变性等挑战。

1、大量任务集中时间卸载易受到硬件资源限制

卫星集群在某段时间内接收到来自通信范围内设备发送的大量的任务请求时，卸载策略设置不当易在集群中产生大量的硬件资源碎片，导致更多的任务需等待资源释放而造成任务完成时间推后，从而造成任务执行效率低。

2、任务实时性要求约束

任务往往具有实时性要求。在轨卫星因其任务负载情况不一，这可能导致相同任务在卫星集群中不同卫星中等待时间相差较大，因此如何在卫星节点建立一个任务负载分析尤为重要。

3、卫星时刻运动导致与设备失联

卫星等边端设备的地理位置具有很强的时变特性，这导致不同节点间面临着相对位置不固定、网络拓扑高动态时变、连接不稳定等问题。

发明内容

为了解决现有技术的问题，本发明提供一种基于动态时变性的卫星边缘计算卸载方法和装置，该方法允许节点动态掉队、重连，能够同时满足任务实时性要求和实现资源优化。

第一方面，本发明实施例提供了一种基于动态时变性的卫星边缘计算卸载方法，包括：

S110、在每次任务卸载开始之前，任务源通过任务结构分析器提取任务的特征信息；

S120、任务源将特征信息发送至距离最近的簇头卫星，以供簇头卫星根据任务的特征信息确定进行任务卸载的目标卫星；

S130、任务源将任务卸载至所述目标卫星上执行，并接收所述目标卫星的任务执行结果。

可选的，所述簇头卫星根据任务的特征信息确定进行任务卸载的目标卫星，包括：

根据任务申请资源量和各卫星节点剩余资源量，确定各卫星节点与任务之间的匹配度；

引入神经网络相似度建模分析技术，对任务在不同卫星节点的执行时间进行预测；

根据所述簇头卫星和各卫星节点以及任务源之间的距离，确定任务在不同卫星节点的通信距离；

根据所述匹配度、预测的执行时间以及所述通信距离确定进行任务卸载的目标卫星。

可选的，根据任务申请资源量和各卫星节点剩余资源量，确定各卫星节点与任务之间的匹配度，包括：

根据任务申请资源量和各卫星节点已使用的资源之和在当前卫星的占比、以及任务申请资源量与各卫星节点剩余资源的方差，确定各卫星节点与任务之间的匹配度；

所述占比和所述方差之差越大，则所述匹配度越高。

可选的，引入神经网络相似度建模分析技术，对任务在不同卫星节点的执行时间进行预测，包括：

当所述簇头卫星接收到特征信息后，联合簇内各卫星节点的性能表征网络预测该任务在每个卫星上的运行时间；

当簇内卫星无空闲资源可执行时，将当前任务先加入任务等待队列，利用贪心算法计算该任务在每个卫星节点中需要等待资源释放的预计等待时间。

可选的，根据所述匹配度、预测的执行时间以及所述通信距离确定进行任务卸载的目标卫星，包括：

根据任务特性为分别为所述匹配度、预测的执行时间以及所述通信距离对应的设置权重；

根据所述匹配度、预测的执行时间以及所述通信距离与对应权重乘积的和确定进行任务卸载的目标卫星。

可选的，该方法还包括：

对任务执行过程中目标卫星与任务源之间的通信距离进行预测；

当预测到在任务执行完成前所述目标卫星将脱离任务源通信范围，任务源向所述目标卫星发送任务卸载信号，并再次从簇中的其他卫星节点中确定目标迁移卫星；

将所述目标卫星上的卸载至所述目标迁移卫星上继续执行。

第二方面，本发明实施例还提供一种基于动态时变性的卫星边缘计算卸载装置，包括：

特征信息提取模块，用于在每次任务卸载开始之前，任务源通过任务结构分析器提取任务的特征信息；

任务调度模块，用于通过任务源将特征信息发送至距离最近的簇头卫星，以供簇头卫星根据任务的特征信息确定进行任务卸载的目标卫星；

任务执行模块，用于通过任务源将任务卸载至所述目标卫星上执行，并接收所述目标卫星的任务执行结果。

可选的，所述任务调度模块具体用于：

根据任务申请资源量和各卫星节点剩余资源量，确定各卫星节点与任务之间的匹配度；

引入神经网络相似度建模分析技术，对任务在不同卫星节点的执行时间进行预测；

根据所述簇头卫星和各卫星节点以及任务源之间的距离，确定任务在不同卫星节点的通信距离；

根据所述匹配度、预测的执行时间以及所述通信距离确定进行任务卸载的目标卫星。

可选的，该装置还包括任务迁移模块，用于执行：

对任务执行过程中目标卫星与任务源之间的通信距离进行预测；

当预测到在任务执行完成前所述目标卫星将脱离任务源通信范围，任务源向所述目标卫星发送任务卸载信号，并再次从簇中的其他卫星节点中确定目标迁移卫星；

将所述目标卫星上的卸载至所述目标迁移卫星上继续执行。

本发明的有益效果包括：

1、本发明通过对任务特征分析后预测星载任务在不同卫星上的运行时间，并利用贪心算法预测出该星载任务在不同卫星上的执行时刻，为卫星选择提供评判指标，从而避免星载任务因等待资源释放而导致等待时间过长。

2、本发明基于卫星集群中各卫星剩余资源建模，设计一种卫星打分策略。以降低计算资源碎片为目的，防止资源分配不均导致卫星内资源悬差无法适配后续常规任务，从而可减少任务等待资源释放时间，提升任务卸载效率。

3、本发明维护执行卫星在任务源设备的可通信范围内。目标执行卫星首先回传运行速度、当前经纬度等信息，任务源设备判断目标执行卫星将在的具体飞离时刻，从而对即将飞离通信范围卫星发送卸载命令将其任务进行迁移至其他卫星上，保证任务可继续执行。

附图说明

图1为本发明实施例提供的一种基于动态时变性的卫星边缘计算卸载方法的总体架构图；

图2为本发明实施例提供的一种基于动态时变性的卫星边缘计算卸载方法的流程图；

图3为本发明实施例提供的任务迁移示意图；

图4为本发明实施例提供的任务源和卫星节点之间通信距离示意图；

图5为本发明实施例提供的不同卸载策略下的任务等待时间示意图；

图6为本发明实施例提供的不同卸载策略下的任务总执行时间示意图；

图7为本发明实施例提供的不同卸载策略下的资源利用率示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

与地面边缘计算的静态场景不同，卫星任务主要受卫星网络动态时变特性所影响。卫星一直处于高速运动状态，云边端设备间通信覆盖区可能变化，部分特定任务可能因此中断或者数据丢失。因此，本申请将针对卫星网络动态时变特性，提出卫一种基于动态时变性联合资源优化的卫星边缘计算卸载方法(DTV)。

如图1所示，本发明主要由任务调度模块和任务迁移模块实现。本申请充分考虑卫星在动态运行中任务卸载和执行的挑战，任务调度模块合理的选择执行卫星节点、和任务迁移模块对可能出现的信号失联情况兜底，通过这两个模块的紧密结合来实现任务在动态时变性卫星中可靠执行。

实施例

进一步参见图2，图2为本发明实施例提供的一种基于动态时变性的卫星边缘计算卸载方法的流程图，具体包括如下步骤：

S110、在每次任务卸载开始之前，任务源通过任务结构分析器提取任务的特征信息。

其中，任务源为需要进行任务卸载的设备，例如飞机。在任务执行的过程中，任务源也可能处于一个实时运动的状态。

任务的特征信息可以包括任务的类型，如任务可以分为计算密集型、通信密集型等不同任务，还可以包括执行该任务所需要的资源等。

S120、任务源将特征信息发送至距离最近的簇头卫星，以供簇头卫星根据任务的特征信息确定进行任务卸载的目标卫星。

本实施例中，通过利用任务调度模块，来合理的选择执行当前任务的目标卫星节点。根据任务的特征，可将任务分为计算密集型、通信密集型等任务。不同的任务要求资源的属性不同，若最终导致一个卫星节点上资源的偏载情况较为严重，则会造成资源分布的不均衡状态。因此，后续的任务很可能无法充分利用该卫星节点的空闲资源，产生较多的资源碎片。此外，考虑到某些任务若未能在截至时间前返回结果将造成重大问题。所以任务的硬实时和软实时特性也应作为容器任务调度的重要参考指标。

因此，本实施例首先针对资源碎片问题将任务申请资源量和节点剩余资源量的匹配度进行打分；然后引入神经网络相似度建模分析技术，对任务在不同节点的执行时间进行预测；最后，由于卫星与端侧设备的相对位置时刻在变化，若不能选择最佳执行卫星，那么将增大数据在传输过程中丢包可能性，并且传输时延明显增加，所以要计算任务源和卫星之间的通信节点。

具体的，S120包括：

S121、根据任务申请资源量和各卫星节点剩余资源量，确定各卫星节点与任务之间的匹配度。

在卫星边缘计算场景下，任务执行通常需要多维资源参与。某个资源的不足可能影响任务最终的执行效果，因此任务此时需要通过等待资源释放后才能正常执行。任务执行所需资源主要分为计算资源和存储资源。通常，资源调度从占用更多的卫星出发，这可以提升卫星使用率。但是这种调度策略将会增加卫星中资源碎片的可能。这种资源碎片会导致卫星集群中剩余资源足够任务下发，但单个卫星无法单独满足资源申请条件。

因此，本实施例中的资源优化建模将从优化资源碎片出发，通过减少单个卫星资源碎片可能，使得更多卫星资源得到从分利用，从而减少任务因等待资源释放而产生的等待时延。

在数据和算法方面，有如下的定义和说明：

定义1.1：假设卫星k拥有硬件资源R，则卫星上硬件资源可定义为：

R

R为卫星k资源集合，包含了CPU、MEM、GPU的资源量。

定义1.2：假设当前任务申请卫星k资源rq，则在卫星k中适配值Fit可定义为：

l

依据上述公式可找到资源适配度最高的卫星节点，该适配度最高的卫星节点应满足以下两个评价指标：

(1)任务申请的各个资源与已使用的资源之和在当前卫星的占比越高则卫星适配度越高。即任务优先下发至资源最适配的卫星，减少卫星资源碎片。

(2)任务申请的各个资源与剩余资源的方差越小则卫星适配度越高。这可以使得任务分配后，卫星剩余资源越趋向于平衡，避免出现资源悬差问题导致后续正常任务无法下发。

S122、引入神经网络相似度建模分析技术，对任务在不同卫星节点的执行时间进行预测。

在卫星卸载计算场景中，受限于硬件资源的数量，任务可能需要因等待资源释放而增加等待时间，从而导致整个任务执行效率低的问题。在一般地面计算卸载场景中，簇头卫星可能一直对整个星簇资源情况进行监听，待到资源释放后立即将任务卸载至某个卫星中。但是，受限于星间链路的带宽大小，这种方式会产生较大的传输时延，最终增加该任务的总执行时间。因此如果可以预知某个卫星会在何时释放满足该任务运行的硬件资源，提前将任务卸载至该卫星，此时传输时延可被等待时延所掩盖，从而减少该任务的总执行时间。

任务源设备通过对任务特征提取后，将特征信息发送至簇头卫星，从而避免传输整个任务而增加通信时延。簇头卫星接收到特征信息后，联合簇内卫星的性能表征网络预测该任务在每个卫星上的运行时间T

具体的，将等待时间最少的最优卸载子问题表示为T

A

其中，A

本实施例通过对任务特征分析后预测星载任务在不同卫星上的运行时间，并利用贪心算法预测出该星载任务在不同卫星上的执行时刻，为卫星选择提供评判指标，从而避免星载任务因等待资源释放而导致等待时间过长。

S123、根据所述簇头卫星和各卫星节点以及任务源之间的距离，确定任务在不同卫星节点的通信距离。

卫星协同边缘计算处理流程通常包含五个步骤：上传任务参数至簇头卫星、簇头卫星选取合适的执行卫星、任务源卸载任务至执行卫星、执行卫星对任务计算以及计算结果回传任务源。以上五个过程中，任务源卸载任务至执行卫星和计算结果回传都会产生一定的传输时延。当任务大小一致时，选取通信距离最短的执行卫星能够有效的减少传输时延。因此本实施例除了考虑资源占用和任务时间的影响因子外，还将通信时延因素引入至调度建模分析中。前者减少了任务等待时延，而后者减少了任务传输时延。

具体的，假设簇头卫星与执行卫星连线与簇头卫星和任务源连线之间的夹角为α，簇头卫星距执行卫星和任务源距离分别是d

d＝d

综上所述，本发明实施例分别从资源优化、等待时间以及通信距离三个角度去确定任务对应的目标卫星。但是系统中任务多种多样，因此针对不同任务分析的侧重点应该有所不同。例如针对大资源多小资源少的情况，调度侧重在资源优化方向上。针对实时性的任务，调度侧重在等待时延方向。针对通信重的任务，调度则侧重在通信距离上。因此应根据任务的类型不同对相关指标进行侧重的调整，进一步参见S124。

S124、根据所述匹配度、预测的执行时间以及所述通信距离确定进行任务卸载的目标卫星。

具体的，S124包括：根据任务特性为分别为所述匹配度、预测的执行时间以及所述通信距离对应的设置权重；根据所述匹配度、预测的执行时间以及所述通信距离与对应权重乘积的和确定进行任务卸载的目标卫星。

本实施例中用每个卫星的调度得分Score来确定目标卫星，具体可以表示如下：

Score＝w

其中，w

示例性的，w1＝0.5，w2＝0.2，w3＝0.3。上述取值主要考虑的是在卫星边缘卸载计算场景下，计算轻的任务大都在本地完成，因此卸载至卫星的任务基本为在本地无法独立完成的计算重任务，需要的计算资源较多，并且任务传输时延较长。

综上，本实施例综合考虑网络传输时延、容器任务资源碎片以及任务运行时间三个指标，计算每个节点的匹配度，最终选出匹配度最高的任务执行节点。

S130、任务源将任务卸载至所述目标卫星上执行，并接收所述目标卫星的任务执行结果。

本实施例中，当任务执行在通信范围内完成时，待回传计算任务结果成功后，结束任务。

在上述实施例的基础上，该方法还包括通过任务迁移模块执行的如下步骤：

对任务执行过程中目标卫星与任务源之间的通信距离进行预测；

当预测到在任务执行完成前所述目标卫星将脱离任务源通信范围，任务源向所述目标卫星发送任务卸载信号，并再次从簇中的其他卫星节点中确定目标迁移卫星；

将所述目标卫星上的卸载至所述目标迁移卫星上继续执行。

卫星在轨道上时刻运动导致卫星网络变化，卫星在星簇运行一段时间后，可能脱离端侧设备的通信范围，使得端侧设备与卫星断连。因此，在卫星飞离端侧设备通信范围前应根据任务类型，将部分任务迁移至星簇其他卫星中，保证任务在星簇中可继续执行。任务迁移过程如图3所示。

在卫星边缘计算场景下，不但卫星处于时刻运行状态，任务源(飞机等)可能也在动态飞行中，因此任务源与边缘计算卫星节点需要在通信区域内才能保持可通信的几何关系。

如图4所示，R

并假设以顺时针飞行为正向，卫星和任务源飞行角速度分别为ω

其中α

因此当经过t时后，任务源将与卫星飞离通信范围。任务迁移模块将根据卫星飞离预测结果，在飞离星簇之前，向卫星发送任务迁移命令。任务可根据是否仅当前区域执行，将分为本地任务和异地任务。卫星接受到命令后，可暂停本地任务的执行，并向簇头卫星迁移任务。卫星迁移任务可通过上述任务调度模块将任务分发至各个节点上。而异地任务则可以存储任务结果，待到可与任务源再次通信后回传任务数据。本发明维护执行卫星在任务源设备的可通信范围内，保证任务可继续执行。

本发明实施例还提供一种基于动态时变性的卫星边缘计算卸载装置，该装置包括：

特征信息提取模块，用于在每次任务卸载开始之前，任务源通过任务结构分析器提取任务的特征信息；

任务调度模块，用于通过任务源将特征信息发送至距离最近的簇头卫星，以供簇头卫星根据任务的特征信息确定进行任务卸载的目标卫星；

任务执行模块，用于通过任务源将任务卸载至所述目标卫星上执行，并接收所述目标卫星的任务执行结果。

其中，所述任务调度模块具体用于：

根据任务申请资源量和各卫星节点剩余资源量，确定各卫星节点与任务之间的匹配度；

引入神经网络相似度建模分析技术，对任务在不同卫星节点的执行时间进行预测；

根据所述簇头卫星和各卫星节点以及任务源之间的距离，确定任务在不同卫星节点的通信距离；

根据所述匹配度、预测的执行时间以及所述通信距离确定进行任务卸载的目标卫星。

具体的，所述簇头卫星根据任务的特征信息确定进行任务卸载的目标卫星，包括：

根据任务申请资源量和各卫星节点剩余资源量，确定各卫星节点与任务之间的匹配度；

引入神经网络相似度建模分析技术，对任务在不同卫星节点的执行时间进行预测；

根据所述簇头卫星和各卫星节点以及任务源之间的距离，确定任务在不同卫星节点的通信距离；

根据所述匹配度、预测的执行时间以及所述通信距离确定进行任务卸载的目标卫星。

根据任务申请资源量和各卫星节点剩余资源量，确定各卫星节点与任务之间的匹配度，包括：

根据任务申请资源量和各卫星节点已使用的资源之和在当前卫星的占比、以及任务申请资源量与各卫星节点剩余资源的方差，确定各卫星节点与任务之间的匹配度；

所述占比和所述方差之差越大，则所述匹配度越高。

引入神经网络相似度建模分析技术，对任务在不同卫星节点的执行时间进行预测，包括：

当所述簇头卫星接收到特征信息后，联合簇内各卫星节点的性能表征网络预测该任务在每个卫星上的运行时间；

当簇内卫星无空闲资源可执行时，将当前任务先加入任务等待队列，利用贪心算法计算该任务在每个卫星节点中需要等待资源释放的预计等待时间。

可选的，根据所述匹配度、预测的执行时间以及所述通信距离确定进行任务卸载的目标卫星，包括：

根据任务特性为分别为所述匹配度、预测的执行时间以及所述通信距离对应的设置权重；

根据所述匹配度、预测的执行时间以及所述通信距离与对应权重乘积的和确定进行任务卸载的目标卫星。

进一步的，该装置还包括任务迁移模块，用于执行：

对任务执行过程中目标卫星与任务源之间的通信距离进行预测；

当预测到在任务执行完成前所述目标卫星将脱离任务源通信范围，任务源向所述目标卫星发送任务卸载信号，并再次从簇中的其他卫星节点中确定目标迁移卫星；

将所述目标卫星上的卸载至所述目标迁移卫星上继续执行。

本发明实施例所提供的一种基于动态时变性的卫星边缘计算卸载装置可执行本发明任意实施例所提供的一种基于动态时变性的卫星边缘计算卸载方法，具备执行方法相应的功能模块和有益效果，不再进行赘述。

实现验证部分

1、实验设置

1.1测试平台服务器具体设置如下表1

表1测试服务器具体参数

按照星间链路通信规则，选取最近一跳通信距离卫星组成星簇，因此五台卫星为一个星簇。分别设置两个星簇AB，共计十台服务器用于模拟卫星。每台服务器硬件设置一致。

1.2数据集

选取阿里巴巴人工智能平台的大型生产集群数据作为测试数据任务集，该测试数据集跟踪记录了2020年7月至8月阿里巴巴人工智能平台的大型生产集群中(共计1800台服务器)的数据，其任务主要为阿里巴巴机器学习平台的AI任务。该数据集已公开在NSDI’22的论文"MLaaS in the Wild:Workload Analysis and Scheduling in Large-ScaleHeterogeneous GPU Clusters"。

首先针对数据集不合理数据进行清洗以满足本实验所设置的硬件平台设置。主要包括以下方面。

(1)将CPU、Mem数值进行最大最小归一化处理，CPU核数归一化为0至16核，内存大小归一化为0至32000Mi。

(2)由于本实验服务器设置的GPU数最大为4，因此将数据集GPU数量归一化为0到4。

(3)对部分信息缺失的数据进行过滤。

1.3比较基准

本实验通过仿真结果来验证DTV的性能，模拟了双星簇单任务源的卫星边缘计算场景。并设置以下三种卸载方案进行对比。

(1)非协同随机卸载(Non-Cooperative Random Offloading，NC-RO)：所有任务随机选择卫星节点下发。

(2)协同随机卸载(Cooperative Random Offloading，C-RO)：任务源随机选择合适星簇，簇头卫星随机选择卫星节点下发。该策略与(1)不同的是，任务只能在选定星簇中执行。

(3)协同贪婪卸载(Cooperative Greedy Offloading，C-GO)：任务源每次选择星簇资源最富余的星簇，簇头卫星通过资源富余情况选择最适执行的目标卫星。

2、实验结果和结论

在仿真实验中，有两个星簇共计10台模拟卫星支持任务卸载。通过对不同卸载方案下的任务等待执行时间和任务运行总时间的实验展开对比研究。从图5和图6中可以看出，相较于非协同卸载方案，协同卸载方案在任务等待时间和任务运行时间都有明显的优势。此外，尽管C-GO方案每次都选择资源富余最多的卫星节点卸载，但没有考虑到传输时延和资源等待时延的代价，因此比DTV方案花费更多的时间。DTV通过对任务运行时刻进行预测，通过等待时间掩盖传输时延的方式，因此总任务执行时间更低。

图7展示了不同卸载策略下的资源利用率数据。其中C-RO策略由于只在选定簇中选择执行卫星，可执行卫星选择数量明显少于NC-RO策略，因此资源利用率不如NC-RO策略。此外，C-GO策略偏向选取计算能力更大的执行卫星，因此会产生较多的资源碎片导致资源利用率较低。DTV采用资源优化的策略对任务卸载，因产生的资源碎片较少，资源利用率相比于其他策略更高。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。