星地融合邊云協同網絡下的資源調度研究*

戴翠琴，卞夢玥，杜濤，廖明霞

（重慶郵電大學通信與信息工程學院，重慶 400065）

0 引言

隨著信息技術的飛速發展，面向6G 的星地融合邊云協同網絡作為一種新型的通信架構，正在逐漸引起廣泛關注。星地融合邊云協同網絡，通過將衛星通信、地面網絡、邊云協同有機融合在一起，形成了一個高效、靈活、智能化的通信體系。其中：邊云協同是指通過將邊緣計算節點和云端數據中心的通信、計算以及存儲等資源整合，以及任務在邊緣設備和云端之間的合理分配，實現星地融合網絡中的邊緣計算和云計算的優勢互補[1]。然而，實時任務和資源分配的失衡將導致系統時延和能耗增大，因此如何在邊緣計算節點和云計算中心之間調度網絡資源成為當前亟需解決的難題[2]。

針對以上問題，目前主流的解決方案是通過“邊云多層次協同”的方式將邊緣計算和云計算進行彈性擴展以優化資源配置。如圖1 所示，邊云多層次協同指的是將邊緣計算和云計算均劃分為基礎設施即服務（IaaS,Infrastructure as a Service）、平臺即服務（PaaS,Platform as a Service）和軟件即服務（SaaS,Software as a Service）的多層次結構，通過對等層之間通信實現基礎設施資源、數據、服務等多方面的協同。即，將邊緣IaaS 層與云端IaaS 層對接實現基礎設施資源協同；邊緣PaaS 層與云端PaaS 層對接實現數據協同、智能協同、應用管理協同和業務管理協同；邊緣SaaS 層與云端SaaS層對接實現服務協同[3]。

具體而言，IaaS 層實現計算、存儲、網絡等虛擬化基礎設施資源的協同。邊緣節點具備本地資源管理能力，并與云端協同接受并執行中心云節點的資源調度管理策略，主要涉及網絡連接管理、設備管理、基礎資源管理等方面的策略。目前在基礎資源協同方面已經有了成熟的解決方案，即在宏觀層面實現按需部署、調度基礎設施資源，在微觀層面配置邊云之間資源協同的具體策略。

PaaS 層主要實現邊云之間的數據協同，使數據在邊緣和云中心之間有序、可控地流動。通過建立完整的數據流轉路徑，對數據進行全生命周期的管理與挖掘。數據層面的協同主要通過數據處理機制實現。在邊云協同系統中，邊緣端負責數據的采集、存儲，同時對隱私數據進行加密處理，再將結果上傳到云端，通過云端實現海量數據的分析、決策。

SaaS 層實現服務協同。邊緣端按照云端策略完成邊緣SaaS 服務，并與云端SaaS 服務一起向用戶提供完整服務。其中，云端主要負責提供SaaS 服務在邊云之間的部署策略以及承載邊緣SaaS 的服務能力[4-5]。

表1 為邊云多層次協同架構中的關鍵技術。

表1 邊云多層次協同架構中的關鍵技術

目前，邊云協同領域主要面臨如下幾個方面的挑戰：1）在資源協同方面，存在著設備異構、資源受限、邊-云通信復雜等問題；2）在應用協同方面，存在著邊緣物理節點分散導致的部署困難、計算場景復雜導致的應用分發困難、邊云計算場景下的應用管理困難等問題；3）在服務協同方面，存在著數據存儲困難、實時性難以保證、應用接入不規范導致的統一管理困難、服務協同下的運維困難[6]等問題。為了解決這些問題，“算力網絡”被引入到傳統邊云協同方案中，即利用云網融合、軟件定義網絡（SDN,Software Defined Network）以及網絡功能虛擬化（NFV,Network Functions Virtualization）等新型網絡技術，將邊緣計算節點、云計算節點以及含廣域網在內的各類網絡資源深度融合在一起，組成新一代信息基礎設施。通過集中控制或者分布式調度方法在云、網、邊之間按需分配和靈活調度計算資源、存儲資源以及網絡資源，能夠為客戶提供適應不同業務特性的包含計算、存儲和連接在內的完整算力服務[3]。

本文首先提出了基于邊云協同的星地融合網絡架構，然后，闡述了邊-端（邊）、邊-云、端-邊-云三種不同邊云協同方式下的資源調度方案，并從時延、能耗和多目標優化的角度分析了不同場景下的資源調度策略。接著，對比了目前星地融合邊云協同網絡架構下資源調度求解模型和算法的優勢和局限性。最后，總結全文并指出了星地融合邊云協同網絡下的資源調度的發展方向。

1 星地融合邊云協同網絡架構

隨著新業務的不斷涌現，衛星網絡僅作為遠程地面數據中心的中繼，無法繼續提供高效的數據處理響應[7-9]。因此，面向6G 的星地融合網絡需要將邊緣計算功能上星，并通過邊云協同實現星地之間計算功能的柔性分割以及資源的優化配置。針對多樣化的業務需求，把全局性、復雜度高、時延要求低的業務放在地面中心網絡平臺上處理；把實時性要求高、計算復雜度低的業務放在衛星網絡平臺上處理[10-11]。

星地融合邊云協同網絡架構如圖2 所示，主要包括終端設備、地面網絡和衛星網絡。終端設備主要是各式傳感器、手機等，具備數據采集功能、任務產生功能，還具有一定的緩存能力和任務處理能力。當任務超過終端設備自身的處理能力時，其通過算力網絡發出請求將任務卸載至星地融合網絡中的邊緣計算或者云計算中心。地面網絡主要包括地面移動通信網、地面本地數據網絡（即邊緣計算網絡）以及地面中心數據網絡（即云計算中心網絡），主要負責任務的處理以及實現用戶和衛星的雙向通信。衛星網絡主要包括高中低軌多種衛星、衛星移動通信網以及衛星本地數據網絡（即星上的邊緣計算網絡），主要負責和地面的通信、任務的處理以及數據的傳輸。

圖2 星地融合邊云協同網絡架構

為了實現星地融合網絡的邊云協同，引入了一個新的網絡功能，即邊云協同功能（ECCF,Edge-Cloud Collaboration Function），用于管理星地融合網絡的全局資源，維護地面和衛星的所有資源信息并生成邊云協同的調度策略，實現邊緣計算資源、云計算資源與移動通信網絡資源的全面感知和協調。星上ECCF用于維護星上資源并同步給地面；同時，星上ECCF接收地面ECCF對星上資源的調度策略[11]。

2 基于邊云協同的資源調度方案

資源調度是指對系統資源進行分配和管理以實現任務的高效執行和資源的優化利用的過程。資源調度方案對時延、帶寬、能耗、負載均衡、安全性以及靈活性等方面有嚴格的要求，單一的終端、邊緣計算以及云計算無法滿足需求，所以多方協同的資源調度方案應運而生。本節主要分析對比地面網絡和星地融合網絡中在終端計算、邊緣計算與云計算間不同協同方式下的資源調度方案。

2.1 基于邊-端（邊）協同的資源調度方案

為了減輕網絡負載和降低網絡延遲，邊緣計算將部分計算任務從中心化的云服務器轉移到用戶終端設備以及靠近用戶的邊緣節點上進行處理。此外，在資源調度方案中引入邊-端（邊）協同計算，能夠解決終端設備計算、存儲、能量等資源受限以及終端設備間干擾的問題，從而提升系統整體的處理能力。

在傳統地面移動通信網絡中，邊-端（邊）協同是指信息、數據或任務在車輛、基站等具備計算能力的邊緣集群和終端設備之間進行協同處理和傳輸，而無需經過中心服務器的一種計算模式，如圖3 所示。為實現邊-端（邊）計算的有效協同，文獻[12]提出了一種新的邊緣資源池框架，利用網絡邊緣節點之間的協同來存儲和共享計算資源；文獻[13]提出了一種基于分層深度強化學習（DRL）的聯合優化算法，該算法能夠顯著降低排隊延遲；文獻[14]一種基于優先級的任務調度算法，該算法能夠更好地測量車聯網數據傳輸和計算時延。

圖3 邊-端（邊）協同模式

隨著物聯網的快速發展，越來越多的用戶終端被布置在地面蜂窩網絡無法覆蓋的偏遠地區。此外，在戰爭、自然災害等應急場景中，地面基礎通信設施遭到破壞，蜂窩網絡難以提供可靠的通信保障和業務支持。而衛星具備廣覆蓋、大容量、高靈活的特點，能夠滿足用戶終端在偏遠地區或應急場景中的計算需求。因此，通過地面網絡和衛星網絡的優勢互補、緊密融合，將提高數據處理能力和資源利用率，有效支撐各類用戶業務的計算需求。

在星地融合網絡邊-端（邊）協同的資源調度方案中，針對衛星高速移動導致的通信中斷問題，文獻[15-16]以最小化時延和能耗成本為目標，提出了基于博弈論的任務卸載方法以優化衛星邊緣計算場景中地面終端的卸載策略。針對多接入邊緣計算，文獻[17-18]分別提出了基于離散粒子群的內容分發策略選擇算法和星地協作網絡中的聯合任務卸載和資源聯合優化算法。針對多層異構的衛星網絡場景，文獻[19]在考慮衛星遠程物聯網的實際信道條件和太陽能攝取轉換的前提下，依靠強化學習方法，解決了高、低軌衛星協同資源劃分和感知數據規劃問題；文獻[20]提出了一種基于深度強化學習的數據壓縮與加密回傳決策方法，實現任務衛星在多層衛星網絡架構中的邊緣決策。

綜上所述，基于邊-端（邊）協同的資源調度旨在有效地管理和調度邊緣節點和終端設備之間的計算、存儲和網絡資源，以提供高效、可靠和低延遲的服務。在傳統地面網絡中，相關研究聚焦于計算框架的構建和調度算法的設計。但由于地面網絡在覆蓋范圍和應用場景的局限性，將邊緣計算功能集成到衛星通信中成為當前亟需解決的問題。在星地融合網絡中，則主要考慮衛星高速移動導致的通信中斷、多接入以及多層異構衛星網絡場景中的計算卸載和資源分配等問題。未來的研究方向將聚焦于如何在終端設備和衛星等邊緣節點之間建立有效的協同決策和異構資源管理機制。

2.2 基于邊-云協同的資源調度方案

基于邊-云協同的資源調度方案是將邊緣計算和云計算相結合，通過智能的資源調度算法和機制，實現邊緣節點和云計算中心之間資源的合理分配和協同工作，以滿足不同應用的需求。

邊-云協同的資源調度架構如圖4 所示：

圖4 邊-云協同的資源調度架構

在傳統地面移動通信網絡中，邊-云協同的資源調度方案主要涵蓋計算服務、存儲服務以及數據處理和安全服務三個方面的研究。在提供計算服務方面，文獻[21]針對任務劃分提出了一種并行組合并行進化算法，以減少計算時間和能耗。在提供存儲服務方面，文獻[22]提出了一種新的邊緣云大數據統一存儲架構，該架構能夠動態存儲數據，以減輕網絡負載壓力，提高邊緣服務效率。在提供數據處理和安全服務方面，文獻[23]提出了一種考慮多權重因素的調度方法，該算法對節點和邊緣節點統一評分排序，然后將任務數據傳輸到得分最高的節點執行任務。

為了提高邊-云協同計算的容災能力，實現更廣泛的計算覆蓋和服務擴展，通過部署星上邊緣計算服務器，將計算任務分發到衛星上進行處理成為當前研究的重點。在星地融合網絡邊-云協同資源調度的研究中，主要關注組網架構、多接入場景以及無人機輔助卸載等方面。在組網架構方面，文獻[24]提出了一種用于邊云協同計算卸載的星地融合架構，該架構能夠有效地降低能耗。在多接入場景方面，文獻[25]針對大規模任務接入場景，提出了一種基于優先級感知的深度確定性策略梯度的任務卸載和資源分配方案，該方案可以有效地提高隨機時變環境下系統的平均利用率。在無人機輔助卸載方面，文獻[26]考慮了一個衛星和無人機輔助的邊云混合計算框架，通過關聯控制、計算任務分配、傳輸功率和帶寬分配、無人機計算資源和部署位置優化的聯合調度，最小化物聯網設備之間的最大計算延遲。

綜上所述，基于邊-云協同的資源調度可以靈活地將任務分配到邊緣設備和云服務器中執行，充分利用邊緣計算和云計算的優勢，提高任務的響應時間和用戶體驗。在傳統地面網絡中，邊-云協同方案對于提高系統計算能力、數據處理速度、數據安全性以及增強存儲功能等方面具有明顯的優勢。在星地融合網絡中，邊-云協同的資源調度方案更關注組網架構、多接入場景以及無人機輔助卸載等方面。未來的研究方向包括邊緣計算與云計算協同優化、動態資源分配與任務調度、星載設備能源管理與節能優化等。

2.3 基于端-邊-云協同的資源調度方案

基于端-邊-云協同的資源調度方案是指將終端設備、邊緣計算和云計算資源進行協同調度和優化，以滿足多樣化的應用需求。端-邊-云協同架構分為集中式（如圖5 所示）和分布式（如圖6 所示）。集中式架構將計算和處理任務集中于云端，數據的采集和傳輸集中于邊緣節點和終端，該架構具有易管理、易于擴展以及易實施等優點；而分布式架構將計算任務分配給云計算、邊緣計算以及終端，以滿足對低延遲、高吞吐量和實時響應的需求。

圖5 端-邊-云協同集中式架構

圖6 端-邊-云協同分布式架構

在傳統地面移動通信網絡中，集中式的端-邊-云協同資源調度系統尋求從負責調度任務的控制中心優化系統效用。文獻[27]提出了一種基于聯邦強化學習的動態調度任務協同策略學習框架，通過在云服務器上為每個任務構建一個中心策略，減少了執行任務的邊緣節點學習策略的時間；文獻[28]提出了一種集中式的啟發式深度神經網絡任務卸載算法，降低了深度學習神經網絡推理延遲。而分布式系統的不同組成部分分布在不同的計算機或網絡節點上，并通過網絡進行通信和協同。文獻[29]提出了在分布式計算系統中引入邊緣子云，利用來自不同層的計算資源，形成一個由云、邊緣和終端設備組成的分布式計算系統。

目前，對于星地融合端-邊-云協同網絡場景中的資源調度方案理論研究相對較少。文獻[30]針對多維資源異構和網絡動態，提出了一種基于人工智能的端-邊-云協作架構，該架構能夠有效降低能耗和端到端排隊延遲；文獻[31]考慮了海上車輛在網絡資源管理中的移動性，包括集成傳輸優化、卸載和具有資源共享海上邊緣集群的主動緩存,提出了一種集成的衛星-海上架構。

綜上所述，在地面網絡端-邊-云協同的資源調度方案中，其系統架構主要采用集中式[27-28]和分布式[29]。在集中式架構中一般采用聚合或者任務卸載的方式[27]，將部分任務交給云計算中心進行處理；分布式架構中一般是對云計算進行劃分成子云[29]進行處理。而在星地融合網絡端-邊-云協同的資源調度方案中，多考慮分布式構架。同時還可以引入無人機布局優化技術來輔助通信與卸載，但存在多無人機布局和軌跡規劃不協調導致的通信中斷問題。未來星地融合網絡端-邊-云協同的資源調度研究將聚焦于時延和能源效率的優化、自適應調度策略、跨層跨域資源調度協同等。

3 資源調度策略

資源調度策略，是指在計算機系統、分布式系統、云計算環境或其他資源管理系統上，用于有效地分配、管理和調度可用資源的方法和規則。這些資源可以包括CPU、內存、存儲、網絡帶寬、虛擬機、容器、任務等。資源調度策略的目標是根據系統的需求、性能指標和策略目標來合理地分配資源，以提高系統的資源利用率、性能、可用性和效率。本節主要從時延、能耗和多目標優化的角度來分析現有不同場景下的資源調度策略。

3.1 以減小時延為目標的資源調度策略

時延對于資源調度方案具有重要的影響，特別是在視頻流處理、在線游戲、實時通信以及大規模數據處理等時延敏感性場景中，時延直接關系到系統的性能和用戶體驗。時延根據形成原因不同可分為傳輸時延、排隊時延等。

傳輸時延主要是指數據從發送端到接收端的傳輸所需的時間。為了減小傳輸時延，文獻[32]提出了一種考慮跳數、沖突延遲和爭用延遲的最優最小權重路由方法，該方法通過在連續時隙中分配信道來最大化活動鏈路的數量，利用逐次凸逼近技術解決了每個時隙的信道分配問題。文獻[33]提出了一種基于聯邦學習的信息時代和宏基站輔助通信方法，該方法通過預測差異化時敏感服務的通信鏈路，以緩解路邊單元的通信壓力。排隊時延是指于網絡擁塞或資源繁忙，在網絡節點或系統中等待處理的數據包在隊列中等待的時間。為了減小排隊時延，文獻[34]提出一種基于深度強化學習的動態資源調度算法，在適應設備異構性和網絡動態性的同時做出最優的資源調度決策。文獻[35]提出了一種在線請求調度和資源供應算法。

目前，在減小傳輸時延和排隊時延的研究中仍存在許多難題，例如：資源調度算法在面對高負載和擁塞情況時，是否能夠準確檢測和處理網絡擁塞，并采取相應的措施；資源調度算法是否能夠有效地分配和調整資源，均衡地分攤工作負載等。

3.2 以降低能耗為目標的資源調度策略

能耗是資源調度策略優化的重要指標之一。在星地融合網絡中，衛星以及大部分終端設備的計算、存儲和通信資源是有限的，因此如何利用一定的資源處理更多的任務尤為重要。在資源調度策略中，調整任務調度策略、提高資源利用率以及選擇合適的資源調度算法對降低能耗均有一定的作用。

在如何通過調整資源調度策略來減少能耗的研究中，文獻[36-37]通過共同優化任務的卸載比例、智能移動設備的CPU 速度、可用信道的分配帶寬和每個智能移動設備在每個時隙的傳輸功率，最大限度地降低智能移動設備和邊緣服務器的總能耗。文獻[38]提出了一種多智能體輔助深度確定性策略梯度算法，減輕多邊緣場景下的干擾，以降低能耗。文獻[39]主要通過交換計算負載，以降低總體能耗。

以上文獻均對降低星地融合網絡的能耗做出了巨大的貢獻。目前，大部分的研究基本都是通過調整任務調度策略來降低能耗，例如：優化任務的卸載分割比、交換計算負載等。目前，通過調整資源調度策略來減小能耗這一研究方向朝著考慮多因素、智能化的方向發展。

3.3 多目標資源調度策略

多目標資源調度策略是一種考慮系統中多個目標或指標并在它們之間進行權衡的調度方法。多目標資源調度策略可以有效平衡系統性能、資源利用效率、能源消耗、成本以及用戶體驗等方面的需求，使系統能夠在復雜多變的環境中保持高效穩定的運行。

目前，多目標資源調度策略研究主要針對能耗、時延、資源利用率、成本以及任務完成截至時間等因素進行聯合優化。由于資源利用率的提高必然會帶來能耗的降低，所以兩者常常會一起優化。文獻[40]通過優化任務卸載的分割比，以提高資源的利用率和降低能耗。文獻[41]提出了一種動態、多工作流卸載和調度、自適應異構的基于最早完成時間的算法，對任務完成時間和成本這兩個因素進行優化。文獻[42]提出了多目標布谷鳥搜索算法，利用外部檔案記錄非支配解，其更新策略通過快速非支配排序和擁擠距離排序來提高解的質量，以降低用戶的執行延遲和能耗。文獻[43]采用多目標多秩調度算法完成任務完成時間、能耗、成本、可靠性以及效率五個指標的優化。

盡管多目標資源調度策略可以完成系統多個方面的優化，但是在研究過程中也會面臨許多問題，例如：多目標優化往往會涉及比較復雜的算法和決策過程以及多個目標在系統中的權衡問題。

4 資源調度求解

隨著網絡中任務和資源規模的增加，資源問題的復雜度將會呈指數性增長。在此驅動下，研究包括調度模型和算法在內的高效任務調度求解技術的重要性也日益凸顯。具體的研究進展在表2 中列出。

表2 資源調度求解技術分類總結

4.1 資源調度模型

資源調度模型是資源調度的重要基礎，其模型關系到問題的描述和算法的設計。本節主要從不同場景下的模型架構和數學模型來闡述資源調度模型。

（1）資源調度模型架構

目前，其模型架構主要分為集中式[27-28,44]和分布式[29,45-46]。集中式架構通常由一個中央控制點或中央服務器來管理和調度資源，從而使得整個系統的資源調度過程集中在一個地方進行。如果中央控制點發生故障，整個系統可能崩潰或無法正常工作。而分布式架構其資源調度的決策通常是分散的，每個節點或子系統可能獨立做出本地的調度決策。所以某個節點或者子系統發生故障并不會對整個系統造成太大的影響。在實際的應用場景中，需要針對各個網絡場景特點及面對的問題，選擇使用集中式或分布式資源調度模型架構。例如，邊-端（邊）協同場景中一般采用分布式架構；邊-云和端-邊-云場景中兩種架構都可以采用。

（2）資源調度數學模型

資源調度的數學模型將資源的管理和分配問題轉換成數學問題，以求滿足特定情況的最優或者次優解，進而選取最優的資源調度方案。資源調度中常見的數學模型一般有：馬爾可夫決策過程[13,34,47-48]、數學規劃模型[41,49-50]、圖論模型[39,51-52]。

4.2 資源調度算法

算法在資源管理中起著關鍵的作用，其主要目的是通過有效的算法設計和優化，能夠合理、高效地分配和利用有限的資源。常用的資源調度算法：機器學習算法[12-13,19-20,22,24,51,53-55]、博弈論算法[15-16,57-58]以及啟發式算法，其中啟發式算法[17,28,36,59-63]又包括貪婪式算法[60-61]和粒子群算法[17,36,62-63]。

資源調度模型和算法的選取應跟問題的復雜性、規模以及性質（如：線性問題、非線性問題以整數規劃問題；靜態還是動態、是否存在緊急性要求）、約束條件、優化目標、實時性要求等因素有關。

5 結束語

為了滿足6G 在智能城市、工業自動化和遠程醫療等應用場景中對低時延、大容量和海量連接的需求，展開對基于邊云協同的星地融合網絡研究具有重要意義。本文首先提出了基于邊云協同的星地融合網絡架構，然后，探討了星地融合邊云協同下的資源調度方案，以及從單一的云計算、邊緣計算逐漸向邊-端（邊）、邊-云以及端-邊-云等多方協同計算發展的趨勢。接著，從時延、能耗和多目標優化的角度分析了當前星地融合邊云協同網絡中的資源調度策略，并對比了現有資源調度求解模型和算法的優勢和局限性。從已有研究進展可以看到，未來星地融合邊云協同網絡下的資源調度將主要聚焦于資源協同分配與任務調度、多目標決策與約束處理、自適應任務調度策略，以及終端設備和衛星等邊緣節點間協同決策與異構資源管理機制等方面。此外，隨著人工智能的快速發展，應積極尋求智能化技術在星地融合邊云協同網絡中的應用，以提供精準的決策支持和智能的優化能力。