利用深度学习网络实现的低轨道航天器边远信息处理卸载

发布时间：2023-08-26 12:46:40 所属栏目：动态来源：

导读：我们需要构建一个边沿计算的多用途星舰来减少系统的功效指标，同时要将用户的删减策略及数据传送通道的配置问题纳入考量。然而，由于卸载决策是二进制变量，上述问题作为混合整数规划问题，通过一般的优化工具无法得

我们需要构建一个边沿计算的多用途星舰来减少系统的功效指标，同时要将用户的删减策略及数据传送通道的配置问题纳入考量。然而，由于卸载决策是二进制变量，上述问题作为混合整数规划问题，通过一般的优化工具无法得到有效解决。

为了解决这些问题，来自哈尔滨工业大学的贾敏教授及其团队在 Electronics 期刊发表的论文中，提出了一种联合卸载决策和带宽分配的低轨卫星边缘计算卸载方法。

研究过程与结果

作者提出了一种基于深度学习通过多个并行的深度神经网络 (DNNs) 生成卸载决策的方法。首先，系统随机初始化 DNNs 的参数并且清空内存，然后系统将用户生成的不同任务的大小作为 DNNs 的输入，然后得到 DNNs 生成相应的卸载决策。然后，系统通过推导出的最优带宽分配方案为每个用户分配带宽，通过得到的卸载决策和为每个用户分配的带宽计算系统的效用函数值。接着，系统从计算得到的系统效用函数值中找到最优的系统效用函数值对应的卸载决策，并将输入的任务大小和相应输出的卸载决策增加到内存中。最后，DNNs 随机从内存中抽取一批数据样本用于训练 DNNs 并且通过梯度下降算法在更新 DNNs 的参数值，以获得接近最优的卸载决策。

最后作者通过实验室中大量的动物实验来验证所提出的联合卸载可视化决策和带宽分配的低轨卫星高精度边缘计算卸载优先级的方法的优越性，包括：收敛性分析，系统效用函数值的对比分析，系统与 DNN 的时间成本分析。仿真结果表明，所提的算法能在较少的训练步数内取得良好的收敛效果，在不同系统参数下，与对比算法相比，得到最优的系统效用函数值，且获得较优异的系统和 DNN 的时间成本。

研究总结

本研究研究了一种在低轨卫星上配备边缘服务器，形成边缘计算低轨卫星的场景，同时，作者考虑多用户多任务场景，提出了一种基于深度学习的卸载算法来获得接近最优的卸载决策，并通过自适应最优带宽分配算法将带宽分配给每个用户，以获得最优的系统效用函数值。作者提出的算法有效地解决了卫星边缘计算中的卸载决策问题和带宽分配问题，具备在卫星边缘计算技术领域中获得广泛应用的价值。

（编辑：聊城站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!