支持MEC的天地一體化網(wǎng)絡(luò)下任務(wù)卸載和資源分配

李曉青 賀占權(quán) 周衛(wèi)彤

1(航天恒星科技有限公司 北京 100095) 2(北京航空航天大學電子信息工程學院 北京 100191)

0 引 言

移動通信技術(shù)已經(jīng)發(fā)展到第五代(5G)，5G網(wǎng)絡(luò)的主要工作頻段為3 000～5 000 MHz，遠遠高于4G網(wǎng)絡(luò)，這導致5G信號在信道中傳播的衰減要更高。5G基站的覆蓋半徑僅為100～300 m左右，這為實現(xiàn)偏遠地區(qū)用戶以及?？罩杏脩舻慕M網(wǎng)覆蓋提出了嚴重挑戰(zhàn)[1]。近年來以小型化、低成本、低延遲和高吞吐量為特點的LEO衛(wèi)星極大地促進了天地一體化網(wǎng)絡(luò)(ISTN)的發(fā)展[2]，ISTN已成為5G時代移動通信系統(tǒng)中一個必不可少的替代方案[3]。

考慮到5G時代偏遠地區(qū)及海、空用戶節(jié)點的組網(wǎng)需求，無法直接通過布置地面基站來完成全域覆蓋，這使得ISTN朝著衛(wèi)星可直連用戶的方向發(fā)展；此外，用戶設(shè)備(User Equipment, UE)側(cè)流量急劇增長，而由于自身資源有限，UE在處理計算密集型和時間敏感型業(yè)務(wù)時能力不足的情況。為此，移動邊緣計算(MEC)技術(shù)應(yīng)運而生，相比于傳統(tǒng)移動云計算(Mobile Cloud Computing，MCC)技術(shù)，MEC技術(shù)可以在更靠近UE側(cè)配置，顯著減少云端處理任務(wù)的時延。相比于傳統(tǒng)蜂窩網(wǎng)絡(luò)架構(gòu)，ISTN架構(gòu)的傳播時延顯著增加，天地鏈路變化頻繁。隨著服務(wù)的增多導致大量數(shù)據(jù)通過鏈路進行傳輸，大大增加了鏈路負載，給ISTN的網(wǎng)絡(luò)架構(gòu)設(shè)計帶來嚴重挑戰(zhàn)。使用MEC技術(shù)[4]，將計算資源從云端分配至邊緣服務(wù)器，能夠極大地改善對用戶的QoS，并且可以有效減少整個ISTN的流量。

在基于MEC的網(wǎng)絡(luò)架構(gòu)中，資源優(yōu)化分配策略是研究熱點。文獻[5]考慮將多個獨立用戶的任務(wù)卸載到一個基站的蜂窩網(wǎng)絡(luò)場景下，抽象為以時延和能量消耗最小化為目標的混合整數(shù)非線性優(yōu)化(Mixed-Integer Nonlinear Programming, MINLP)問題，并設(shè)計了次優(yōu)的算法來獲得最優(yōu)資源分配方案。文獻[6]將擁有多個基站蜂窩網(wǎng)絡(luò)劃分為不同子區(qū)域，通過將多個獨立計算任務(wù)卸載到MEC服務(wù)器或云端，對基站服務(wù)緩存和任務(wù)卸載進行聯(lián)合決策以優(yōu)化時延和能量消耗，基于Lyapunov優(yōu)化和Gibbs采樣對優(yōu)化問題進行求解，提出一種次優(yōu)的服務(wù)存儲策略和任務(wù)卸載方案。文獻[7]探討ISTN場景下應(yīng)用MEC技術(shù)來改善用戶QoS的可行性，提出在近UE側(cè)地面站和遠端核心網(wǎng)地面網(wǎng)關(guān)布置MEC服務(wù)器，并提出一種協(xié)作計算卸載(Cooperative Computation Offloading, CCO)模型來實現(xiàn)天地一體化網(wǎng)絡(luò)中多MEC服務(wù)器并行計算。文獻[8]提出了一種在LEO衛(wèi)星與近UE側(cè)地面站布置MEC服務(wù)器的雙邊緣天地一體化網(wǎng)絡(luò)，并提出基于雙邊緣ISTN中的協(xié)作分流方案，通過分析得出分流效率和能耗的性能。

上述文獻普遍基于在擁有存儲和計算能力的固定基站中配置MEC服務(wù)器，為UE緩存熱點服務(wù)，并將用戶的計算任務(wù)卸載至MEC服務(wù)器，將場景抽象成以服務(wù)緩存和任務(wù)卸載為決策，以最小化時延和能量消耗為目標的優(yōu)化問題，并提出最優(yōu)或次優(yōu)的服務(wù)存儲策略和任務(wù)分流方案。

本文考慮一種在LEO衛(wèi)星上配置MEC服務(wù)器，直接與地面用戶建立天地鏈路的ISTN架構(gòu)，為地面基站無法覆蓋到的區(qū)域提供MEC服務(wù)，大幅度提高偏遠地區(qū)用戶的QoS。基于串聯(lián)排隊理論得出ISTN場景的總時延成本，通過拉格朗日對偶理論和梯度下降法給出了ISTN網(wǎng)絡(luò)的總傳輸時延成本的極小值，并基于模擬退火算法，提出任務(wù)卸載和資源分配聯(lián)合調(diào)度方案，在多項式時間內(nèi)給出近似全局最優(yōu)的ISTN的時延成本。仿真結(jié)果表明本文算法相比于低復(fù)雜度啟發(fā)式算法減少了20%的總時延成本，驗證了ISTN下通過MEC技術(shù)保障地面用戶QoS的可行性和有效性。

1 天地一體化網(wǎng)絡(luò)模型

典型的ISTN包含地面網(wǎng)絡(luò)與空間網(wǎng)絡(luò)，具有規(guī)模龐大、支持的業(yè)務(wù)種類多、拓撲結(jié)構(gòu)呈現(xiàn)立體多層次化和高動態(tài)變化的特點。

1.1 網(wǎng)絡(luò)模型

本文考慮如圖1所示的LEO衛(wèi)星-UE雙層天地一體化網(wǎng)絡(luò)模型，將MEC服務(wù)器部署在LEO衛(wèi)星上，為UE提供任務(wù)卸載服務(wù)。每個時隙內(nèi)由MEC服務(wù)器決策是否為UE提供MEC服務(wù)以及LEO衛(wèi)星為UE分配的帶寬資源。

圖1 ISTN架構(gòu)

定義LEO衛(wèi)星提供的通信能力為衛(wèi)星提供的鏈路總帶寬W(單位為Hz)；提供的計算能力為MEC服務(wù)器中CPU的主頻F(單位為Hz)，MEC服務(wù)器的CPU可以處理用戶卸載至LEO衛(wèi)星的任務(wù)。

對于UE側(cè)，定義UE集合為U={u1,u2,…,ui}，UEui配置主頻為fi的CPU以本地處理計算任務(wù)；ui產(chǎn)生的計算任務(wù)請求的CPU指令周期個數(shù)服從均值為ci(單位為CPU cycles)的負指數(shù)分布；計算任務(wù)的平均大小為di(單位為bits)。在時隙內(nèi)ui上計算任務(wù)的產(chǎn)生是一個速率為λi的泊淞過程，在實際應(yīng)用中，可以通過基于自回歸模型等成熟的需求預(yù)測模型來估計時隙開始時的瞬時需求[10]，使MEC服務(wù)器可以根據(jù)UE端設(shè)備的需求，為UE動態(tài)提供MEC服務(wù)。

傳統(tǒng)的ISTN網(wǎng)絡(luò)架構(gòu)下進行任務(wù)卸載時，衛(wèi)星通過用戶鏈路、饋電鏈路為UE提供與遠端核心網(wǎng)的鏈接，時延較長。本文設(shè)計的ISTN網(wǎng)絡(luò)架構(gòu)下，星上MEC服務(wù)器直接通過用戶鏈路為用戶提供MEC服務(wù)，無須通過饋電鏈路。在此架構(gòu)上初步探究ISTN網(wǎng)絡(luò)針對偏遠地區(qū)用戶及?？罩杏脩舻挠嬎忝芗腿蝿?wù)的服務(wù)能力。

1.2 任務(wù)卸載和資源分配模型

假設(shè)每個UE的等效全向輻射功率(Equivalent Isotropically Radiated Power，EIRP)相同，LEO衛(wèi)星采用正交頻分復(fù)用(Frequency Division Multiple Access，F(xiàn)DMA)的接入方式，當不同用戶共享頻譜資源時不存在相互干擾。

MEC服務(wù)器進行任務(wù)卸載的決策有本地執(zhí)行、完全卸載和部分卸載三種方案。本地執(zhí)行即整個計算任務(wù)在UE本地完成；完全卸載即整個計算任務(wù)由MEC卸載和處理；為了簡化分析，我們不考慮部分卸載的情況。則可定義一個二元決策變量ai={0,1}表示LEO衛(wèi)星上的MEC服務(wù)器是否為UEui提供MEC服務(wù)。其中ai=1表示MEC服務(wù)器為ui提供MEC服務(wù)；ai=0表示ui在本地處理計算任務(wù)，則時隙內(nèi)任務(wù)卸載決策是A={a1,a2,…,ai}。

整個LEO衛(wèi)星可提供的總帶寬為W，單位為bit/s,定義時隙內(nèi)LEO衛(wèi)星帶寬資源分配決策B={b1,b2,…,bi}，其中bi=[0,1]，表示MEC服務(wù)器為ui分配的帶寬占總帶寬比例。因為本地計算的UE不占用頻帶資源，若ai=0，則bi=0，則用戶鏈路通信速率Ri有:

Ri=biW

(1)

由于采用FDMA多址接入技術(shù)，所有UE分配的頻譜資源不超過衛(wèi)星的總通量，則ISTN的頻帶資源約束表示為:

(2)

1.3 時延模型

計算卸載的性能通常以時間延遲和能量消耗作為衡量指標。在ISTN場景下，我們主要關(guān)注MEC服務(wù)器在減小業(yè)務(wù)時延上的能力。ISTN下UE 產(chǎn)生的計算任務(wù)可以在本地執(zhí)行或完全卸載，在本地執(zhí)行時，時延成本是指在UE處執(zhí)行本地計算所花費的時間，在完全卸載時，時延包括傳輸時延、傳播時延、排隊時延和計算時延。

(3)

為了分析ISTN網(wǎng)絡(luò)下計算任務(wù)完全卸載的時延成本，根據(jù)分組交換網(wǎng)絡(luò)思想，可將整個網(wǎng)絡(luò)建模成如圖2所示的串聯(lián)排隊系統(tǒng)。

圖2 串聯(lián)排隊系統(tǒng)

圖2中隊列集Q={Qi|?ai≠0}是獨立的M/D/1/FCFS隊列，Qi表示卸載UE產(chǎn)生計算任務(wù)并上傳LEO衛(wèi)星的過程，Q是一個M/G/1/FCFS隊列，表示MEC服務(wù)器處理計算任務(wù)的過程。隊列Qi的服務(wù)時間ti為用戶ui產(chǎn)生的計算任務(wù)的傳輸時延：

(4)

根據(jù)排隊論的Pollaczek-Khinchin公式和Little定理任務(wù)有隊列Qi的平均停留時間期望Ti為:

(5)

此時隊列遵循穩(wěn)態(tài)約束條件:

(6)

(7)

(8)

根據(jù)Pollaczek-Khinchin公式和Little定理有隊列Q*的平均停留時間期望Ts為:

(9)

其中隊列遵循穩(wěn)態(tài)約束條件:

(10)

實際上，Pollaczek-Khinchin公式的穩(wěn)態(tài)約束條件可理解為計算資源約束。由此，我們定義計算任務(wù)卸載至MEC服務(wù)器處理的時延成本為:

(11)

式中：Tsi(bi)是ui與LEO衛(wèi)星的鏈路傳輸時延;Ts(A)是計算在LEO衛(wèi)星上的平均停留時間;tc表示UE與LEO衛(wèi)星之間的鏈路傳播時延，由于我們忽略不同UE與LEO的距離變化，因此對于每個UE，tc是常數(shù)。

為了分析ISTN下用戶QoS保障的問題，定義ISTN的總時延成本為:

(12)

其表示ISTN網(wǎng)絡(luò)場景下MEC服務(wù)器減小UE時延成本的能力。

1.4 優(yōu)化問題模型

優(yōu)化問題的目標是制定任務(wù)卸載決策A和帶寬資源分配決策B，以最大限度地減少總時延成本T(A,B)。優(yōu)化問題P1的模型為:

(13)

(14)

(15)

(16)

式(14)是計算任務(wù)上傳隊列穩(wěn)定約束條件，代表LEO衛(wèi)星在每個時隙內(nèi)為UE分配的帶寬應(yīng)使計算任務(wù)上傳隊列穩(wěn)定；式(15)是ISTN的帶寬資源約束條件；式(16)是MEC服務(wù)器的M/G/1隊列穩(wěn)態(tài)約束，也可將其理解為MEC服務(wù)器的計算資源上限。

可以很容易地注意到，P1是一個MINLP問題，且優(yōu)化函數(shù)非凸，這使得P1非常難以求解；另一方面，對于整數(shù)規(guī)劃問題，通過窮舉法得出最優(yōu)的任務(wù)卸載決策A的時間復(fù)雜度為O(2N)，這是一個指數(shù)級復(fù)雜度，并且對于每個卸載決策，都需要確定最佳的帶寬分配。 由于算法的復(fù)雜性較高，在實際應(yīng)用中是不可行的。

2 ISTN場景下任務(wù)卸載和資源配置方案

本文基于模擬退火算法和梯度下降法提出一種天地一體化網(wǎng)絡(luò)任務(wù)卸載和資源分配(Satellite-Terrestrial Task Offloading and Resource Allocation，ST-TORA)方案。對于如何求解P1，首先考慮將A和B解耦，選定部分UE進行任務(wù)卸載，確定卸載決策向量A，將原問題松弛并根據(jù)拉格朗日法求解，得到帶寬配置方案B和天地一體化網(wǎng)絡(luò)總時延開銷T(A,B)。然后基于模擬退火算法迭代更新決策變量A直到找到P1的局部最優(yōu)解，將算法的時間復(fù)雜度降為多項式時間。

2.1 資源分配(RA)方案

當MEC服務(wù)器為多個UE提供MEC服務(wù)時，如何有效地將LEO衛(wèi)星有限的帶寬資源分配給卸載UE是本節(jié)要解決的問題。取ki=λidi/Φ，Ki=di/2Φ，隊列Qi的平均服務(wù)時間為：

(17)

式中：ki代表了傳輸隊列Qi穩(wěn)定所需要分配最小帶寬資源比例，當bi

(18)

s.t.bi>ki,?bi≠0

(19)

(20)

定理問題P2在滿足約束條件下是一個凸優(yōu)化問題。

證明式(19)的Hessian矩陣為：

(21)

其中：

(22)

(23)

根據(jù)次梯度法得到拉格朗日乘子的迭代公式為:

[εi(n)-m(bi-ki)]+

(24)

(25)

式中：[x]+=max{0,x}；n表示迭代次數(shù)；m表示迭代步長，應(yīng)取足夠小的正數(shù)。令：

(26)

通過梯度下降法求解帶寬分配的迭代公式為:

(27)

當?shù)介L小于最小迭代步長δ時迭代停止。因此當確定任務(wù)卸載決策A時，資源分配(Resource Allocation，RA)算法描述如算法1所示。

算法1RA 算法

輸入：A,ki,Ki,I,W,F,tc。

輸出：B,T。

初始化m,n,δ,,εi(0),μ(0),bi(0)；

n=n+1;

endwhile

計算T(A,B)；

returnB,T

在任務(wù)卸載場景下，不同的UE業(yè)務(wù)有著不同的計算任務(wù)大小，RA算法可以為計算任務(wù)更大的UE分配更多的帶寬資源，最小化網(wǎng)絡(luò)場景下的傳輸時延成本。

2.2 任務(wù)卸載決策

任務(wù)卸載決策A的求解是一個整數(shù)規(guī)劃問題，由窮舉法尋找A的最優(yōu)解的時間復(fù)雜度為O(2N)，為指數(shù)級復(fù)雜度。可以預(yù)見，MEC服務(wù)器應(yīng)優(yōu)先為業(yè)務(wù)數(shù)據(jù)量更大、請求計算資源更多、計算資源更少的UE提供MEC服務(wù)，這意味著最優(yōu)解附近的解也相對較優(yōu)，適用于整數(shù)規(guī)劃中的模擬退火算法。本文基于模擬退火算法，在多項式時間內(nèi)尋找問題P1的近似全局最優(yōu)值。

首先確定一個滿足約束條件的初始任務(wù)卸載決策A，并通過RA算法得到B和T。之后對任務(wù)卸載決策向量A進行N*次如算法2所示的隨機擾動得到Anew，通過RA算法得到Bnew和Tnew。其中N*為鄰域解空間大小。

算法2disturb 算法

輸入：A,I,W,F。

輸出：Anew。

隨機選取擾動UEi；

chosen=rand；

ifchosen≤0.6

ai=1；

else ifchosen≤0.85 ||A中所有元素相等

隨機選取與UEi卸載決策不同的UEj；

ai=1-ai,aj=1-aj；

else

ai=0；

returnAnew

令Δ=Tnew-T。若Δ<0則接受該結(jié)果；否則將有概率接受這個結(jié)果，概率計算公式為P=exp(Δ/τ),其中τ為當前溫度，初始值設(shè)置為用戶總數(shù)量。更新τnew=ατ，其中α為溫度下降率。然后重新開始迭代，直到溫度τ到達溫度下界τmin，其中τmin設(shè)為一個足夠小的正數(shù)。基于此，本文提出ST-TORA算法如算法3所示。

算法3ST-TORA 算法

輸入：ci,di,λi,fi,I,W,F,tc。

輸出：A,B,T。

[B,T]=RA(A,ki,Ki,I,W,F,tc)；

Whileτ>τmin

fori=1:N*；

Anew=disturb(A,W,F)；

[Bnew,Tnew]=RA(Anew,ki,Ki,I,W,F,tc)；

Δ=Tnew-T,P=exp(Δ/τ)；

ifΔ<0‖P>rand

A=Anew；

B=Bnew；

T=Tnew；

end if

end for

τ=ατ；

end while

returnA,B,T

ST-TORA算法的時間復(fù)雜度取決于鄰域解空間個數(shù)大小以及溫度下降率，對于N位向量A，取N*=τ=N，ST-TORA算法的時間復(fù)雜度為O(NlogN)[12]。相比于窮舉法，ST-TORA算法可在多項式時間內(nèi)趨于全局最優(yōu)。

3 仿 真

在本節(jié)中，通過仿真對本文提出的ST-TORA算法進行驗證，仿真結(jié)果表明了應(yīng)用于天地一體化網(wǎng)絡(luò)場景，在LEO衛(wèi)星上部署MEC服務(wù)器，為UE提供邊緣計算服務(wù)，以保障網(wǎng)絡(luò)QoS的可行性及有效性。

3.1 仿真場景及參數(shù)設(shè)置

考慮由單個LEO衛(wèi)星和UE構(gòu)成的天地一體化網(wǎng)絡(luò)場景，通過在LEO衛(wèi)星部署MEC服務(wù)器為UE提供邊緣計算服務(wù)。其中每個UE的計算任務(wù)數(shù)據(jù)平均大小di，所需CPU轉(zhuǎn)數(shù)ci，UE端CPU計算能力fi以及任務(wù)產(chǎn)生速率λi均隨機生成，其中任務(wù)平均大小di與所需CPU轉(zhuǎn)數(shù)ci呈線性相關(guān)。其中仿真平臺配置為：Intel(R) Core(TM)i5- 4210H CPU @2.90 GHz；8 GB RAM；硬盤1 TB；Windows 10 Education 64位。在MATLAB 2020a環(huán)境下進行仿真，仿真參數(shù)如表1所示。

表1 ISTN場景仿真參數(shù)

3.2 仿真結(jié)果及分析

3.2.1資源分配(RA)算法

圖3所示為相同任務(wù)卸載決策下，本文基于梯度下降法設(shè)計的RA方案與帶寬資源平均分配(Equal Bandwidth，EB)方案下，LEO衛(wèi)星提供邊緣計算的時延成本T與卸載用戶數(shù)量的關(guān)系，其中LEO衛(wèi)星總通量W為1 Gbit/s，MEC服務(wù)器的CPU主頻F為10 GHz。

圖3 卸載時延與卸載UE數(shù)量關(guān)系

可以看出，隨著卸載UE數(shù)量的增多，RA算法按業(yè)務(wù)需求量分配帶寬的優(yōu)勢更加明顯。當任務(wù)卸載決策確定時，計算任務(wù)在MEC服務(wù)器的總停留時間的期望Ts(A)確定，RA算法可動態(tài)地為業(yè)務(wù)需求高的UE分配更高的帶寬資源，避免帶寬資源浪費并最小化總時延成本。

圖4給出了LEO衛(wèi)星總通量W為1 Gbit/s，MEC服務(wù)器的CPU主頻F為10 GHz的場景下，RA算法的平均帶寬利用率與卸載UE數(shù)量的關(guān)系。平均帶寬利用率定義為五十次仿真下帶寬分配向量B中各元素之和的平均值。

圖4 平均帶寬利用率與卸載UE數(shù)量關(guān)系

RA算法的性能由每次迭代的步長m以及拉格朗日乘子εi和μ的初值決定，若步長m過大則可能越過極值點，m過小則算法收斂時間過慢；而拉格朗日乘子會隨著迭代次數(shù)的增加而逐漸收斂。由圖4可以看出，在帶寬利用率保持在0.95以上的同時，RA算法可以很好地逼近目標函數(shù)的極小值。

3.2.2ST-TORA算法

圖5給出ST-TORA算法下3種總通量的LEO衛(wèi)星進行任務(wù)卸載的時延成本與UE總數(shù)量的關(guān)系。MEC服務(wù)器的CPU主頻F設(shè)置為10 GHz。

圖5 不同總通量下時延成本與UE數(shù)量關(guān)系

可以看出天地一體化網(wǎng)絡(luò)場景下時延成本與衛(wèi)星的總通量直接相關(guān)，這是因為衛(wèi)星總通量的增長直接減少計算任務(wù)的傳輸時延，大大保障UE端的QoS。隨著UE數(shù)量的增長，每0.5 Gbit/s的通量增長可為UE側(cè)減少100 ms的傳輸時延。隨著衛(wèi)星通信技術(shù)的不斷進步，超低軌道高通量衛(wèi)星提供的總通量可高達100 Gbit/s級，傳輸時延可縮短至μs級；而相同通量下，LEO衛(wèi)星可提供的覆蓋性遠高于地面基站。

圖6給出了ST-TORA算法下3種計算能力的MEC服務(wù)器進行任務(wù)卸載的UE卸載比例與UE總數(shù)量的關(guān)系。LEO衛(wèi)星提供的總通量W設(shè)置為1 Gbit/s。

可以看出，卸載UE比例是MEC計算能力的一個遞增函數(shù)。由于計算資源約束條件的存在，MEC服務(wù)器的CPU主頻越高，計算任務(wù)在MEC服務(wù)器的總停留時間越短，MEC服務(wù)器可為更多的UE提供服務(wù)。當UE總數(shù)量較少時，天地一體化網(wǎng)絡(luò)中LEO衛(wèi)星可以提供足夠的計算資源和帶寬資源時，所有UE可以將計算任務(wù)上傳至MEC服務(wù)器；隨著UE數(shù)量的增多，由于MEC服務(wù)器的計算資源和LEO衛(wèi)星提供的帶寬資源有限，相同UE總數(shù)量下卸載UE個數(shù)會趨于一個穩(wěn)定值。

圖7 不同算法下時延成本與UE數(shù)量關(guān)系

表2 不同算法收斂時間對比 單位：s

由圖7可以看出，由于為過多的UE提供了MEC計算服務(wù)，LEO衛(wèi)星為每個用戶分配的帶寬資源只能勉強維持傳輸隊列穩(wěn)定，因此本地成本優(yōu)先式算法的性能最差。隨著UE數(shù)量的增多，相比于低復(fù)雜度的Heuristic 算法的時延成本，本文所提ST-TORA 算法的時延成本可降低約20%。兩種算法同樣基于啟發(fā)式算法，但基于模擬退火思想的ST-TORA算法可以跳出局部最優(yōu)解達到全局最優(yōu)解。但由表2可以看出ST-TORA算法的收斂時間要高于Heuristic算法，這是因為模擬退火算法的時間復(fù)雜度受溫度下降率以及溫度下界的直接影響，在本文仿真場景參數(shù)下，為了保證算法在減小時延成本方面的優(yōu)越性，ST-TORA算法的時間復(fù)雜度高于Heuristic算法。

4 結(jié) 語

本文研究支持MEC 的天地一體化網(wǎng)絡(luò)場景下任務(wù)卸載和資源分配聯(lián)合優(yōu)化方案。首先建立了LEO衛(wèi)星(邊緣網(wǎng)絡(luò))-UE的雙層ISTN模型；然后通過排隊論與分組交換網(wǎng)絡(luò)的思想對模型的時延成本進行考察，并最終將降低時延成本的過程抽象為一個MINLP問題，本文將其轉(zhuǎn)為2個子問題進行求解：(1) 為最小化計算任務(wù)卸載至部署了MEC服務(wù)器的LEO衛(wèi)星的傳輸時延成本，基于拉格朗日乘數(shù)法和梯度下降法，為每個UE分配最優(yōu)的帶寬資源。(2) 基于模擬退火算法，降低整數(shù)優(yōu)化的時間復(fù)雜度，尋找到逼近最優(yōu)的聯(lián)合任務(wù)卸載和資源分配方案。仿真結(jié)果表明本文算法能夠更好地滿足天地一體化網(wǎng)絡(luò)下的需求，有效降低其時延成本。下一步的工作考慮引入核心網(wǎng)-LEO-UE三層模型的緩存網(wǎng)絡(luò)場景[14]，進一步優(yōu)化天地一體化網(wǎng)絡(luò)下UE的QoS。