星地融合邊云協(xié)同網(wǎng)絡(luò)下的資源調(diào)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(shù)的飛速發(fā)展，面向6G 的星地融合邊云協(xié)同網(wǎng)絡(luò)作為一種新型的通信架構(gòu)，正在逐漸引起廣泛關(guān)注。星地融合邊云協(xié)同網(wǎng)絡(luò)，通過將衛(wèi)星通信、地面網(wǎng)絡(luò)、邊云協(xié)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(xié)同是指通過將邊緣計算節(jié)點和云端數(shù)據(jù)中心的通信、計算以及存儲等資源整合，以及任務(wù)在邊緣設(shè)備和云端之間的合理分配，實現(xiàn)星地融合網(wǎng)絡(luò)中的邊緣計算和云計算的優(yōu)勢互補[1]。然而，實時任務(wù)和資源分配的失衡將導(dǎo)致系統(tǒng)時延和能耗增大，因此如何在邊緣計算節(jié)點和云計算中心之間調(diào)度網(wǎng)絡(luò)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(xié)同”的方式將邊緣計算和云計算進行彈性擴展以優(yōu)化資源配置。如圖1 所示，邊云多層次協(xié)同指的是將邊緣計算和云計算均劃分為基礎(chǔ)設(shè)施即服務(wù)（IaaS,Infrastructure as a Service）、平臺即服務(wù)（PaaS,Platform as a Service）和軟件即服務(wù)（SaaS,Software as a Service）的多層次結(jié)構(gòu)，通過對等層之間通信實現(xiàn)基礎(chǔ)設(shè)施資源、數(shù)據(jù)、服務(wù)等多方面的協(xié)同。即，將邊緣IaaS 層與云端IaaS 層對接實現(xiàn)基礎(chǔ)設(shè)施資源協(xié)同；邊緣PaaS 層與云端PaaS 層對接實現(xiàn)數(shù)據(jù)協(xié)同、智能協(xié)同、應(yīng)用管理協(xié)同和業(yè)務(wù)管理協(xié)同；邊緣SaaS 層與云端SaaS層對接實現(xiàn)服務(wù)協(xié)同[3]。

具體而言，IaaS 層實現(xiàn)計算、存儲、網(wǎng)絡(luò)等虛擬化基礎(chǔ)設(shè)施資源的協(xié)同。邊緣節(jié)點具備本地資源管理能力，并與云端協(xié)同接受并執(zhí)行中心云節(jié)點的資源調(diào)度管理策略，主要涉及網(wǎng)絡(luò)連接管理、設(shè)備管理、基礎(chǔ)資源管理等方面的策略。目前在基礎(chǔ)資源協(xié)同方面已經(jīng)有了成熟的解決方案，即在宏觀層面實現(xiàn)按需部署、調(diào)度基礎(chǔ)設(shè)施資源，在微觀層面配置邊云之間資源協(xié)同的具體策略。

PaaS 層主要實現(xiàn)邊云之間的數(shù)據(jù)協(xié)同，使數(shù)據(jù)在邊緣和云中心之間有序、可控地流動。通過建立完整的數(shù)據(jù)流轉(zhuǎn)路徑，對數(shù)據(jù)進行全生命周期的管理與挖掘。數(shù)據(jù)層面的協(xié)同主要通過數(shù)據(jù)處理機制實現(xiàn)。在邊云協(xié)同系統(tǒng)中，邊緣端負責數(shù)據(jù)的采集、存儲，同時對隱私數(shù)據(jù)進行加密處理，再將結(jié)果上傳到云端，通過云端實現(xiàn)海量數(shù)據(jù)的分析、決策。

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

表1 為邊云多層次協(xié)同架構(gòu)中的關(guān)鍵技術(shù)。

表1 邊云多層次協(xié)同架構(gòu)中的關(guān)鍵技術(shù)

目前，邊云協(xié)同領(lǐng)域主要面臨如下幾個方面的挑戰(zhàn)：1）在資源協(xié)同方面，存在著設(shè)備異構(gòu)、資源受限、邊-云通信復(fù)雜等問題；2）在應(yīng)用協(xié)同方面，存在著邊緣物理節(jié)點分散導(dǎo)致的部署困難、計算場景復(fù)雜導(dǎo)致的應(yīng)用分發(fā)困難、邊云計算場景下的應(yīng)用管理困難等問題；3）在服務(wù)協(xié)同方面，存在著數(shù)據(jù)存儲困難、實時性難以保證、應(yīng)用接入不規(guī)范導(dǎo)致的統(tǒng)一管理困難、服務(wù)協(xié)同下的運維困難[6]等問題。為了解決這些問題，“算力網(wǎng)絡(luò)”被引入到傳統(tǒng)邊云協(xié)同方案中，即利用云網(wǎng)融合、軟件定義網(wǎng)絡(luò)（SDN,Software Defined Network）以及網(wǎng)絡(luò)功能虛擬化（NFV,Network Functions Virtualization）等新型網(wǎng)絡(luò)技術(shù)，將邊緣計算節(jié)點、云計算節(jié)點以及含廣域網(wǎng)在內(nèi)的各類網(wǎng)絡(luò)資源深度融合在一起，組成新一代信息基礎(chǔ)設(shè)施。通過集中控制或者分布式調(diào)度方法在云、網(wǎng)、邊之間按需分配和靈活調(diào)度計算資源、存儲資源以及網(wǎng)絡(luò)資源，能夠為客戶提供適應(yīng)不同業(yè)務(wù)特性的包含計算、存儲和連接在內(nèi)的完整算力服務(wù)[3]。

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

1 星地融合邊云協(xié)同網(wǎng)絡(luò)架構(gòu)

隨著新業(yè)務(wù)的不斷涌現(xiàn)，衛(wèi)星網(wǎng)絡(luò)僅作為遠程地面數(shù)據(jù)中心的中繼，無法繼續(xù)提供高效的數(shù)據(jù)處理響應(yīng)[7-9]。因此，面向6G 的星地融合網(wǎng)絡(luò)需要將邊緣計算功能上星，并通過邊云協(xié)同實現(xiàn)星地之間計算功能的柔性分割以及資源的優(yōu)化配置。針對多樣化的業(yè)務(wù)需求，把全局性、復(fù)雜度高、時延要求低的業(yè)務(wù)放在地面中心網(wǎng)絡(luò)平臺上處理；把實時性要求高、計算復(fù)雜度低的業(yè)務(wù)放在衛(wèi)星網(wǎng)絡(luò)平臺上處理[10-11]。

星地融合邊云協(xié)同網(wǎng)絡(luò)架構(gòu)如圖2 所示，主要包括終端設(shè)備、地面網(wǎng)絡(luò)和衛(wèi)星網(wǎng)絡(luò)。終端設(shè)備主要是各式傳感器、手機等，具備數(shù)據(jù)采集功能、任務(wù)產(chǎn)生功能，還具有一定的緩存能力和任務(wù)處理能力。當任務(wù)超過終端設(shè)備自身的處理能力時，其通過算力網(wǎng)絡(luò)發(fā)出請求將任務(wù)卸載至星地融合網(wǎng)絡(luò)中的邊緣計算或者云計算中心。地面網(wǎng)絡(luò)主要包括地面移動通信網(wǎng)、地面本地數(shù)據(jù)網(wǎng)絡(luò)（即邊緣計算網(wǎng)絡(luò)）以及地面中心數(shù)據(jù)網(wǎng)絡(luò)（即云計算中心網(wǎng)絡(luò)），主要負責任務(wù)的處理以及實現(xiàn)用戶和衛(wèi)星的雙向通信。衛(wèi)星網(wǎng)絡(luò)主要包括高中低軌多種衛(wèi)星、衛(wèi)星移動通信網(wǎng)以及衛(wèi)星本地數(shù)據(jù)網(wǎng)絡(luò)（即星上的邊緣計算網(wǎng)絡(luò)），主要負責和地面的通信、任務(wù)的處理以及數(shù)據(jù)的傳輸。

圖2 星地融合邊云協(xié)同網(wǎng)絡(luò)架構(gòu)

為了實現(xiàn)星地融合網(wǎng)絡(luò)的邊云協(xié)同，引入了一個新的網(wǎng)絡(luò)功能，即邊云協(xié)同功能（ECCF,Edge-Cloud Collaboration Function），用于管理星地融合網(wǎng)絡(luò)的全局資源，維護地面和衛(wèi)星的所有資源信息并生成邊云協(xié)同的調(diào)度策略，實現(xiàn)邊緣計算資源、云計算資源與移動通信網(wǎng)絡(luò)資源的全面感知和協(xié)調(diào)。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(diào)度策略[11]。

2 基于邊云協(xié)同的資源調(diào)度方案

資源調(diào)度是指對系統(tǒng)資源進行分配和管理以實現(xiàn)任務(wù)的高效執(zhí)行和資源的優(yōu)化利用的過程。資源調(diào)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(xié)同的資源調(diào)度方案應(yīng)運而生。本節(jié)主要分析對比地面網(wǎng)絡(luò)和星地融合網(wǎng)絡(luò)中在終端計算、邊緣計算與云計算間不同協(xié)同方式下的資源調(diào)度方案。

2.1 基于邊-端（邊）協(xié)同的資源調(diào)度方案

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

在傳統(tǒng)地面移動通信網(wǎng)絡(luò)中，邊-端（邊）協(xié)同是指信息、數(shù)據(jù)或任務(wù)在車輛、基站等具備計算能力的邊緣集群和終端設(shè)備之間進行協(xié)同處理和傳輸，而無需經(jīng)過中心服務(wù)器的一種計算模式，如圖3 所示。為實現(xiàn)邊-端（邊）計算的有效協(xié)同，文獻[12]提出了一種新的邊緣資源池框架，利用網(wǎng)絡(luò)邊緣節(jié)點之間的協(xié)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(lián)合優(yōu)化算法，該算法能夠顯著降低排隊延遲；文獻[14]一種基于優(yōu)先級的任務(wù)調(diào)度算法，該算法能夠更好地測量車聯(lián)網(wǎng)數(shù)據(jù)傳輸和計算時延。

圖3 邊-端（邊）協(xié)同模式

隨著物聯(lián)網(wǎng)的快速發(fā)展，越來越多的用戶終端被布置在地面蜂窩網(wǎng)絡(luò)無法覆蓋的偏遠地區(qū)。此外，在戰(zhàn)爭、自然災(zāi)害等應(yīng)急場景中，地面基礎(chǔ)通信設(shè)施遭到破壞，蜂窩網(wǎng)絡(luò)難以提供可靠的通信保障和業(yè)務(wù)支持。而衛(wèi)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(qū)或應(yīng)急場景中的計算需求。因此，通過地面網(wǎng)絡(luò)和衛(wèi)星網(wǎng)絡(luò)的優(yōu)勢互補、緊密融合，將提高數(shù)據(jù)處理能力和資源利用率，有效支撐各類用戶業(yè)務(wù)的計算需求。

在星地融合網(wǎng)絡(luò)邊-端（邊）協(xié)同的資源調(diào)度方案中，針對衛(wèi)星高速移動導(dǎo)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(wù)卸載方法以優(yōu)化衛(wèi)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(nèi)容分發(fā)策略選擇算法和星地協(xié)作網(wǎng)絡(luò)中的聯(lián)合任務(wù)卸載和資源聯(lián)合優(yōu)化算法。針對多層異構(gòu)的衛(wèi)星網(wǎng)絡(luò)場景，文獻[19]在考慮衛(wèi)星遠程物聯(lián)網(wǎng)的實際信道條件和太陽能攝取轉(zhuǎn)換的前提下，依靠強化學習方法，解決了高、低軌衛(wèi)星協(xié)同資源劃分和感知數(shù)據(jù)規(guī)劃問題；文獻[20]提出了一種基于深度強化學習的數(shù)據(jù)壓縮與加密回傳決策方法，實現(xiàn)任務(wù)衛(wèi)星在多層衛(wèi)星網(wǎng)絡(luò)架構(gòu)中的邊緣決策。

綜上所述，基于邊-端（邊）協(xié)同的資源調(diào)度旨在有效地管理和調(diào)度邊緣節(jié)點和終端設(shè)備之間的計算、存儲和網(wǎng)絡(luò)資源，以提供高效、可靠和低延遲的服務(wù)。在傳統(tǒng)地面網(wǎng)絡(luò)中，相關(guān)研究聚焦于計算框架的構(gòu)建和調(diào)度算法的設(shè)計。但由于地面網(wǎng)絡(luò)在覆蓋范圍和應(yīng)用場景的局限性，將邊緣計算功能集成到衛(wèi)星通信中成為當前亟需解決的問題。在星地融合網(wǎng)絡(luò)中，則主要考慮衛(wèi)星高速移動導(dǎo)致的通信中斷、多接入以及多層異構(gòu)衛(wèi)星網(wǎng)絡(luò)場景中的計算卸載和資源分配等問題。未來的研究方向?qū)⒕劢褂谌绾卧诮K端設(shè)備和衛(wèi)星等邊緣節(jié)點之間建立有效的協(xié)同決策和異構(gòu)資源管理機制。

2.2 基于邊-云協(xié)同的資源調(diào)度方案

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

邊-云協(xié)同的資源調(diào)度架構(gòu)如圖4 所示：

圖4 邊-云協(xié)同的資源調(diào)度架構(gòu)

在傳統(tǒng)地面移動通信網(wǎng)絡(luò)中，邊-云協(xié)同的資源調(diào)度方案主要涵蓋計算服務(wù)、存儲服務(wù)以及數(shù)據(jù)處理和安全服務(wù)三個方面的研究。在提供計算服務(wù)方面，文獻[21]針對任務(wù)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(wù)方面，文獻[22]提出了一種新的邊緣云大數(shù)據(jù)統(tǒng)一存儲架構(gòu)，該架構(gòu)能夠動態(tài)存儲數(shù)據(jù)，以減輕網(wǎng)絡(luò)負載壓力，提高邊緣服務(wù)效率。在提供數(shù)據(jù)處理和安全服務(wù)方面，文獻[23]提出了一種考慮多權(quán)重因素的調(diào)度方法，該算法對節(jié)點和邊緣節(jié)點統(tǒng)一評分排序，然后將任務(wù)數(shù)據(jù)傳輸?shù)降梅肿罡叩墓?jié)點執(zhí)行任務(wù)。

為了提高邊-云協(xié)同計算的容災(zāi)能力，實現(xiàn)更廣泛的計算覆蓋和服務(wù)擴展，通過部署星上邊緣計算服務(wù)器，將計算任務(wù)分發(fā)到衛(wèi)星上進行處理成為當前研究的重點。在星地融合網(wǎng)絡(luò)邊-云協(xié)同資源調(diào)度的研究中，主要關(guān)注組網(wǎng)架構(gòu)、多接入場景以及無人機輔助卸載等方面。在組網(wǎng)架構(gòu)方面，文獻[24]提出了一種用于邊云協(xié)同計算卸載的星地融合架構(gòu)，該架構(gòu)能夠有效地降低能耗。在多接入場景方面，文獻[25]針對大規(guī)模任務(wù)接入場景，提出了一種基于優(yōu)先級感知的深度確定性策略梯度的任務(wù)卸載和資源分配方案，該方案可以有效地提高隨機時變環(huán)境下系統(tǒng)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(wèi)星和無人機輔助的邊云混合計算框架，通過關(guān)聯(lián)控制、計算任務(wù)分配、傳輸功率和帶寬分配、無人機計算資源和部署位置優(yōu)化的聯(lián)合調(diào)度，最小化物聯(lián)網(wǎng)設(shè)備之間的最大計算延遲。

綜上所述，基于邊-云協(xié)同的資源調(diào)度可以靈活地將任務(wù)分配到邊緣設(shè)備和云服務(wù)器中執(zhí)行，充分利用邊緣計算和云計算的優(yōu)勢，提高任務(wù)的響應(yīng)時間和用戶體驗。在傳統(tǒng)地面網(wǎng)絡(luò)中，邊-云協(xié)同方案對于提高系統(tǒng)計算能力、數(shù)據(jù)處理速度、數(shù)據(jù)安全性以及增強存儲功能等方面具有明顯的優(yōu)勢。在星地融合網(wǎng)絡(luò)中，邊-云協(xié)同的資源調(diào)度方案更關(guān)注組網(wǎng)架構(gòu)、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(xié)同優(yōu)化、動態(tài)資源分配與任務(wù)調(diào)度、星載設(shè)備能源管理與節(jié)能優(yōu)化等。

2.3 基于端-邊-云協(xié)同的資源調(diào)度方案

基于端-邊-云協(xié)同的資源調(diào)度方案是指將終端設(shè)備、邊緣計算和云計算資源進行協(xié)同調(diào)度和優(yōu)化，以滿足多樣化的應(yīng)用需求。端-邊-云協(xié)同架構(gòu)分為集中式（如圖5 所示）和分布式（如圖6 所示）。集中式架構(gòu)將計算和處理任務(wù)集中于云端，數(shù)據(jù)的采集和傳輸集中于邊緣節(jié)點和終端，該架構(gòu)具有易管理、易于擴展以及易實施等優(yōu)點；而分布式架構(gòu)將計算任務(wù)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(yīng)的需求。

圖5 端-邊-云協(xié)同集中式架構(gòu)

圖6 端-邊-云協(xié)同分布式架構(gòu)

在傳統(tǒng)地面移動通信網(wǎng)絡(luò)中，集中式的端-邊-云協(xié)同資源調(diào)度系統(tǒng)尋求從負責調(diào)度任務(wù)的控制中心優(yōu)化系統(tǒng)效用。文獻[27]提出了一種基于聯(lián)邦強化學習的動態(tài)調(diào)度任務(wù)協(xié)同策略學習框架，通過在云服務(wù)器上為每個任務(wù)構(gòu)建一個中心策略，減少了執(zhí)行任務(wù)的邊緣節(jié)點學習策略的時間；文獻[28]提出了一種集中式的啟發(fā)式深度神經(jīng)網(wǎng)絡(luò)任務(wù)卸載算法，降低了深度學習神經(jīng)網(wǎng)絡(luò)推理延遲。而分布式系統(tǒng)的不同組成部分分布在不同的計算機或網(wǎng)絡(luò)節(jié)點上，并通過網(wǎng)絡(luò)進行通信和協(xié)同。文獻[29]提出了在分布式計算系統(tǒng)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(shè)備組成的分布式計算系統(tǒng)。

目前，對于星地融合端-邊-云協(xié)同網(wǎng)絡(luò)場景中的資源調(diào)度方案理論研究相對較少。文獻[30]針對多維資源異構(gòu)和網(wǎng)絡(luò)動態(tài)，提出了一種基于人工智能的端-邊-云協(xié)作架構(gòu)，該架構(gòu)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(wǎng)絡(luò)資源管理中的移動性，包括集成傳輸優(yōu)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(wèi)星-海上架構(gòu)。

綜上所述，在地面網(wǎng)絡(luò)端-邊-云協(xié)同的資源調(diào)度方案中，其系統(tǒng)架構(gòu)主要采用集中式[27-28]和分布式[29]。在集中式架構(gòu)中一般采用聚合或者任務(wù)卸載的方式[27]，將部分任務(wù)交給云計算中心進行處理；分布式架構(gòu)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(wǎng)絡(luò)端-邊-云協(xié)同的資源調(diào)度方案中，多考慮分布式構(gòu)架。同時還可以引入無人機布局優(yōu)化技術(shù)來輔助通信與卸載，但存在多無人機布局和軌跡規(guī)劃不協(xié)調(diào)導(dǎo)致的通信中斷問題。未來星地融合網(wǎng)絡(luò)端-邊-云協(xié)同的資源調(diào)度研究將聚焦于時延和能源效率的優(yōu)化、自適應(yīng)調(diào)度策略、跨層跨域資源調(diào)度協(xié)同等。

3 資源調(diào)度策略

資源調(diào)度策略，是指在計算機系統(tǒng)、分布式系統(tǒng)、云計算環(huán)境或其他資源管理系統(tǒng)上，用于有效地分配、管理和調(diào)度可用資源的方法和規(guī)則。這些資源可以包括CPU、內(nèi)存、存儲、網(wǎng)絡(luò)帶寬、虛擬機、容器、任務(wù)等。資源調(diào)度策略的目標是根據(jù)系統(tǒng)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(tǒng)的資源利用率、性能、可用性和效率。本節(jié)主要從時延、能耗和多目標優(yōu)化的角度來分析現(xiàn)有不同場景下的資源調(diào)度策略。

3.1 以減小時延為目標的資源調(diào)度策略

時延對于資源調(diào)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(guī)模數(shù)據(jù)處理等時延敏感性場景中，時延直接關(guān)系到系統(tǒng)的性能和用戶體驗。時延根據(jù)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(shù)據(jù)從發(fā)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(shù)、沖突延遲和爭用延遲的最優(yōu)最小權(quán)重路由方法，該方法通過在連續(xù)時隙中分配信道來最大化活動鏈路的數(shù)量，利用逐次凸逼近技術(shù)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(lián)邦學習的信息時代和宏基站輔助通信方法，該方法通過預(yù)測差異化時敏感服務(wù)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(wǎng)絡(luò)擁塞或資源繁忙，在網(wǎng)絡(luò)節(jié)點或系統(tǒng)中等待處理的數(shù)據(jù)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(tài)資源調(diào)度算法，在適應(yīng)設(shè)備異構(gòu)性和網(wǎng)絡(luò)動態(tài)性的同時做出最優(yōu)的資源調(diào)度決策。文獻[35]提出了一種在線請求調(diào)度和資源供應(yīng)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(diào)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(wǎng)絡(luò)擁塞，并采取相應(yīng)的措施；資源調(diào)度算法是否能夠有效地分配和調(diào)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(diào)度策略

能耗是資源調(diào)度策略優(yōu)化的重要指標之一。在星地融合網(wǎng)絡(luò)中，衛(wèi)星以及大部分終端設(shè)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(wù)尤為重要。在資源調(diào)度策略中，調(diào)整任務(wù)調(diào)度策略、提高資源利用率以及選擇合適的資源調(diào)度算法對降低能耗均有一定的作用。

在如何通過調(diào)整資源調(diào)度策略來減少能耗的研究中，文獻[36-37]通過共同優(yōu)化任務(wù)的卸載比例、智能移動設(shè)備的CPU 速度、可用信道的分配帶寬和每個智能移動設(shè)備在每個時隙的傳輸功率，最大限度地降低智能移動設(shè)備和邊緣服務(wù)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(wǎng)絡(luò)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(diào)整任務(wù)調(diào)度策略來降低能耗，例如：優(yōu)化任務(wù)的卸載分割比、交換計算負載等。目前，通過調(diào)整資源調(diào)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(fā)展。

3.3 多目標資源調(diào)度策略

多目標資源調(diào)度策略是一種考慮系統(tǒng)中多個目標或指標并在它們之間進行權(quán)衡的調(diào)度方法。多目標資源調(diào)度策略可以有效平衡系統(tǒng)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(tǒng)能夠在復(fù)雜多變的環(huán)境中保持高效穩(wěn)定的運行。

目前，多目標資源調(diào)度策略研究主要針對能耗、時延、資源利用率、成本以及任務(wù)完成截至時間等因素進行聯(lián)合優(yōu)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(yōu)化。文獻[40]通過優(yōu)化任務(wù)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(tài)、多工作流卸載和調(diào)度、自適應(yīng)異構(gòu)的基于最早完成時間的算法，對任務(wù)完成時間和成本這兩個因素進行優(yōu)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(zhì)量，以降低用戶的執(zhí)行延遲和能耗。文獻[43]采用多目標多秩調(diào)度算法完成任務(wù)完成時間、能耗、成本、可靠性以及效率五個指標的優(yōu)化。

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

4 資源調(diào)度求解

隨著網(wǎng)絡(luò)中任務(wù)和資源規(guī)模的增加，資源問題的復(fù)雜度將會呈指數(shù)性增長。在此驅(qū)動下，研究包括調(diào)度模型和算法在內(nèi)的高效任務(wù)調(diào)度求解技術(shù)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(diào)度求解技術(shù)分類總結(jié)

4.1 資源調(diào)度模型

資源調(diào)度模型是資源調(diào)度的重要基礎(chǔ)，其模型關(guān)系到問題的描述和算法的設(shè)計。本節(jié)主要從不同場景下的模型架構(gòu)和數(shù)學模型來闡述資源調(diào)度模型。

（1）資源調(diào)度模型架構(gòu)

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

（2）資源調(diào)度數(shù)學模型

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

4.2 資源調(diào)度算法

算法在資源管理中起著關(guān)鍵的作用，其主要目的是通過有效的算法設(shè)計和優(yōu)化，能夠合理、高效地分配和利用有限的資源。常用的資源調(diào)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(fā)式算法，其中啟發(fā)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(diào)度模型和算法的選取應(yīng)跟問題的復(fù)雜性、規(guī)模以及性質(zhì)（如：線性問題、非線性問題以整數(shù)規(guī)劃問題；靜態(tài)還是動態(tài)、是否存在緊急性要求）、約束條件、優(yōu)化目標、實時性要求等因素有關(guān)。

5 結(jié)束語

為了滿足6G 在智能城市、工業(yè)自動化和遠程醫(yī)療等應(yīng)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(xié)同的星地融合網(wǎng)絡(luò)研究具有重要意義。本文首先提出了基于邊云協(xié)同的星地融合網(wǎng)絡(luò)架構(gòu)，然后，探討了星地融合邊云協(xié)同下的資源調(diào)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(xié)同計算發(fā)展的趨勢。接著，從時延、能耗和多目標優(yōu)化的角度分析了當前星地融合邊云協(xié)同網(wǎng)絡(luò)中的資源調(diào)度策略，并對比了現(xiàn)有資源調(diào)度求解模型和算法的優(yōu)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(xié)同網(wǎng)絡(luò)下的資源調(diào)度將主要聚焦于資源協(xié)同分配與任務(wù)調(diào)度、多目標決策與約束處理、自適應(yīng)任務(wù)調(diào)度策略，以及終端設(shè)備和衛(wèi)星等邊緣節(jié)點間協(xié)同決策與異構(gòu)資源管理機制等方面。此外，隨著人工智能的快速發(fā)展，應(yīng)積極尋求智能化技術(shù)在星地融合邊云協(xié)同網(wǎng)絡(luò)中的應(yīng)用，以提供精準的決策支持和智能的優(yōu)化能力。