卫星边缘计算网络中基于深度强化学习的依赖性任务卸载方法

摘要

卫星边缘计算作为地面边缘计算的延伸，通过在低地球轨道(Low Earth Orbit, LEO)卫星上部署边缘服务器并利用卫星网络的广覆盖优势，有效满足了广域服务需求.然而，由于计算和存储等资源的有限，LEO卫星难以应对大规模用户的复杂多样任务卸载需求，特别是具有依赖关系的任务卸载进一步增加了策略制定的难度.因此，如何有效利用LEO卫星资源为用户提供高效的任务卸载服务成为亟待解决的关键问题.为此，本文针对卫星边缘计算网络中具有依赖关系的任务卸载问题，提出了一种基于深度强化学习的依赖任务卸载方法(DTO-DRL),旨在通过最大限度减少任务卸载的时延和能耗来实现卸载成本最小化.该方法通过图神经网络学习任务依赖特征，并结合多智能体近端策略优化实现依赖任务的自适应卸载.实验结果表明，DTO-DRL方法相比于MAPPO、PPO、MADRL和Random等基线方法，平均时延降低约43%,能耗降低约21%.

关键词

卫星边缘计算 / 任务卸载 / 依赖关系 / 深度强化学习 / 多智能体

基金资助

国家自然科学基金项目(62472232,62402233,61972210,62102195,62272243,62202237,U24A20248)资助; 江苏省自然科学基金项目(BK20230351)资助; 南京邮电大学引进人才自然科学研究启动基金项目(NY222018)资助