Page 338 - 《软件学报》2026年第1期

张其阳 等: 卫星边缘计算智能化技术研究进展 335

减轻了计算负担, 并优化了端到端推理性能和能耗效率. 在混合切分方面, SPINN [46] 则利用基于早退机制的分布式
渐进推理系统, 在高动态环境下实现了鲁棒的 CNN 推理. 该系统采用早期退出策略和 CNN 分离的协同优化方法,
[47]
有效降低了对设备与服务器通信的硬性要求. 此外, Edgent 提出了一个终端设备和边缘服务器协同的深度学习
模型优化框架, 通过离线训练分支网络和在线模型分割点搜索, 有效平衡了模型准确率与推理需求. DeepSlicing [48]
则通过灵活的细粒度计划与高效调度方案, 实现了模型与数据的协作切分, 大幅缩短了计算和推理时间. 然而, 当
前边缘云协同计算的研究在地面应用场景取得了显著进展, 但针对星地协同网络边缘计算的研究却相对有限. 卫
星单节点资源受限, 同时星地网络的通信时间窗口有限且带宽波动较大. 因此, 如何充分利用地面和卫星的特点,
构建高效、灵活的深度学习模型推理框架, 仍是一个亟待解决的关键性课题.
随着卫星通信技术和卫星边缘计算载荷算力的快速发展, 将移动计算服务器部署在卫星节点上已成为研究热
点. 表 6 总结了近年来卫星边缘计算系统方法的比较, 在轨边缘计算架构 (orbital edge computing, OEC) [49] 的提出
突破弯管结构的限制. 通过在卫星节点配置边缘计算能力, 传感数据能够在轨处理, 从而重构计算流程并优化任务
分配. Kodan [50] 系统于 2023 年提出了一种面向单颗卫星的方案. 该系统利用深度学习在轨部署实现了无效卫星图
像的早期丢弃, 显著减少了数据传输量. 同时, Kodan 系统能够根据数据样本动态选择最优模型, 以在计算资源受
限的情况下最大化有价值数据的下行传输. 与 Kodan 不同, Serval [51] 提出了针对固定神经网络模型的星地计算任
务分离方法. 通过利用卫星轨道的可预测性, Serval 能够有效降低高优先级请求的端到端时延. 此外, 北京邮电大
学与天仪研究院联合发射了全球首个云原生卫星 [52] , 并基于此提出了一个面向地球观测任务的星地协同推理系
统, 如图 2 所示. 该系统通过实时推理在轨图像数据, 并在云层覆盖超过 50% 的情况下丢弃低质量的图像数据, 从
而有效缓解了星地传输压力. 案例研究结果表明, 该系统将推理精度提升了 50%, 数据传输量减少了 90%. 然而,
该系统在下传数据过程中仍采用粗粒度处理, 未充分考虑卫星能源消耗和星地通信的带宽等实际挑战, 当前仅完
成了在轨验证. 在处理大型图像方面, 现有方法多依赖缩放策略 [53] 或将图像分块后分别使用 DNN 模型推理 [54] . 尽
管这些研究能够提升图像推理性能, 但可靠性不足且未考虑计算开销. 在太空环境中, 受限的能耗资源是计算的主
要瓶颈. 为此, TargetFuse [55] 提出了一种综合能耗资源和计算资源限制的端到端星地协同推理框架, 旨在进一步提
升模型推理精度和效率.

表 6 卫星边缘计算系统方法比较

已有工作 计算场景 核心思想
OEC [49] 星地 借助地面站位置和轨道特点, 降低数据传输量
Kodan [50] 单星 在轨过滤无效数据, 降低数据传输量
Serval [51] 星地 数据优先级排序, 降低数据传输时延
Tiansuan [52] 星地 借助地面站模型, 提升在轨模型的推理精度
TargetFuse [55] 星地 考虑卫星能耗和计算的限制, 优化星地下传效率, 提升推理精度

卫星

目标检测
Sedna 小模型
LC
Sedna Lib

地面控制中心

Sedna 目标检测 地面站
KubeEdge GM 大模型
控制流
数据流
图 2 基于天算星座的首个星地协同推理系统示意图