Page 340 - 《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 337

任务处理

任务协同处理

任务处理

数据中心 用户终端
地面站
任务处理
计算任务分发至数据中心
计算任务卸载到卫星网络
计算任务卸载到地面网络
计算任务分发至协同节点 地面网络
图 4 卫星任务调度与规划示意图

(1) 分层协同任务调度
针对不同计算需求 (如对时延、吞吐量、能耗和带宽等), 需综合考虑用户终端、卫星边缘计算节点与地面站
数据中心的资源特性, 优化多层协同任务调度. 该过程通常包含以下 4 个阶段: (a) 终端用户与连接的卫星边缘计
算节点交互, 获取网络状态信息 (如链路状态信息、数据队列信息) 并提交任务请求; (b) 卫星边缘计算节点根据其
剩余计算资源和队列情况反馈处理能力; (c) 终端用户依据自身计算需求 (如低时延) 评估不同任务分配调度方案
的性能, 选取最优方案; (d) 其他计算节点 (卫星边缘计算节点或地面数据中心) 处理任务并返回结果, 最终由终端
用户汇总完成任务.
目前的卫星在轨任务规划模型包括约束规划模型、图模型、背包模型、整数线性规划模型和状态-动作模型
等 [64] . 由于卫星调度属于 NP-hard 问题, 小规模问题可通过精确策略方法求解. 例如, Cao 等人 [65] 针对低轨卫星场
景, 提出了一种将物联网设备任务卸载至基站或低轨卫星的方案, 从而最大化节能. Zhu 等人 [66] 构建了一个 3 层计
算框架 (物联网设备-基站-中心云), 通过卫星将任务卸载至云端处理以降低总延迟. 庞中华等人 [67] 基于高低轨卫
星协同管控模式, 建立任务分配模型并设计了求解算法. Li 等人 [68] 通过启发式算法优化地观测收益与卫星能耗间
的平衡. Zhang 等人 [69] 设计了卫星对等卸载方案, 提高服务质量和资源利用率. Chen 等人 [70] 提出了多层混合并行
计算架构, 集成本地、边缘和云计算, 提升任务处理性能. 然而, 随着问题规模扩大, 传统静态或预定义优化方法难
以适应复杂动态场景. 因此, 研究者逐渐引入智能优化方法, 例如禁忌搜索算法与深度强化学习等方法 [71,72] .
Cheng 等人 [73] 提出了一种天空地一体化网络, 旨在最小化总延迟. Qin 等人 [74] 设计了一个 3 层卸载架构 (物联网设
备-卫星-中心云), 通过联合优化传输功率分配和卫星边缘计算资源, 最大限度地降低了延迟和能耗. 这些方法虽显
著提升了调度效率, 但也因动作空间复杂度的增加而面临新的挑战.
(2) 多星协同任务调度
单颗卫星的资源通常有限, 不同卫星间的资源特性也存在差异. 通过多星协同调度可高效利用资源, 优化任务
处理性能. 在低轨卫星网络场景中, 当单卫星节点资源不足时, 多星协同调度能够实现任务的分布式分配与全局优
化. 其调度过程一般包含以下 3 个阶段. (a) 本地卫星边缘节点接收任务请求, 并与相邻卫星节点交互本地信息 (如
任务队列长度、执行时间和能耗成本等). (b) 本地节点根据资源情况判断是否满足任务需求: 若资源足够则本地
处理; 否则请求相邻卫星节点协同计算. 相邻卫星节点根据计算能力与资源状态判断是否参与协同计算, 并反馈状
态信息. 若整个卫星网络无法满足需求, 则任务被卸载到地面数据中心进行远程处理. (c) 相邻卫星边缘节点完成
任务后将结果反馈到本地节点, 最终完成任务.