CN116366133B - 基于低轨卫星边缘计算的卸载方法及装置 - Google Patents
基于低轨卫星边缘计算的卸载方法及装置 Download PDFInfo
- Publication number
- CN116366133B CN116366133B CN202310359205.8A CN202310359205A CN116366133B CN 116366133 B CN116366133 B CN 116366133B CN 202310359205 A CN202310359205 A CN 202310359205A CN 116366133 B CN116366133 B CN 116366133B
- Authority
- CN
- China
- Prior art keywords
- satellite
- time
- time delay
- inter
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000005540 biological transmission Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000001934 delay Effects 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/1851—Systems using a satellite or space-based relay
- H04B7/18513—Transmission in a satellite or space-based system
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/1851—Systems using a satellite or space-based relay
- H04B7/18519—Operations control, administration or maintenance
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
- H04W28/0236—Traffic management, e.g. flow control or congestion control based on communication conditions radio quality, e.g. interference, losses or delay
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本申请公开一种基于低轨卫星边缘计算的卸载方法及装置,方法包括:S1、在高轨卫星上部署完成训练和验证的预测模型,预测模型利用输入数据集划分的训练集和测试集进行训练和验证,输入数据集由时延历史数据进行处理得到,时延历史数据包括连续的若干时间单位的星间星地拓扑关系、星地时延和星间时延;S2、利用预测模型预测下一时间单位的时延未来数据,时延未来数据包括星间星地拓扑关系、星地时延和星间时延;S3、利用时延未来数据计算获取下一时间单位内各终端的时延最低的卸载任务传输链路作为真实传输链路;S4、将下一时间单位的真实时延数据更新至时延历史数据;重复步骤S2至S4。
Description
技术领域
本申请涉及卫星通信技术领域,具体涉及一种基于低轨卫星边缘计算的卸载方法及装置。
背景技术
在人工智能与云计算的广泛应用下,随着天地一体化与低轨卫星网络的发展,将边缘计算技术引入低轨卫星网络中是未来研究重点之一。在3GPP最新技术报告23.700-27中提出的关于如何通过星载UPF来支持边缘计算技术的关键问题,这说明星载边缘计算技术已被国际通信标准组织作为未来研究方向。在低轨卫星网络中引入星载边缘计算技术可以进一步提高未来6G网络的强大计算能力。
目前,主流的星载边缘计算卸载策略通常是将计算任务直接卸载给过顶卫星,不过若将大量计算任务直接卸载给过顶卫星,会造成星上计算资源不均衡使用、部分卫星负载过大、降低续航能力等问题。另外,目前主流的星载边缘计算时延较高,容易造成卸载任务队列拥塞,增加卫星电量消耗,降低低轨卫星星载边缘计算的服务质量与计算速度,影响基于星载边缘计算服务的技术(自动驾驶、智能物联网等)。而且,主流的星载边缘计算卸载策略无自适应性优化能力。
发明内容
本申请的目的在于提供一种基于低轨卫星边缘计算的卸载方法、装置、设备以及计算机可读存储介质,可以解决上述至少一技术问题。
为实现上述目的,本申请提供了一种基于低轨卫星边缘计算的卸载方法,包括:
S1、在高轨卫星上部署完成训练和验证的预测模型,所述预测模型利用输入数据集划分的训练集和测试集进行训练和验证,所述输入数据集由时延历史数据进行处理得到,所述时延历史数据包括连续的若干时间单位的星间星地拓扑关系、星地时延和星间时延;
S2、利用所述预测模型预测下一时间单位的时延未来数据,所述时延未来数据包括星间星地拓扑关系、星地时延和星间时延;
S3、利用所述时延未来数据计算获取所述下一时间单位内各终端的时延最低的卸载任务传输链路作为真实传输链路;
S4、将所述下一时间单位的真实时延数据更新至所述时延历史数据;
重复步骤S2至S4。
可选地,每个所述时间单位的所述时延历史数据被构建为邻接矩阵。
可选地,所述预测模型包括输入层、时空域卷积模块和输出层,所述时空域卷积模块负责对输入数据进行时空域卷积处理,获得时间特征和空间特征。
可选地,所述预测模型包括两个所述时空域卷积模块,每个所述时空域卷积模块包括两个时域卷积块和一个空域卷积块,所述时域卷积块用来捕获所述时间特征,所述空域卷积块用来捕获所述空间特征。
可选地,所述输出层包括时域门控卷积块和全连接层,所述时域门控卷积块用于将时间维度的数据合并,所述全连接层用于输出预测结果。
为实现上述目的,本申请还提供了一种基于低轨卫星边缘计算的卸载策略优化装置,包括:
部署模块,用于在高轨卫星上部署完成训练和验证的预测模型,所述预测模型利用输入数据集划分的训练集和测试集进行训练和验证,所述输入数据集由时延历史数据进行处理得到,所述时延历史数据包括连续的若干时间单位采集的星间星地拓扑关系、星地时延和星间时延;
预测模块,用于利用所述预测模型预测下一时间单位的时延未来数据,所述时延未来数据包括星间星地拓扑关系、星地时延和星间时延;
获取模块,用于利用所述时延未来数据计算获取所述下一时间单位内各终端的时延最低的卸载任务传输链路作为真实传输链路;
更新模块,将所述下一时间单位的真实时延数据更新至所述时延历史数据。
可选地,每个所述时间单位的所述时延历史数据被构建为邻接矩阵。
可选地,所述预测模型包括输入层、时空域卷积模块和输出层,所述时空域卷积模块负责对输入数据进行时空域卷积处理,获得时间特征和空间特征。
为实现上述目的,本申请还提供了一种设备,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行如上所述的基于低轨卫星边缘计算的卸载方法。
为实现上述目的,本申请还提供了一种计算机可读存储介质,其上存储有程序,所述程序被处理器执行时实现如上所述的基于低轨卫星边缘计算的卸载方法。
本申请还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该电子设备执行如上所述的基于低轨卫星边缘计算的卸载方法。
本申请中,将连续的若干时间单位采集的星间星地拓扑关系、星地时延和星间时延作为时延历史数据训练出部署在高轨卫星上的预测模型,利用该预测模型预测下一时间单位的星间星地拓扑关系、星地时延和星间时延以计算得到下一时间单位内各终端的时延最低的卸载任务传输链路作为真实传输链路,且会将下一时间单位的真实时延数据更新至时延历史数据以继续预测时延未来数据并计算得到接下来的真实传输链路。如此重复,可以实现低轨卫星边缘计算卸载策略的自适应优化,能够总是以最低时延的卸载任务传输链路作为真实传输链路,不容易造成卸载任务队列拥塞,有利于减少卫星电量消耗和提升低轨卫星星载边缘计算的服务质量与计算速度,同时也可以有效缓解星上计算资源不均衡使用、部分卫星负载过大、续航能力不足等问题。
附图说明
图1是本申请实施例基于星载边缘计算的卸载策略自适应优化***的示意框图。
图2是本申请实施例基于低轨卫星边缘计算的卸载方法的流程图。
图3是本申请实施例根据一个时间单位的时延历史数据构建的邻接矩阵的示意图。
图4是本申请实施例根据一个时间单位的数据形成的一张无向图的示意图。
图5是本申请实施例根据M张无向图构建的时空图的示意图。
图6是本申请实施例预测模型的示意图。
图7是本申请实施例基于低轨卫星边缘计算的卸载装置的示意框图。
图8是本申请实施例设备的示意框图。
具体实施方式
为了详细说明本申请的技术内容、构建特征、所实现目的及效果,以下结合实施方式并配合附图详予说明。
实施例一
请参阅图1,本申请公开了基于星载边缘计算的卸载策略自适应优化***,包含:若干地面终端(UE)、若干低轨卫星(LEO)和高轨卫星(GEO)30,其中低轨卫星中部署了边缘计算功能的服务器,高轨卫星中存储了各个低轨卫星中的星间链路之间的时延数据和各个低轨卫星的计算资源信息等。在低轨卫星的边缘计算服务器架构中,包含星载基础设施层、资源虚拟化层、边缘计算服务层、边缘计算管理层,其中,星载基础设施层主要包含在卫星物理层中的计算功能设施、网络功能设施、存储功能设施。资源虚拟化层提供基于现有的物理层资源进行资源虚拟化,通过虚拟化技术将单个星载基础设施资源虚拟为多个星载基础设施逻辑资源,每个逻辑资源可以承载不同的计算服务,并且计算服务都可以再相互独立的空间内运行而互不影响。边缘计算服务层提供星载边缘计算的服务。边缘计算管理层提供卸载策略功能、调度算法功能、资源管理功能、任务管理功能,卸载策略功能主要负责执行星载边缘计算任务卸载策略,基于部署在高轨卫星上的预测模型实现卸载策略的自适应性优化。
请参阅图1至图6,本申请公开了一种基于低轨卫星边缘计算的卸载方法,应用在上述***,包括:
S1、在高轨卫星上部署完成训练和验证的预测模型,预测模型利用输入数据集划分的训练集和测试集进行训练和验证,输入数据集由时延历史数据进行处理得到,时延历史数据包括连续的若干时间单位采集的星间星地拓扑关系、星地时延和星间时延。星间星地拓扑关系即各终端与各低轨卫星之间以及各低轨卫星之间的拓扑关系,星地时延即各终端与各低轨卫星之间的时延数据,星间时延即各低轨卫星之间的时延数据。时间单位可以根据实际情况进行定义,比如可以定义为5分钟。
请参阅3和图4,具体地,每个时间单位的时延历史数据被构建为邻接矩阵。在该示例中,S1至S4为低轨卫星,UE1和UE2为终端,矩阵中的值为0则说明节点间无连接关系,若不为0则表示节点间链路时延。
为了得到时延历史数据,可以每30秒进行一次数据采集,将每5分钟(一个时间单位)的数据聚合成一张无向图,并利用该无向图构建邻接矩阵。
请参阅图5,进一步地,M张无向图构成一条数据,具体构建为带时态的无向图(时空图),以输入预测模型进行预测。相应的,预测模型输出的数据为下一时间单位的一张图。
具体地,各时间单位的时延历史数据可以由第三方直接提供。
请参阅图6,具体地,预测模型包括输入层、时空域卷积模块和输出层,时空域卷积模块负责对输入数据进行时空域卷积处理,获得时间特征和空间特征。
更具体地,预测模型包括两个时空域卷积模块,每个时空域卷积模块包括两个时域卷积块和一个空域卷积块,时域卷积块用来捕获时间特征,空域卷积块用来捕获空间特征。
在具体的示例中,空间特征通过直接使用图结构数据在空间上进行高阶特征提取,K是图卷积核大小,Tk是拉普拉斯矩阵的多项展开近似,θk是多项式系数:
最终带有C个通道(channel)的数据的图卷积表示为:
Ci和Co是输入和输出的特征图的大小,输入是包含了连续M个时间单位的卫星链路交通图,每一时间单位的卫星链路交通图可以由一个矩阵表示,维度为n x C,n代表n个样本,C代表特征维度,例如第i列的Ci维度代表样本i的第Ci维度特征。
针对时间特征,可以使用一个宽度为Kt的卷积来提取Kt-1的时间特征。
更具体地,输出层包括时域门控卷积块和全连接层,时域门控卷积块用于将时间维度的数据合并,全连接层用于输出预测结果。
S2、利用预测模型预测下一时间单位的时延未来数据,时延未来数据包括星间星地拓扑关系、星地时延和星间时延。
S3、利用时延未来数据计算获取下一时间单位内各终端的时延最低的卸载任务传输链路作为真实传输链路。
S4、将下一时间单位的真实时延数据(星间星地拓扑关系、星地时延和星间时延)更新至时延历史数据(即最早时间单位的时延数据被剔除,下一时间单位的真实时延数据递补为最晚时间单位的时延数据),进而可以不断的利用更新的时延历史数据预测接下来的时延未来数据。
重复步骤S2至S4。
本申请中,将连续的若干时间单位采集的星间星地拓扑关系、星地时延和星间时延作为时延历史数据训练出部署在高轨卫星上的预测模型,利用该预测模型预测下一时间单位的星间星地拓扑关系、星地时延和星间时延以计算得到下一时间单位内各终端的时延最低的卸载任务传输链路作为真实传输链路,且会将下一时间单位的真实时延数据更新至时延历史数据以继续预测时延未来数据并计算得到接下来的真实传输链路。如此重复,可以实现低轨卫星边缘计算卸载策略的自适应优化,能够总是以最低时延的卸载任务传输链路作为真实传输链路,不容易造成卸载任务队列拥塞,有利于减少卫星电量消耗和提升低轨卫星星载边缘计算的服务质量与计算速度,同时也可以有效缓解星上计算资源不均衡使用、部分卫星负载过大、续航能力不足等问题。
实施例二
请参阅图7,本申请公开了一种基于低轨卫星边缘计算的卸载策略优化装置,包括:
部署模块100,用于在高轨卫星上部署完成训练和验证的预测模型,预测模型利用输入数据集划分的训练集和测试集进行训练和验证,输入数据集由时延历史数据进行处理得到,时延历史数据包括连续的若干时间单位采集的星间星地拓扑关系、星地时延和星间时延。
预测模块200,用于利用预测模型预测下一时间单位的时延未来数据,时延未来数据包括星间星地拓扑关系、星地时延和星间时延。
获取模块300,用于利用时延未来数据计算获取下一时间单位内各终端的时延最低的卸载任务传输链路作为真实传输链路。
更新模块400,将下一时间单位的真实时延数据更新至时延历史数据。
本申请中,将连续的若干时间单位采集的星间星地拓扑关系、星地时延和星间时延作为时延历史数据训练出部署在高轨卫星上的预测模型,利用该预测模型预测下一时间单位的星间星地拓扑关系、星地时延和星间时延以计算得到下一时间单位内各终端的时延最低的卸载任务传输链路作为真实传输链路,且会将下一时间单位的真实时延数据更新至时延历史数据以继续预测时延未来数据并计算得到接下来的真实传输链路。如此重复,可以实现低轨卫星边缘计算卸载策略的自适应优化,能够总是以最低时延的卸载任务传输链路作为真实传输链路,不容易造成卸载任务队列拥塞,有利于减少卫星电量消耗和提升低轨卫星星载边缘计算的服务质量与计算速度,同时也可以有效缓解星上计算资源不均衡使用、部分卫星负载过大、续航能力不足等问题。
请参阅3和图4,具体地,每个时间单位的时延历史数据被构建为邻接矩阵。在该示例中,S1至S4为低轨卫星,UE1和UE2为终端,矩阵中的值为0则说明节点间无连接关系,若不为0则表示节点间链路时延。
为了得到时延历史数据,可以每30秒进行一次数据采集,将每5分钟(一个时间单位)的数据聚合成一张无向图,并利用该无向图构建邻接矩阵。
请参阅图5,进一步地,M张无向图构成一条数据,具体构建为带时态的无向图(时空图),以输入预测模型进行预测。相应的,预测模型输出的数据为下一时间单位的一张图。
具体地,各时间单位的时延历史数据可以由第三方直接提供。
请参阅图6,具体地,预测模型包括输入层、时空域卷积模块和输出层,时空域卷积模块负责对输入数据进行时空域卷积处理,获得时间特征和空间特征。
更具体地,预测模型包括两个时空域卷积模块,每个时空域卷积模块包括两个时域卷积块和一个空域卷积块,时域卷积块用来捕获时间特征,空域卷积块用来捕获空间特征。
在具体的示例中,空间特征通过直接使用图结构数据在空间上进行高阶特征提取,K是图卷积核大小,Tk是拉普拉斯矩阵的多项展开近似,θk是多项式系数:
最终带有C个通道(channel)的数据的图卷积表示为:
Ci和Co是输入和输出的特征图的大小,输入是包含了连续M个时间单位的卫星链路交通图,每一时间单位的卫星链路交通图可以由一个矩阵表示,维度为n x C,n代表n个样本,C代表特征维度,例如第i列的Ci维度代表样本i的第Ci维度特征。
针对时间特征,可以使用一个宽度为Kt的卷积来提取Kt-1的时间特征。
更具体地,输出层包括时域门控卷积块和全连接层,时域门控卷积块用于将时间维度的数据合并,全连接层用于输出预测结果。
实施例三
请结合图8,本申请公开了一种设备,包括:
处理器30;
存储器40,其中存储有处理器30的可执行指令;
其中,处理器30配置为经由执行可执行指令来执行如实施例一所述的基于低轨卫星边缘计算的卸载方法。
实施例四
本申请公开了一种计算机可读存储介质,其上存储有程序,程序被处理器执行时实现如实施例一所述的基于低轨卫星边缘计算的卸载方法。
实施例五
本申请实施例公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该电子设备执行如实施例一所述的基于低轨卫星边缘计算的卸载方法。
应当理解,在本申请实施例中,所称处理器可以是中央处理模块(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application SpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序指令相关的硬件来完成,的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上所揭露的仅为本申请的较佳实例而已,不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,均属于本申请所涵盖的范围。
Claims (10)
1.一种基于低轨卫星边缘计算的卸载方法,其特征在于,包括:
S1、在高轨卫星上部署完成训练和验证的预测模型,所述预测模型利用输入数据集划分的训练集和测试集进行训练和验证,所述输入数据集由时延历史数据进行处理得到,所述时延历史数据包括连续的若干时间单位的星间星地拓扑关系、星地时延和星间时延;
S2、利用所述预测模型预测下一时间单位的时延未来数据,所述时延未来数据包括星间星地拓扑关系、星地时延和星间时延;
S3、利用所述时延未来数据计算获取所述下一时间单位内各终端的时延最低的卸载任务传输链路作为真实传输链路;
S4、将所述下一时间单位的真实时延数据更新至所述时延历史数据;
重复步骤S2至S4。
2.根据权利要求1所述的基于低轨卫星边缘计算的卸载方法,其特征在于,每个所述时间单位的所述时延历史数据被构建为邻接矩阵。
3.根据权利要求1所述的基于低轨卫星边缘计算的卸载方法,其特征在于,所述预测模型包括输入层、时空域卷积模块和输出层,所述时空域卷积模块负责对输入数据进行时空域卷积处理,获得时间特征和空间特征。
4.根据权利要求3所述的基于低轨卫星边缘计算的卸载方法,其特征在于,所述预测模型包括两个所述时空域卷积模块,每个所述时空域卷积模块包括两个时域卷积块和一个空域卷积块,所述时域卷积块用来捕获所述时间特征,所述空域卷积块用来捕获所述空间特征。
5.根据权利要求3所述的基于低轨卫星边缘计算的卸载方法,其特征在于,所述输出层包括时域门控卷积块和全连接层,所述时域门控卷积块用于将时间维度的数据合并,所述全连接层用于输出预测结果。
6.一种基于低轨卫星边缘计算的卸载策略优化装置,其特征在于,包括:
部署模块,用于在高轨卫星上部署完成训练和验证的预测模型,所述预测模型利用输入数据集划分的训练集和测试集进行训练和验证,所述输入数据集由时延历史数据进行处理得到,所述时延历史数据包括连续的若干时间单位采集的星间星地拓扑关系、星地时延和星间时延;
预测模块,用于利用所述预测模型预测下一时间单位的时延未来数据,所述时延未来数据包括星间星地拓扑关系、星地时延和星间时延;
获取模块,用于利用所述时延未来数据计算获取所述下一时间单位内各终端的时延最低的卸载任务传输链路作为真实传输链路;
更新模块,将所述下一时间单位的真实时延数据更新至所述时延历史数据。
7.根据权利要求6所述的基于低轨卫星边缘计算的卸载策略优化装置,其特征在于,每个所述时间单位的所述时延历史数据被构建为邻接矩阵。
8.根据权利要求6所述的基于低轨卫星边缘计算的卸载策略优化装置,其特征在于,所述预测模型包括输入层、时空域卷积模块和输出层,所述时空域卷积模块负责对输入数据进行时空域卷积处理,获得时间特征和空间特征。
9.一种设备,其特征在于,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行如权利要求1至5任一项所述的基于低轨卫星边缘计算的卸载方法。
10.一种计算机可读存储介质,其上存储有程序,其特征在于,所述程序被处理器执行时实现如权利要求1至5任一项所述的基于低轨卫星边缘计算的卸载方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310359205.8A CN116366133B (zh) | 2023-04-06 | 2023-04-06 | 基于低轨卫星边缘计算的卸载方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310359205.8A CN116366133B (zh) | 2023-04-06 | 2023-04-06 | 基于低轨卫星边缘计算的卸载方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116366133A CN116366133A (zh) | 2023-06-30 |
CN116366133B true CN116366133B (zh) | 2023-10-27 |
Family
ID=86941753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310359205.8A Active CN116366133B (zh) | 2023-04-06 | 2023-04-06 | 基于低轨卫星边缘计算的卸载方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116366133B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108809839A (zh) * | 2018-07-17 | 2018-11-13 | 湖南理工学院 | 无线Mesh骨干网络流量控制方法与装置 |
CN109714263A (zh) * | 2019-01-18 | 2019-05-03 | 北京邮电大学 | 一种在卫星通信网络中的路径选择方法及装置 |
CN114866133A (zh) * | 2022-05-12 | 2022-08-05 | 重庆邮电大学 | 一种卫星云边协同计算的计算卸载方法 |
KR102484004B1 (ko) * | 2022-08-23 | 2022-12-30 | 재단법인대구경북과학기술원 | Mec 네트워크에서 단말-위성 간 태스크 오프로딩 수행 방법 및 장치 |
CN115622608A (zh) * | 2022-09-29 | 2023-01-17 | 广州爱浦路网络技术有限公司 | 基于低轨卫星边缘计算的卸载策略优化方法、***和介质 |
CN115633332A (zh) * | 2022-10-26 | 2023-01-20 | 南京熊猫电子股份有限公司 | 一种边缘卸载下的车载卫星通信终端***及通信方法 |
CN115720226A (zh) * | 2022-09-08 | 2023-02-28 | 杭州电子科技大学 | 一种基于时空任务需求预测的时延感知资源预留方法 |
CN115733542A (zh) * | 2022-11-24 | 2023-03-03 | 北京信息科技大学 | 一种星间链路路径规划方法、装置及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11395308B2 (en) * | 2019-04-30 | 2022-07-19 | Fujitsu Limited | Monitoring-based edge computing service with delay assurance |
-
2023
- 2023-04-06 CN CN202310359205.8A patent/CN116366133B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108809839A (zh) * | 2018-07-17 | 2018-11-13 | 湖南理工学院 | 无线Mesh骨干网络流量控制方法与装置 |
CN109714263A (zh) * | 2019-01-18 | 2019-05-03 | 北京邮电大学 | 一种在卫星通信网络中的路径选择方法及装置 |
CN114866133A (zh) * | 2022-05-12 | 2022-08-05 | 重庆邮电大学 | 一种卫星云边协同计算的计算卸载方法 |
KR102484004B1 (ko) * | 2022-08-23 | 2022-12-30 | 재단법인대구경북과학기술원 | Mec 네트워크에서 단말-위성 간 태스크 오프로딩 수행 방법 및 장치 |
CN115720226A (zh) * | 2022-09-08 | 2023-02-28 | 杭州电子科技大学 | 一种基于时空任务需求预测的时延感知资源预留方法 |
CN115622608A (zh) * | 2022-09-29 | 2023-01-17 | 广州爱浦路网络技术有限公司 | 基于低轨卫星边缘计算的卸载策略优化方法、***和介质 |
CN115633332A (zh) * | 2022-10-26 | 2023-01-20 | 南京熊猫电子股份有限公司 | 一种边缘卸载下的车载卫星通信终端***及通信方法 |
CN115733542A (zh) * | 2022-11-24 | 2023-03-03 | 北京信息科技大学 | 一种星间链路路径规划方法、装置及介质 |
Non-Patent Citations (1)
Title |
---|
基于端边云协同的边缘计算任务卸载研究;刘黎明;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;第3章 * |
Also Published As
Publication number | Publication date |
---|---|
CN116366133A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shabayek et al. | A simulation model for the Kwai Chung container terminals in Hong Kong | |
Pérez et al. | A resilient and distributed near real-time traffic forecasting application for Fog computing environments | |
CN112188442A (zh) | 基于移动边缘计算的车联网数据驱动任务卸载***和方法 | |
US10417558B1 (en) | Methods and systems for artificial neural network optimistic event processing | |
CN108923983B (zh) | 机会网络链路的预测方法、装置及可读存储介质 | |
US10853720B1 (en) | Traffic condition forecasting using matrix compression and deep neural networks | |
CN112884086B (zh) | 模型训练方法、装置、设备、存储介质以及程序产品 | |
Shukla et al. | Software-defined network and cloud-edge collaboration for smart and connected vehicles | |
CN112887905B (zh) | 一种车联网中基于周期性资源调度的任务卸载方法 | |
CN114265631A (zh) | 一种基于联邦元学习的移动边缘计算智能卸载方法及装置 | |
CN114626503A (zh) | 模型的训练方法、目标检测方法、装置、电子设备及介质 | |
CN112612553A (zh) | 一种基于容器技术的边缘计算任务卸载方法 | |
CN112819258A (zh) | 银行网点到店客户数量预测方法及装置 | |
Mohammed et al. | Smart edge computing for 5 g/6 g satellite iot for reducing inter transmission delay | |
Strelkovskaya et al. | Different extrapolation methods in Problems of Forecasting | |
CN116366133B (zh) | 基于低轨卫星边缘计算的卸载方法及装置 | |
CN112860402A (zh) | 一种深度学习推理服务的动态批处理任务调度方法及*** | |
CN115907136B (zh) | 电动汽车调度方法、装置、设备和计算机可读介质 | |
CN116663717A (zh) | 车流量预测模型训练、车流量预测方法、装置及设备 | |
CN108770014B (zh) | 网络服务器的计算评估方法、***、装置及可读存储介质 | |
White et al. | Smart cities with deep edges | |
Sirojan et al. | Enabling deep learning on embedded systems for iot sensor data analytics: Opportunities and challenges | |
CN114417420A (zh) | 一种基于无中心流式联邦学习的隐私保护方法、***及终端 | |
CN115220131A (zh) | 气象数据质检方法及*** | |
US11755302B2 (en) | Application placement device and application placement program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |