[发明专利]一种融合边缘计算的低轨星座缓存放置方法及系统

说明书

本发明公开了一种融合边缘计算的低轨星座缓存放置方法及系统。将卫星的环境状态输入所述卫星的私有模型中，卫星的私有模型输出所述卫星缓存放置决策；低轨星座中卫星的私有模型获取过程包括：卫星基于分布式强化学习训练获得所述卫星的第一模型，卫星将第一模型上传至地面控制中心；地面控制中心基于联邦学习定期对接收的第一模型进行融合获得共享模型，地面控制中心将共享模型下发至各卫星作为所述卫星的私有模型。本方法解决了以往缓存放置不能很好针对复杂环境如低轨星座作出智能缓存及协作决策的问题，有利于降低时延、缓解链路拥塞、提升智能体对环境的适应性并保护节点共享数据的隐私安全。

技术领域

本发明涉及边缘计算协同缓存技术领域，特别是涉及一种融合边缘计算的低轨星座缓存放置方法及系统。

背景技术

近年来，商业航天高速发展，各国以服务全球为目标的低轨星座建设计划开展的如火如荼。然而当海量用户通过卫星接入互联网获取服务除了较长的时延外也易造成链路拥塞。边缘计算能够很好解决上述问题。而随着星座建设越来越密集，星上载荷数据处理、存储能力的不断提高，融合便于计算的低轨星座成为可行方案。据预测，未来移动视频流将占据整个移动数据流量的72％。此类服务的一个独特属性是内容高度集中，一些流行内容将被异步地重复请求。因此，将相同的内容缓存于低轨卫星节点，在降低服务获取延迟、减轻网络回程的沉重开销等方面具有显著的优势。

缓存放置对于用户服务体验的提升至关重要。而缓存放置的关键则在于如何针对不同的用户群体服务需求作出不同的缓存放置决策，并且考虑成本、容量、时延等约束。虽然相关研究已经提出不少开创性的工作，如基于凸优化或者图论或启发式等方法的缓存放置取得了不错的效果。然而，由于低轨星座空间通信环境的复杂性、动态性，传统优化方法难以实时提供服务性能的保障。因此，借助AI技术将成为解决缓存放置问题的大趋势。然而，目前的相关研究还缺乏对某些问题的考虑。比如，智能体应该如何训练；智能体应该如何实现更好的自我更新；训练数据的隐私保护等等。因此，提出一种适用于低轨星座的融合边缘计算的缓存放置机制十分重要。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种融合边缘计算的低轨星座缓存放置方法及系统。

为了实现本发明的上述目的，根据本发明的第一个方面，本发明提供了一种融合边缘计算的低轨星座缓存放置方法，实时获取卫星的环境状态，将卫星的环境状态输入所述卫星的私有模型中，所述卫星的私有模型输出所述卫星缓存放置决策；所述缓存放置决策包括所述卫星是否放置缓存决策结果，以及卫星向低轨星座中除所述卫星之外的卫星请求协作的比例；所述环境状态包括所述卫星面临的各类型请求的数量、与所述卫星邻近的卫星的缓存放置状态、以及所述卫星的剩余处理能力；低轨星座中卫星的私有模型获取过程包括：卫星基于分布式强化学习训练获得所述卫星的第一模型，卫星将第一模型上传至地面控制中心；地面控制中心基于联邦学习定期对接收的第一模型进行融合获得共享模型，地面控制中心将共享模型下发至各卫星作为所述卫星的私有模型。

上述技术方案：该方法建立了适用于融合边缘计算的低轨星座的基于联邦强化学习的缓存放置机制。该方法将每个低轨卫星节点视为独立的智能体，基于自身环境状态信息利用自身的私有模型快速地做出决策，通过分布式的强化学习赋予每个低轨卫星节点智能决策能力来判断是否应该放置某类缓存内容或者向其他节点请求协作，降低了传输时延及链路拥塞，有效提高低轨卫星载荷在复杂空间环境中准确作出缓存决策的能力。与此同时，通过将自身训练得出的智能体第一模型上传地面控制中心进行共享，并通过联邦学习对模型进行融合，然后下发给低轨卫星节点进行再训练，达到不断完善模型，不断学习其它低轨卫星节点决策能力的目的，有效提高低轨卫星节点的训练速度和决策准确度。该方法的缓存放置是动态变化的，对于复杂的低轨星座而言，动态的缓存放置才能有效的达到提高服务质量、降低成本的目的，而且动态的策略对于资源的利用率也是最优。本方法利于解决以往缓存放置不能很好针对复杂环境如低轨星座作出智能缓存及协作决策的问题，有利于降低时延、缓解链路拥塞、提升智能体对环境的适应性并保护节点共享数据的隐私安全。