空间算力网络——基础与关键技术

匡麟玲 ,  石远明 ,  刘凯 ,  姜春晓

工程（英文） ›› 2025, Vol. 54 ›› Issue (11) : 28 -36.

PDF (5321KB)
工程（英文） ›› 2025, Vol. 54 ›› Issue (11) : 28 -36. DOI: 10.1016/j.eng.2025.06.026
观点述评

空间算力网络——基础与关键技术

作者信息 +

Space Computing Power Networks: Fundamentals and Techniques

Author information +
文章历史 +
PDF (5447K)

Graphical abstract

引用本文

引用格式 ▾
匡麟玲,石远明,刘凯,姜春晓. 空间算力网络——基础与关键技术[J]. 工程（英文）, 2025, 54(11): 28-36 DOI:10.1016/j.eng.2025.06.026

登录浏览全文

4963

注册一个新账户 忘记密码

1 引言

过去几十年间，卫星技术取得了显著进展，实现了全球范围内的无缝连接与广域覆盖。借助这些技术，遥感系统能够获取海量空间信息，为时效敏感型服务以及重大突发事件（如自然灾害）应对提供重要支撑[1‒2]。例如，我国风云系列气象卫星在2023年对台风“杜苏芮”进行了全过程监测，实现了对极端暴雨的精准预测，并在灾害防范中发挥了重要作用。然而，传统遥感数据处理模式通常是先将原始数据下载至地面，再进行后续处理，这一方式面临多方面挑战。首先，尽管地面站网络已较为完善，但由于卫星高速运行，卫星与地面站之间的可见窗口时间较短，通常仅约10 min。卫星需要等待下一次经过地面站上空才能再次建立通信连接，这对遥感数据的实时下载提出了严峻的时效性挑战。其次，随着高频段通信技术的应用，星地链路速率已达到Gbps级别。尽管遥感影像分辨率不断提升，并已应用了星间高速激光链路（> 10 Gbps），但星地链路仍然是系统的数据传输瓶颈。而且，高分辨率遥感原始数据在直接传输过程中，往往会带来隐私与安全方面的潜在风险。因此，亟须探索能够支持快速、可信的星上信息处理机制。在这一背景下，研究人员提出了空间算力网络（Space-CPN），并认为这是一种具有广阔前景的体系架构。

与仅关注地面网络不同，Space-CPN在传统算力网络概念基础上[3]，进一步融合了卫星网络技术创新，其总体架构如图1所示。借助先进的边缘计算技术、成熟的卫星通信系统以及新型星载计算载荷，Space-CPN能够整合不同类型卫星[包括低轨（LEO）、中轨（MEO）、地球静止轨道（GEO）]的通信与计算能力。在该体系中，GEO/MEO/LEO卫星通常作为空间计算中心，主要服务于应急场景等；而地面站则作为地面计算中心，用于处理对算力需求更高的任务。通过这种方式，系统能够实现算力资源的灵活调度，从而实现安全、快速且精确的星上智能数据处理。作为一种多层卫星分布式计算体系结构，Space-CPN能够支持多种星上智能计算任务。例如，欧洲航天局（ESA）Φ实验室与牛津大学及Trillium Technologies合作开展星载人工智能（AI）模型训练研究，并于2023年发布了地球观测卫星星载AI应用的相关研究成果。研究人员利用初始模型RaVAEn对原始遥感影像进行压缩，并在D-Orbit任务中成功训练出用于云检测的机器学习模型。在星载人工智能模型推理方面，云覆盖评估并去除含噪遥感数据是许多实时应用（如天气预报和灾害监测等）中的关键环节；在星上AI模型推理方面，则是它们的重要组成部分。KATESU项目在两种星载计算平台上评估了两种深度神经网络模型：Teledyne e2v’s LS1046与Xilinx ZedBoard。实验结果表明，该项目在提升星上数据质量与下游处理效率方面表现优异，从而为未来星上智能服务的发展提供了有力证据。总体而言，这些初步研究成果表明，Space-CPN在支撑未来星上智能服务方面具有巨大潜力。然而，在更大规模部署Space-CPN之前，仍然需要解决若干关键挑战。

第一项挑战在于为Space-CPN设计相应的通信原理。通过融合空间网络与地面网络，Space-CPN能够实现无缝全球连接，并提供巨大的系统容量以支持传统的数据导向型业务。然而，随着空间服务需求日益复杂化和多样化，星上数据处理需求也不断增加，这就需要设计相应的通信原理以支持相关计算任务。传统无线数据传输系统的设计主要基于香农（Shannon）定理。该理论通常采用信道容量等比特级指标来衡量系统性能，从而实现面向数据的可靠比特级传输[4]。然而，在当前的Space-CPN场景中，这一理论已难以完全适用，因为通信系统的设计目标不再仅仅是数据传输，而是需要服务于特定的计算任务。以遥感影像为例，ESA“哥白尼计划”中的Sentinel-2卫星在每个对地观测周期的单次轨道运行过程中，约可获取1.6 TB的高分辨率光学影像数据。若将如此庞大的原始数据直接传输至地面站并进行后续处理，必然会形成严重的通信瓶颈。相比之下，如果以计算任务的性能指标来指导信息压缩与传输方案的设计，仅需传输与任务相关的信息，就可以显著降低通信开销[5]。因此，在Space-CPN中，通信模式将由数据导向的通信范式逐步转变为任务导向的通信范式，以更有效地支持面向计算任务的信息压缩与传输。

第二项挑战在于Space-CPN的计算架构设计。随着卫星电源系统的显著进步，在一定功率预算约束下，将智能计算任务部署到星上已成为可能。但星上能源总量仍有限，难以集中部署大规模高性能计算单元与计算集群。例如，英伟达A100图形处理器（GPU）的功耗可达400 W，因此Space-CPN亟需低功耗计算架构。传统星上计算是基于冯・诺依曼架构处理器实现的，即存储单元与处理单元相互分离，然而这也形成了冯・诺依曼瓶颈——信息需在两单元间反复交互，造成巨大的能耗损失。而神经形态计算模仿人脑工作机制，通过神经元与突触实现存储和计算的一体化，避免了数据与指令频繁传输带来的开销，大幅提升能源利用效率。目前，星上神经形态计算的应用已得到全面验证[6]，ESA的神经卫星通信（Neuro SatCom）项目便是典型案例：在特定的干扰检测任务中，基于非神经形态平台Xilinx Versal的AI模型处理单个问题的能耗为136.9 J，而基于神经形态平台SpiNNaker的模型处理单个问题仅消耗6.3 J。该结果表明，空间算力网络的计算架构有望从存储与计算分离的冯・诺依曼架构，转型为存储与计算一体化的神经形态架构。

第三大挑战为动态空间网络中各类星上计算任务的编排，以及通信、计算、存储资源受限的问题。其一，在任务调度层面，复杂的计算服务需在Space-CPN的异构环境中进行合理的任务分解，才能实现高效的星上执行。计算并行任务主要分为四类[7]：数据并行（分配输入数据）、张量并行（分配模型权重）、流水线并行（分配模型网络层）以及混合专家并行（激活部分模型权重）。基于上述并行策略，需先对计算任务进行分解，再将子任务调度至Space-CPN的各个节点。其二，在资源分配层面，Space-CPN的资源可分为三大类：通信资源（包括时间、空间、频谱、编码及轨道等）、计算资源[如中央处理器（CPU）、GPU和现场可编程门阵列（FPGA）]以及存储资源（含内部与外部存储器）。随着各类空间服务需求的持续增长，上述资源普遍处于稀缺状态，亟需高效的资源分配方案。但Space-CPN由数千颗具备不同轨道倾角、高度、运行方向的卫星组成[8]，网络拓扑呈现大规模、复杂化、时变化特征，导致网络环境高度动态化，难以灵活管理各类资源；同时，Space-CPN中的各类不确定性因素进一步增加了任务调度与资源分配的难度。受空间信息服务的时效性要求与卫星高移动性影响，应急任务请求量与遥感数据量均存在波动，亟需对不确定性进行建模与应对的鲁棒性方案。综上，须在Space-CPN的高度动态环境中，建立计算任务需求与有限资源调度之间的定量关系，并提出鲁棒性求解方法。

2 任务导向通信

本节提出一种任务导向通信机制，用于在Space-CPN中实现通信与计算的深度融合。该机制通过构建鲁棒信息瓶颈（RIB）模型，对遥感数据进行任务相关信息提取与压缩。同时，提出编码式空中计算（AirComp），通过利用卫星与地面站无线信道的波形叠加特性，实现超低时延的信息传输。

2.1 基于RIB的信息压缩方法

近年来，遥感卫星因能够快速获取目标区域的大范围信息而受到广泛关注，在土地利用调查、城市研究以及灾害管理等领域发挥着重要作用。然而，高分辨率传感器的应用使遥感卫星产生了海量数据，给数据传输带来了巨大压力。传统的数据导向传输模式需要将全部原始数据传输至地面站进行后续处理，进而产生大量通信开销。为解决该问题，众多后续卫星任务计划采用星地协同模式进行计算[9]。卫星计算能力的提升使星上数据处理成为可能，通过这种方式实现数据压缩、消除信息冗余，可有效提升通信效率。具体而言，通信设计不再以无差错传输为唯一目标，而是以特定计算任务的目标为指标，引导卫星完成特征提取，再将提取的特征传输至地面站进行快速后处理。但星地链路易受云衰减、对流层闪烁、其他卫星干扰等因素影响，严重干扰特征表示的传输，导致数据出现大量误差与失真；同时，云层覆盖可能遮挡地表关键特征，或通过太阳反射造成信号畸变，对于需要区分细微类间与类内差异的遥感下游任务而言，极易引发误分类问题，降低任务精度。

为解决上述问题，本文引入信息瓶颈（IB）原理[10]：该原理通过最大化数据样本结果与标签间的互信息保证任务精度，同时最小化特征与输入样本间的互信息实现数据压缩。在Space-CPN中，无线信道噪声是导致数据畸变、推理精度降低的重要因素，为进一步降低噪声信道下的信息畸变，本文提出RIB原理[11]。该原理构建了编码特征的信息性-鲁棒性权衡模型，通过最大化编码冗余提升特征的鲁棒性，同时保留下游推理任务所需的足够信息，在不增加额外通信开销的前提下，提升通信对信道变化的鲁棒性。针对互信息计算的难解性，本文采用基于学习推理模型参数化的变分分布，推导得到鲁棒信息瓶颈目标函数的易求解变分上界。

此外，针对卫星地表影像中不可避免的云层噪声问题，本文提出费舍尔（Fisher）-鲁棒信息瓶颈（F-RIB）方法，将费舍尔信息引入RIB，提升特征对云层噪声干扰的鲁棒性，其模型如图2所示。费舍尔信息用于量化参数估计的不确定性，是评估提取特征对含潜在噪声输入数据敏感性的有效指标[12]。F-RIB优化了信息性-鲁棒性权衡关系：在最大化推理结果与对应标签间互信息的同时，最小化特征对噪声诱导输入的敏感性。值得注意的是，费舍尔信息用于评估由云噪声（如颜色失真和亮度变化）引起的参数不确定性。F-RIB通过最小化特征费舍尔信息矩阵的迹值，抑制了对云干扰的敏感性，并在多云与晴朗输入之间保持特征一致性，从而显著提升遥感推理模型的鲁棒性。

2.2 基于编码空中计算的信息传输

Space-CPN能够支持多种星上AI服务。例如，在AI模型训练任务中，云服务器、地面站与卫星可以构建客户端-服务器架构，并基于卫星采集的遥感数据实现星上联邦学习[13]。在每一轮训练过程中，地面站需要聚合来自不同卫星的模型更新，并由云服务器计算新的全局模型。在另一类计算任务中，当卫星与地面站协同完成推理任务时，可以采用垂直分割神经网络架构[14]。在该架构下，地面站需要根据来自不同卫星的局部特征图加权求和，从而获得中间特征表示。因此，可以看出，局部模型聚合是卫星AI计算任务中的关键步骤。然而，随着卫星数量以及模型参数维度不断增加，传统数据传输方式会带来严重的时延问题。为实现更高效的模型聚合，空中计算技术成为一种极具潜力的解决方案[15]，该技术可在无线信道上实现特定计算函数的空中求值。借助星地间无线信道的波形叠加特性，各卫星的信号可被设定为同步传输，直接在空口完成求和运算。通过这种方式，通信与计算得以融合，聚合时延也随之降低[16]。

但受强干扰、天气条件不稳定等因素影响，LEO卫星与地面站间的通信链路信噪比（SNR）通常较低；同时，现有的卫星通信无线系统主要搭载数字调制芯片，不支持任意线性缩放调制方案，因此无法在Space-CPN中直接应用无编码AirComp技术。为此，本文提出数字AirComp技术，对传输数据进行量化处理。在现有量化方案中，基于格量化的编码式AirComp技术表现突出[17]，该技术无需卫星端即可获取完美的信道状态信息，而卫星因传播时延大、移动性高，难以实现信道状态信息的精准估计。具体而言，格可定义为离散加法子群，其中每个格点由对应基向量的线性组合构成；格量化器是将任意点量化至其欧氏距离最近格点的映射关系，并由此衍生出沃罗诺伊（Voronoi）区域的概念，即所有量化至同一个格点的点构成的集合。基于格的闭合性，任意两个格点的和仍为格点，即格中任意两个元素的求和结果仍属于该格，这为格点适用于空中计算的聚合操作提供了根本保障。对数据进行格量化处理，可使其适配卫星通信系统的数字调制芯片；同时，解码结果的沃罗诺伊区域可有效抵抗噪声与干扰的影响。因此，格量化为编码式AirComp技术的实现提供了有效方案，其具体流程如下：首先，卫星端的本地数据经过格量化处理，其中引入基于均匀随机分布生成的抖动向量以保证量化误差的均匀性，引入预编码因子以控制传输功率；其次，所有卫星同时传输信号，在空口完成求和运算，此过程会引入信道噪声；最后，地面站对接收信号进行格量化与后处理，得到解码结果。

但是，该方法的实现会因聚合数据的失真产生较大的性能损耗，主要源于两方面：一是对本地数据的量化处理，导致传输数据与实际本地数据间存在量化误差；二是无线信道传输过程中不可避免的信道噪声干扰。在典型的协同训练场景中，上述两种因素造成的失真可通过聚合模型与理想模型间的均方误差（MSE）表征，这在典型的协作训练场景中尤为明显。本文借鉴文献[18]的研究方法，分析了所提传输方案下学习过程的收敛特性：在非凸目标函数与学习率衰减的条件下，经过一定轮次的全局更新后，全局梯度的加权平均范数上界会受MSE影响，最终导致模型存在误差上界。为提升学习性能，本文通过联合设计后处理中的去噪因子，缓解聚合过程中的数据失真问题。

3 类脑计算

本节利用神经形态计算模型与硬件，为Space-CPN提出一种节能的星上计算架构。为进一步训练Space-CPN中的脑启发式脉冲神经网络（SNN），提出卫星联邦式和去中心化式神经形态学习网络架构，并设计高效的星间链路调度策略与星地协同传输策略，以支撑分布式模型训练。

3.1 卫星神经形态计算原理

实现低能耗的神经形态计算需要配套的硬件架构。从自下而上的角度，神经形态硬件设计可分为两个层级：神经元单元架构，以及由多个单元连接构成的系统架构[19]。现有神经元单元架构主要分为三类：第一类为数字单元，通过离散值与基于布尔逻辑的门电路实现计算，其可重构性与灵活性使其在FPGA和专用集成电路上得到广泛的神经形态计算应用；第二类为模拟单元，利用生物神经元与模拟电路的相似性，通过电路的自然动态特性高效模拟神经元行为，在现场可编程模拟阵列等平台的神经形态实现中应用广泛；第三类为数模混合单元，结合前两类架构的优势，主要用于解决纯模拟架构的局限性问题。

此外，神经形态系统架构主要分为两类。第一类为理想架构，严格模仿生物神经元的组织形式，每个神经元独立维持自身状态，神经元间通过大量突触实现并行通信，存储与计算的一体化使其具备极高的每秒突触操作数。但随着神经元数量的增加，该架构的电路开销急剧扩大，可扩展性大幅下降，不适用于大规模神经形态计算。第二类为实用架构，其采用更合理的设计策略：将多个神经元划分为一个计算核，核内神经元独立存储数据，共享计算路径。该架构大幅减小了单个神经元的有效电路面积，同时通过共享公共参数提升了存储效率，在国际商业机器公司（IBM）的TrueNorth、英特尔公司的Loihi等神经形态处理器中得到广泛应用。

上述硬件架构为实现星上神经形态计算、提升能源利用效率提供了可行方案，但要充分发挥存储与计算一体化的优势，还需适配该硬件架构的神经形态软件。SNN作为类脑智能模型的核心架构，在生物神经元的研究基础上引入时间维度[20]，成为神经形态软件的首选。SNN通常采用泄漏积分发放模型表征神经元特性，通过随时间衰减的膜电位记录时序动态特征；前向传播过程中，上一层输出的加权和为膜电位充电，当膜电位达到阈值时，神经元发放脉冲作为输出。基于该独特的神经元结构，SNN的计算流程表现为稀疏、离散的单比特脉冲传递，其基于脉冲的通信方式与事件驱动机制使得计算过程具备极强的稀疏性，相比传统模型大幅提升了能源利用效率，目前已应用于Transformer模型、扩散模型等各类复杂AI模型的设计。

尽管SNN具备上述优势，但其独特的神经形态神经元结构也给训练过程带来了新挑战[20]：输出脉冲与膜电位间的不连续关系，导致反向传播过程中存在不可微问题。传统方法将训练完成的人工神经网络（ANN）直接转换为SNN，可规避该问题，但高精度激活值的转换会造成模型性能的显著下降。为解决这一问题，本文采用替代梯度方法，通过平滑函数对原始的不连续关系进行近似处理，实现梯度的有效估计与反向传播的顺利执行。

3.2 卫星神经形态计算与学习网络架构

神经形态计算的低能耗特性，使SNN成为星上智能数据处理的潜在软件架构，而如何基于星座中不同卫星采集的数据训练出高性能的脉冲神经网络，是亟待解决的关键问题。传统方法将遥感原始数据全部下载至地面站，进行SNN的集中式训练，但海量原始数据造成的通信瓶颈、稀缺的无线电资源、较长的传播时延，以及敏感信息直接下载带来的隐私问题，使该方法不再适用。

3.2.1 卫星联邦式神经形态学习架构

为此，本文提出一种新型的卫星联邦式神经形态学习框架，支撑星上SNN的训练，其架构如图3所示。每轮训练包含5个步骤[13,21]：第一步，各卫星基于本地数据集完成模型的本地更新；第二步，每个轨道基于所属卫星的本地训练结果，计算轨道内模型，具体来说，即利用同轨道卫星形成的稳定环形拓扑与星间高速链路，采用Ring-AllReduce算法实现各轨道内的并行模型聚合，提升本步骤的通信效率；第三步，通过星地链路将轨道内模型下载至地面站；第四步，由云服务器完成全局模型聚合；第五步，云服务器向所有卫星广播全局模型，为下一轮训练做准备。但星地链路的数据传输速率低、链路持续时间短，使模型下载过程存在巨大的传输开销。为解决这一点，本文将星地协同模型下载问题建模为网络流问题，即满足链路建立条件时，单颗卫星可同时与多个地面站通信，单个地面站也可在一定时间内为多颗卫星提供服务。基于该模型，本文设计了实时星地模型协同路由方案，大幅降低了传输时延。

此外，卫星间的异构性会影响训练过程的有效性，其主要分为统计异构与硬件异构两类。统计异构源于不同轨道、不同光谱环境下卫星采集的本地数据集特征差异，导致数据分布不均。例如，不同轨道的卫星可能配备不同的计算单元组合（如CPU、GPU和FPGA），从而造成节点性能的差异。硬件异构性指各卫星星上计算单元在架构与性能上存在的差异，这类差异最终会造成计算能力的不同，即各卫星在每一轮训练迭代中可完成的本地更新次数存在差异。

为解决上述问题，本文提出联邦异构混合平均算法，对原始框架中的环形全归约平均策略进行改进：通过加权平均修正学习过程中由统计异构和硬件异构造成的收敛偏差。数据异构参数根据卫星本地数据集的规模比例计算得到，硬件异构参数由各设备能够执行的最大本地训练轮数确定。在综合这两个参数的基础上，采用归一化平均方法进行轨道内模型聚合，从而有效缓解由卫星异构带来的问题。

3.2.2 卫星去中心化式神经形态计算架构

上述卫星联邦式神经形态学习框架为星上SNN训练提供了通用方案，但星地链路的频繁使用仍为核心挑战。尽管地面站网络日趋成熟，但过短的可见窗口时间（如LEO卫星仅约10 min）仍使星地传输存在瓶颈；同时，本文提出的网络流策略虽有效提升了星地链路的利用率，但星地距离过远、干扰严重导致的低传输速率，仍是网络流模型的最大流量的天然限制。因此，亟须实现SNN的全星上去中心化学习，减少与地面站的交互，通过星间跨轨道链路完成轨道内模型的聚合。但与同轨道卫星形成的稳定环形拓扑不同，不同轨道平面的卫星具备不同的运动特征（如高度、倾角、运行方向），导致跨轨道通信拓扑极不稳定。

轨道内模型的跨轨道聚合方案主要分为两类：第一类为流言平均（gossip averaging）策略，各轨道平面仅与相邻平面进行模型信息交互，模型传输的通信开销低，但本地更新的扩散速度慢，不可避免地会降低训练的收敛速率；第二类方案旨在实现全局聚合，通过构建跨轨道平面的聚合路径，可得到全局模型，从而保证收敛性能与集中式学习方案相当，但不可靠的跨缝星间链路可能直接阻碍聚合路径的建立。更重要的是，模型信息在该路径上的频繁传输会产生巨大的通信开销。为弥补上述两种方案的缺陷，本文提出采用中继求和的思路实现轨道间的模型聚合。具体而言，以最小直径为准则来加快模型更新的传播速度，仅考虑满足最低通信速率要求的星间链路，在当前的轨道间通信拓扑上构建生成树。随后，在每一轮模型聚合中，利用额外的存储资源对接收的模型更新求和结果进行存储，并在相邻节点间完成交互，这一方式可有效缓解迭代平均带来的信息衰减。通过该方法，既能避开低通信速率的跨轨链路，又能以与流言聚合方案相当的通信开销实现更快的收敛速度，具体如图4所示。

4 鲁棒性资源分配

为对Space-CPN中有限的网络资源与计算服务需求之间的关系进行定量刻画，本节提出了鲁棒资源分配建模方法及算法策略，以应对动态网络拓扑和任务需求不确定性所带来的挑战。

4.1 面向卫星微服务部署的鲁棒强化学习方法

Space-CPN为土地利用分类、灾害与环境监测、气象临近预报等遥感下游应用提供了星上推理能力。此类计算任务数据量庞大，单颗卫星难以独立承担计算负荷；同时，不同下游推理任务间存在模块重复部署与计算冗余问题，导致资源利用效率低下。此外，卫星拓扑的快速变化与计算环境的高度异构，进一步增加了星上推理的难度。为解决上述耦合问题，本文提出基于微服务的星上推理架构，将整个推理过程拆分为多个低耦合模块，并将模块分配至相应的卫星节点，完成推理任务的串行执行。该架构在软件开发与维护方面具备可移植性、可扩展性与抗毁性等优势，其流程如图5所示，主要包括微服务部署、任务请求、任务调度、数据传输、结果传输等串行步骤。因此，基于统计信息制定科学的微服务预部署策略，是保障整个流程顺畅运行的关键。

基于任务请求统计信息的微服务部署，核心是将推理计算任务分解并分配至Space-CPN的各个节点。其主要挑战在于，地球观测卫星除完成发射前预设的任务外，还需根据地面指令处理森林火灾监测、下击暴流临近预报等突发观测任务。此类突发任务具有随机性，发生时间与频率均存在不确定性。为应对该挑战，本文采用鲁棒优化方法对任务请求的不确定性进行建模，目标函数为最小化微服务部署的资源消耗（包括CPU、GPU等计算资源，存储资源与功耗），优化变量为微服务部署策略（即各微服务在哪些卫星上部署）；约束条件包括时延等服务质量约束、部署策略的整数约束，以及各卫星的资源使用上限约束。为对突发任务请求的不确定性建模，本文将不同区域的任务请求量等参数引入鲁棒优化模型，并通过不确定性集合对参数进行约束，提升模型的鲁棒性。但推理任务的输入数据量存在波动，导致服务质量约束具有不确定性，仅依靠Gurobi等商业求解器难以实现问题的有效求解。鉴于该问题具备马尔可夫决策过程（MDP）的特征，本文将其重构为部分可观测MDP，采用强化学习方法求解次优解。

首先，将原问题的箱式不确定性集合作为环境的隐状态，表征存在但无法被智能体直接观测的突发任务；智能体获得的奖励受可观测状态与该隐状态的共同影响，因此在奖励计算前引入额外的奖励影响项。基于上述设定，该问题自然转化为部分可观测MDP，其余部分仍遵循标准MDP的结构。为保证解的鲁棒性，本文在传统强化学习框架中引入扰动智能体，以模拟环境扰动[22]。在每轮训练中，扰动智能体首先基于当前状态施加扰动，鲁棒智能体在无法直接获取扰动信息的情况下做出决策，并同时从环境与扰动效应中获得奖励。通过该对抗训练过程，鲁棒智能体最终可学习到在极端场景下仍能有效运行的微服务部署策略。

4.2 面向卫星任务调度的分布鲁棒优化方法

遥感技术的发展使卫星可采集海量高分辨率影像，为各类下游任务提供有力支撑。但传统的影像处理方式需将原始数据下载至地面站，受星地通信链路距离远、信道条件差的影响，该方式存在巨大的通信开销，无法满足灾害预报、情报侦察等强时效性应用的需求。Space-CPN的任务调度技术通过协调成熟的星上计算能力，实现数据的快速可靠处理，为解决该问题提供了有效途径。卫星任务调度的目标是为遥感卫星生成的影像处理请求，设计高效的路由策略：在每个时间戳，一组卫星首先完成目标区域的遥感影像采集，受单颗卫星计算资源限制，卫星将原始影像处理任务分解，通过星间通信链路将相应的影像切片发送至其他空闲卫星进行处理，最终由地面站收集各计算卫星的处理结果。该调度方案充分释放了星座的计算能力，但Space-CPN的资源分布复杂、网络环境动态变化，路由策略的选择对计算任务的性能影响显著，本质上属于系统优化中的多对多背包匹配问题。

响应时间是空间应用的关键指标，因此平均影像处理时延自然成为系统的性能指标，可将时延分解为四个部分：一是影像传输时延，由数据量与源节点至目的节点的分配带宽决定；二是计算处理时延，由分配至相应数据的计算能力决定；三是卫星切换时延，即首次匹配的节点间的初始化时延；四是结果反馈时延，即卫星将处理结果回传至地面站的时间。

卫星采集的遥感影像数据量波动是重要的约束条件，受卫星高速运动影响，其覆盖的场景快速变化，导致数据量具有不可预测性，这最终造成卫星任务调度的不确定性；也就是说，受场景、需求、天气、时间等因素影响，同一任务中待处理的遥感数据量存在波动。随机优化方法可通过概率分布对该不确定性进行建模，但在Space-CPN的动态环境中，难以精准估计该概率分布；鲁棒优化方法无需先验分布信息，直接最小化最坏情况下的代价，但当最坏情况发生概率极低时，易得到过于保守的解。为缓解上述两种方法的缺陷，本文采用分布鲁棒优化方法：基于大量历史数据进行近似处理，利用部分先验知识构建包含真实分布的模糊集，对影像数据量的不确定性约束进行建模。该方法既继承了随机优化对随机性的刻画能力，又缓解了鲁棒优化的过度保守性问题。随后，综合考虑带宽容量、传输路径、计算能力、切换约束等条件，将该问题建模为分布鲁棒多对多背包匹配问题[23]。通过核密度估计进行分布拟合，采用Wasserstein距离构建模糊集，将原问题转化为可编程的显式表达式，再分解为多个子问题，利用交替优化方法实现高效求解。

5 结论

Space-CPN是实现全球无缝互联、支撑各类下游计算任务的极具潜力的架构，但构建Space-CPN需要解决空间网络在通信策略、计算与网络架构、资源分配方法、应用场景等方面的基础性挑战。针对上述问题，本文首先提出面向任务的通信解决方案，通过提取任务相关信息、融合计算导向的通信目标，实现信息的压缩与传输；其次，提出神经形态计算与网络架构，支撑超高能效的星上数据处理；最后，提出鲁棒优化方法，在动态、不确定的空间环境中定量刻画计算任务需求与网络资源的关系。本文期望为探索Space-CPN在星上计算服务领域的应用机遇提供参考与指引。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Abdelsadek MY, Chaudhry AU, Darwish T, Erdogan E, Karabulut-Kurt G, Madoery PG, et al. Future space networks: toward the next giant leap for humankind. IEEE Trans Commun 2023;71(2):949‒1007. . 10.1109/tcomm.2022.3228611
[2]

Zhou D, Sheng M, Li J, Han Z. Aerospace integrated networks innovation for empowering 6G: a survey and future challenges. IEEE Commun Surv Tutor 2023;25(2):975‒1019. . 10.1109/comst.2023.3245614
[3]

Tang X, Cao C, Wang Y, Zhang S, Liu Y, Li M, et al. Computing power network: the architecture of convergence of computing and networking towards 6G requirement. China Commun 2021;18(2):175‒85. . 10.23919/jcc.2021.02.011
[4]

Qin Z, Liang L, Wang Z, Jin S, Tao X, Tong W, et al. AI empowered wireless communications: from bits to semantics. Proc IEEE 2024;112(7):621‒52. . 10.1109/jproc.2024.3437730
[5]

Shi Y, Zhou Y, Wen D, Wu Y, Jiang C, Letaief KB. Task-oriented communications for 6G: vision, principles, and technologies. IEEE Wirel Commun 2023;30(3):78‒85. . 10.1109/mwc.002.2200468
[6]

Lagunas E, Ortiz F, Eappen G, Daoud S, Martins WA, Querol J, et al. Performance evaluation of neuromorphic hardware for onboard satellite communication applications. IEEE Commun Mag 2024;31(6):78‒84. . 10.1109/mwc.016.2300560
[7]

Deng S, Zhao H, Huang B, Zhang C, Chen F, Deng Y, et al. Cloud-native computing: a survey from the perspective of services. Proc IEEE 2024;112(1):12‒46. . 10.1109/jproc.2024.3353855
[8]

Wu SP, Liao W. Scalable contact graph modeling for low Earth orbit satellite mega constellations. IEEE Netw 2025;39(3):257‒62. . 10.1109/mnet.2024.3439360
[9]

Bui VP, Dinh TQ, Leyva-Mayorga I, Pandey SR, Lagunas E, Popovski P, et al. Semantic image encoding and communication for Earth observation with LEO satellites. IEEE Trans Cogn Commun Netw 2025;11(2):1210‒24. . 10.1109/tccn.2024.3451724
[10]

Goldfeld Z, Polyanskiy Y. The information bottleneck problem and its applications in machine learning. IEEE J Sel Areas Inf Theory 2020;1(1):19‒38. . 10.1109/jsait.2020.2991561
[11]

Xie S, Ma S, Ding M, Shi Y, Tang M, Wu Y. Robust information bottleneck for task-oriented communication with digital modulation. IEEE J Sel Areas Commun 2023;41(8):2577‒91. . 10.1109/jsac.2023.3288252
[12]

Pensia A, Jog V, Loh PL. Extracting robust and accurate features via a robust information bottleneck. IEEE J Sel Areas Inf Theory 2020;1(1):131‒44. . 10.1109/jsait.2020.2991005
[13]

Shi Y, Zeng L, Zhu J, Zhou Y, Jiang C, Letaief KB. Satellite federated edge learning: architecture design and convergence analysis. IEEE Trans Wirel Commun 2024;23(10):15212‒29. . 10.1109/twc.2024.3427377
[14]

Yang P, Wen D, Zeng Q, Zhou Y, Wang T, Cai H, et al. Over-the-air computation empowered vertically split inference. IEEE Trans Wirel Commun 2024;23(12):19634‒48. . 10.1109/twc.2024.3485678
[15]

Wang Z, Zhao Y, Zhou Y, Shi Y, Jiang C, Letaief KB. Over-the-air computation for 6G: foundations, technologies, and applications. IEEE Internet Things J 2024;11(14):24634‒58. . 10.1109/jiot.2024.3405448
[16]

Letaief KB, Shi Y, Lu J, Lu J. Edge artificial intelligence for 6G: vision, enabling technologies, and applications. IEEE J Sel Areas Commun 2022;40(1):5‒36. . 10.1109/jsac.2021.3126076
[17]

Nazer B, Gastpar M. Compute-and-forward: harnessing interference through structured codes. IEEE Trans Inf Theory 2011;57(10):6463‒86. . 10.1109/tit.2011.2165816
[18]

Zhu J, Shi Y, Zhou Y, Jiang C, Chen W, Letaief KB. Over-the-air federated learning and optimization. IEEE Internet Things J 2024;11(10):16996‒7020. . 10.1109/jiot.2024.3352280
[19]

Shrestha A, Fang H, Mei Z, Rider DP, Wu Q, Qiu Q. A survey on neuromorphic computing: models and hardware. IEEE Circuits Syst Mag 2022;22(2):6‒35. . 10.1109/mcas.2022.3166331
[20]

Eshraghian JK, Ward M, Neftci EO, Wang X, Lenz G, Dwivedi G, et al. Training spiking neural networks using lessons from deep learning. Proc IEEE 2023;111(9):1016‒54. . 10.1109/jproc.2023.3308088
[21]

Tao M, Zhou Y, Shi Y, Lu J, Cui S, Lu J, et al. Federated edge learning for 6G: foundations, methodologies, and applications. Proc IEEE. In press. . 10.1109/jproc.2024.3509739
[22]

Pinto L, Davidson J, Sukthankar R, Gupta A. Robust adversarial reinforcement learning. In: Proceedings of the 34th International Conference on Machine Learning; 2017 Aug 6‒11; Sydney, NSW, Australia; 2017. . 10.1109/icra.2017.7989190
[23]

Sun J, Chen X, Jiang C, Guo S. Distributionally robust optimization of on-orbit resource scheduling for remote sensing in space‒air‒ground integrated 6G networks. IEEE J Sel Areas Commun 2025;43(1):382‒95. . 10.1109/jsac.2024.3460057

AI Summary AI Mindmap
PDF (5321KB)

3288

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉