星地融合网络中的流量卸载研究

戴翠琴，贺黎明，陈 莉

(重庆邮电大学 通信与信息工程学院，重庆 400065)

0 引 言

近年来，随着增强现实(augmented reality, AR)/虚拟现实(virtual reality, VR)、4K/8K、物联网(internet of things, IoT)等一系列新应用的出现，对地面网络(terrestrial networks, TN)实现超大规模计算和超大容量负载提出了更高的要求[1-2]。同时，运行在智能终端上的多功能应用程序也会产生大量的网络流量，用户设备(user equipment, UE)在计算能力、资源存储和能效等方面存在不足，难以应对这些密集型任务[3-4]。

目前，卫星网络(satellite networks, SN)与TN的融合成为了研究热点[5]，星地融合网络具有如下特征：①覆盖方面。星地融合网络打破了传统地面网络受地理限制的缺点，可利用卫星的广覆盖优势实现全球无缝覆盖；②网络灵活性方面。星地融合网络可以高效、快速地拓展网络服务范围，经济、灵活地提供多样化的接入服务；③网络资源利用率方面。单一的卫星网络资源利用率较低，融合的星地网络能够提高网络资源的整体利用率；④系统容量方面。卫星网络作为地面网络的辅助，可以拓展地面网络的系统容量，尤其目前流量激增对地面网络造成了巨大压力，其中，星地融合网络(satellite-terrestrial integrated networks, STIN)中的流量卸载被认为是减轻地面网络中的负载、为用户设备提供广泛的计算能力、在STIN网络中实现动态流量卸载的关键要素[6-7]。

目前，针对TN流量激增这一问题已经提出了多种解决方案。其中，建设更多的网络基础设施可以有效缓解局部蜂窝网的压力，但这种方法建设周期长、投资大、效率低[8]; 移动云计算技术可以将移动终端上的计算密集型任务卸载到云服务器处理，突破了UE计算能力有限的弊端、减轻了UE的负载、延长了电池的使用寿命[9]，缺点是终端设备距离云服务器较远，所以在将大量数据上传至云端的过程中会增加额外的无线电回程负载，并引发高延迟；同时，移动终端会产生更多的能量消耗，进而增加了网络负荷[10]。基于Wi-Fi的流量卸载以部署成本低、周期短的特点受到了一定的关注，但移动数据需通过基站处理和回传，当用户数量激增时，延迟会增大，通信质量欠佳[11]。微蜂窝(Femtocell)是一种功耗低、小型、价格低廉的基站，常被用在异构蜂窝网络中提高宏基站的频谱效率和减轻宏基站的网络压力，但缺点是当用户数量激增时，网络的处理能力不足并会产生更多的干扰冲突，从而造成通信质量不佳[12-13]。基于设备到设备(device-to-device, D2D)通信的流量卸载主要利用D2D通信的特点，不需要额外的设备、几乎无成本消耗、频谱效率较高、端到端时延低，用户之间可以直接通过D2D链路进行数据传输，不需要经过基站和核心网络的转发和处理，因此，可以减轻基站的压力，进而减缓蜂窝网的负担[14-17]，但D2D通信有很多的限制因素，例如：本地通信的概率较低；非正交资源分配可能会导致D2D与蜂窝通信之间的严重干扰；由于天线长度和天线增益的原因，设备之间传播信道的质量比基站(base station, BS)和设备之间传播信道的质量更差等[18-19]，因此，这种通信方式也有一定的局限性。文献[20-21]指出了传统云计算卸载方式存在的不足之处，提出利用移动边缘计算(mobile edge computing, MEC)技术将数据卸载到移动网络边缘进行处理。但MEC卸载技术仍在计算资源分配、移动性管理、卸载决策等方面存在诸多挑战。

1 星地融合网络架构

传统的地面网络计算资源充足、技术发展成熟，但对于一些偏远地区(如山区、岛屿)仍无法实现覆盖，同时，在面临自然灾害时，地面网络容易出现瘫痪。低地球轨道(low earth orbit, LEO)卫星相比于地球静止轨道(geostationary orbit, GEO)卫星和中地球轨道(medium earth orbit, MEO)卫星，凭借其覆盖范围广、传播时延短的优势受到了广泛的关注。

星地融合网络架构主要由天基网络和地基网络组成，如图1，其中，天基网络包含天基骨干网和天基接入网，天基骨干网由GEO卫星星座组成，天基接入网由LEO卫星星座组成，天基网络通过信关站将流量卸载到地面网络。地基网络主要指的是蜂窝网络。地基网络主要为人员密集、非偏远地区提供网络通信服务。而在地面网络覆盖不到的区域，尤其是偏远地区，或者在网络流量剧增、地面网络难以应对时，流量会被卸载到天基网络。

在星地融合网络中进行流量卸载具有如下优势：①为用户提供不间断的网络服务。在地面网络建设较好的场景中，移动终端优先选择接入蜂窝网络，在无地面网络建设或者地面网络通信质量不佳时，会自动切换到卫星网络，从而实现无缝、无感知的网络服务；②物联网服务。在物联网应用中(如，智慧物流、交通运输等)接入LEO卫星网络，可以实现低传输延时，实时地对IoT设备的状态、位置进行监测，提高了产业效率；③应急通信。当发生地震、火灾或者在山区科研时，星地融合网络凭借其网络的广覆盖性和灵活性可以快速建立网络连接，为用户提高应急通信。

图1 星地融合网络架构Fig.1 Satellite-terrestrial integrated networks architecture

综上可知，星地融合网络可以实现全球无缝覆盖、为用户提供无所不在的网络服务，也可以将物联网等一系列智慧产业拓展到更大的应用范围，实现一体化的通信服务保障。

2 流量卸载方案

为了减缓地面网络压力，需要选择性地将地面网络流量卸载到卫星网络，其中，星地融合网络中的流量卸载技术起到了关键作用，主要采用的技术有软件定义网络、网络功能虚拟化、移动边缘计算以及星间链路协作。

2.1 基于SDN和NFV技术的流量卸载方案

软件定义网络(software defined network,SDN)技术的核心思想是将控制平面与转发平面解耦，可通过软件定义的方式监视网络的资源信息，并可以通过控制平面进行资源调度，从而对全局进行优化，提升资源利用率[22-23]。

软件定义卫星网络(software defined satellite networks, SDSN)采纳了SDN的主要思想，可以通过统一的控制平面将卫星网络与地面网络集成在一起，根据用户和服务的需求，灵活、动态地分配网络资源，快速、经济地定制或更新网络功能[24]。网络功能虚拟化(network functions virtualization, NFV)是一种管理STIN资源的有效方法，该技术能够将单个物理网络虚拟化为多个虚拟网络，实现了网络资源共享，提高了STIN中网络资源的利用率[25]。通过这2种方式，可以灵活地抽象、虚拟化、共享和管理网络资源。

为减轻地面网络中的负载，文献[20]提出了一种基于现代软件定义网络概念的体系架构，并设计了一种具有决策、执行和监视功能的适用于典型SDN架构的控制环优化卸载决策。文献[26]将资源分配问题转化为联合优化问题，并通过定义状态空间、动作空间和奖励函数，将该问题描述为马尔可夫决策过程，然后，使用一种新颖的深度Q学习方法来学习最佳资源分配策略。文献[27]从网络管理的角度出发，研究了平衡用户偏好和网络效用的服务卸载问题。提出了一个包含了TBS、卫星和UE的效用、TBS和卫星的服务容量、服务负荷和服务成本的抽象模型，确定了一颗卫星和多颗卫星情况下的卸载决策问题的次优解决方案。文献[28]为解决LEO卫星的高速移动问题，采用动态NFV集成网络资源，使网络可以集中管理计算卸载任务。文献[29] 提出了一种基于SDN的频谱共享和流量卸载机制，以实现蜂窝网络中地面基站(BS)与星地通信中波束群之间的合作与竞争。同时，通过NFV和服务功能链(service function chain, SFC)在SAGIN中实现双向任务卸载，可以大大降低计算成本[30]。

综上可知，在STIN中采取SDN和NFV技术主要具有以下优点：①可以从宏观角度统一调度STIN中的网络资源并提高资源利用率；②该方法允许UE选择性地将数据卸载到卫星链路，在STIN中实现动态流量卸载，能够有效减轻窄带地面网络中的负载；③增加了网络的灵活性、可拓展性与后期可维护性。但目前针对STIN中的资源分配问题，仅有少量研究将机器学习算法运用到此领域，尤其是机器学习中的深度学习，在资源分配以及资源调度等方面具有很大的潜在研究价值。随着未来STIN中控制实体的日益增多，引入机器学习等先进技术，可进一步提高资源分配的合理性及有效性。

2.2 基于MEC技术的流量卸载方案

MEC技术的核心思想将UE产生的数据卸载到具有存储和计算能力的移动网络边缘进行处理，该技术能够大大降低网络时延、提升服务质量(quality of service, QoS)[31]。

通过在STIN中部署MEC服务器，可以在网络体系结构中实现一些基本应用，如：①内容缓存。多媒体数据的爆炸性增长给STIN带来了巨大压力。通过将内容缓存在STIN中，可以避免相同内容的重传，从而可以大大减少STIN的返回流量。通过预缓存应用程序所需的数据，可以快速提供相应的数据，以有效减少应用程序延迟；②计算卸载。将计算任务转移到远程数据中心不仅会给网络传输带来很大压力，而且还会不可避免地增大延迟。在STIN上部署MEC并将计算能力扩展到更靠近用户设备的位置，可为各种延迟敏感和计算密集型应用程序提供更有效的服务保证；③网络服务。MEC可以支持STIN提供更复杂的网络服务。卫星网络的拓扑结构是动态变化的，因此，多样化的网络管理服务可以有效提高STIN的整体资源利用率。一种典型的包含MEC服务器的STIN网络架构如图2。整个体系结构可以分为4个部分：卫星网络、地面网络、边缘计算集群和用户设备。卫星网络由配备MEC平台的LEO卫星组成，可以处理来自UE的计算任务；地面网络主要包括蜂窝网络、骨干网络、数据中心和MEC平台。用户设备产生的计算任务可以通过蜂窝网络处理，也可以通过骨干网和Internet将计算任务发送到拥有最多的计算和存储资源数据中心处理；边缘计算集群配有MEC平台，包括基于海洋的集群、基于航空的集群和基于陆地的集群(即车辆集群)，可以处理来自用户设备的计算任务；根据不同的场景，用户设备会采取不同的卸载决策：在地面通信设施较好的场景中，用户任务通常转移到地面MEC平台进行处理；当用户设备位于相对偏远的地区时，通常选择卸载到卫星MEC平台；具有边缘计算功能的设备可以形成集群，用户设备可以选择卸载到集群；当MEC平台的任务处理压力很大时，可以将计算任务发送到数据中心进行处理。通过这种方法可以增强用户体验质量(quality of experience, QoE) 并减少网络流量冗余。

综上所述，在STIN中引入MEC技术具有以下优点：①天基卫星网络的计算和缓存能力得到大大增强，能够处理计算密集型任务；②与传统卫星网络相比，大大降低了任务的处理时延，提高了用户QoS；③UE突破了硬件限制，为地面流量卸载提供了一种新的途径。但另一方面，将MEC服务器嵌入到LEO卫星上不可避免地会增加其硬件成本和额外的能源消耗，因此，在方案设计中往往需要兼顾时延、能耗、成本支出3个方面。

图2 配有MEC平台的STIN体系架构Fig.2 STIN architecture equipped with MEC platform

2.3 基于星间链路协作的流量卸载方案

利用星间链路(inter-satellite link, ISL)将卫星收集到的所有数据卸载到地面服务器始终是一个具有挑战性的问题，主要是因为①各个卫星所需要卸载到地面的数据量与卫星和地球站(earth station, ES)接触时间长短不一致，即拥有大数据量的卫星可能与ES接触时间较短，反之亦然；②ISL的高动态性。由于卫星的高速运动，卫星之间的ISL存在时间很短，很难在有限时间内卫星之间互传数据；③联合调度卫星之间卸载数据和卫星和ES之间卸载。在卫星通过ISL互相卸载数据的同时，卫星也可能在卸载数据到地面，除此之外，卫星也在不断地收集观测数据，因此，该联合调度问题更加复杂。

文献[32]首次提出使用ISL进行协作数据下载(cooperative downloading, CoDld)提高卫星到ES数据下载的吞吐量。针对多个卫星到单个ES的数据卸载问题，引入时间共享图和空间共享图。其中，时间共享图为卫星分配合理的卸载时间，空间共享图为卫星分配合理的数据量。文献[33]同时考虑吞吐量与传输成本，引入辅助流程图，将最佳数据卸载问题转换为流程图上的最小成本和最大流量问题。

文献[34]考虑到卫星在卸载数据时不断收集数据的情况，提出在采用星地链路传输数据前，利用ISL将重负载卫星上的数据卸载到轻负载的卫星上，首先基于卫星间交互时间和卫星与ES交互时间构建时空拓扑图，将下载时间分配给携带数据量最大的卫星。然后，对时间切片进行动态划分，最后，采用最大流量算法确定具体的卫星间传输方案。

因此，利用ISL协作的卸载技术能够将卫星在太空中收集的数据成功卸载到地面服务器，进而发送到用户设备，增大了卫星回传到地球站的吞吐量。但引入ISL必然会导致卫星能耗以及时延增大，可以采用合适的算法解决此问题，如匈牙利算法，将时间和成本矩阵作为该算法的输入,可以有效降低处理延迟和能耗。

3 流量卸载决策

卸载决策，是指UE决定是否卸载、卸载到哪里、卸载多少以及卸载什么的问题。UE卸载决策的结果分为本地执行、部分卸载以及全部卸载，一般来说，当UE计算能力充足时，选择将任务在本地执行，当UE计算能力不足时，选择部分卸载或全部卸载，部分卸载是指用UE将部分任务卸载到中央云或卫星等具有计算和缓存能力的地方处理，全部卸载指UE的任务全部卸载到有计算和缓存的处理中心处理。在STIN中，卸载决策主要包括以降低时延、减少能耗、权衡时延与能耗和增大吞吐量为目标的卸载决策。本节从不同的卸载决策目标分析STIN中已有的卸载决策策略。具体的研究进展如表1。

表1 STIN的流量卸载决策分类总结

续表

3.1 以降低时延为目标的卸载决策

卫星网络相比于地面网络具有较高的传输时延，尤其是对于延迟较为敏感的任务来说，会严重影响用户QoS。因此，为保证网络的可靠性及稳定性，需要减少星地融合网络中任务的传输以及处理时延。

目前，在STIN中加入MEC服务器可以大大减少传输时延。根据MEC服务器放置位置的不同，在STIN中利用MEC实现计算卸载一般有3种方法[30]：①近地面卸载(approaching terrestrial offloading, PTO)。SMEC服务器部署在用户附近的地面站中，将计算任务转移到SMEC服务器，可以避免回程传输到卫星。但此模式要求地面站具有广泛的计算能力，适合于密集用户的地面站中继通信；②卫星携带卸载(satellite bring offloading, SBO)。SMEC服务器部署在LEO卫星中，与卫星建立连接的所有用户都可以享受卸载服务。此模式产生的延迟与远程云相比较低，但一方面将SMEC服务器嵌入卫星中会增加其硬件成本，另一方面，大量计算将大大增加卫星的能耗，当严格限制卫星的能量供应时，此方法并不实用；③远程地面卸载(remote terrestrial offloading, RTO)。SMEC服务器部署在连接IP互联网的高能效TBN网关中。此模式下，所有域用户都可以享受SMEC服务，从而避免了TBN与远程云之间通过WAN进行数据传输。但与PTO和SBO相比，RTO的延迟由于LEO卫星链路的额外中继而相对较高，但在实施和维护方面更为实用。文献[35]提出一种基于STIN的分流卸载策略，建议将URLLC流量卸载到地面回程，而eMBB流量卸载到卫星网络，能够降低URLLC的传输时延以及eMBB的丢包率。文献[36]提出具有双边缘计算的STIN架构，并利用双边缘计算卸载算法，将需要卸载的所有任务匹配到合适的MEC服务器，以减少平均任务延迟和边缘服务器的能耗。文献[37] 在延迟和成本约束下，建立基于激励机制的联合优化问题，并采用基于马尔科夫链蒙特卡洛的模拟退火算法和Metropolis算法，求得具有成本效益的近优解。

以上文献为降低STIN中流量卸载的传输时延做了大量贡献。该卸载决策适用时间敏感型应用，能够大大减少计算卸载过程的耗时。但是，与地面网络不同，卫星网络的能源本身是有限的，只考虑时延而不考虑卫星的能耗问题，可能会超过卫星本身可承受的范围，造成任务卸载无法完成，因此，需要研究STIN中流量卸载的能耗问题。

3.2 以降低能源消耗为目标的卸载决策

卸载决策要解决的往往不是单一的时延问题，这是因为卫星网络不同于地面网络，卫星网络的能源往往是有限的，因此常常需要在时延约束下，考虑LEO卫星以及STIN的能量消耗问题。

文献[38]针对多卫星多地面站下载调度问题(MMSP)，在提高吞吐量的基础之上，通过减少传输节点的数量，从而节约卫星能源。文献[39]研究了STIN中多蜂窝小区的数据卸载机制，为提高卫星下行链路的能源效率，采用二进制搜索辅助梯度上升法确定最佳功率分配策略。文献[40]考虑到能源约束，通过块放置、功率分配和缓存共享决策来最大化RAN的能量效率。文献[41-42]从运营商利益出发，提出基于Stackelberg博弈数据卸载定价机制，激励双方运营商通过LEO网络进行数据卸载，减少能耗的同时可以实现运营商利益的最大化。文献[27] 提出了一种协作计算卸载(CCO)策略，能够显著降低用户感知延迟和系统能耗。文献[43-44]权衡了能耗、延迟和成本，其中，文献[43]提出了一种在卫星边缘计算中优化计算卸载策略的博弈论方法，表明基于游戏的卸载策略可以大大降低设备的平均成本，并通过迭代算法降低计算任务的平均响应时间和平均能耗。文献[44] 提出的基于强化学习RL的计算卸载算法可以降低设备平均总成本，并在能耗和延迟方面与贪婪算法进行比较，发现前者优于后者。

以上文献为降低STIN中流量卸载的能耗做了大量贡献。所列举的方案中，主要是在满足卸载任务可承受的时延范围内最小化卫星能耗。然而，在实际的卸载过程中并非所有的任务都仅仅考虑时延和能耗。比如，一些视频类应用可能对吞吐量要求更高，因此，需要进一步对吞吐量问题进行研究。

3.3 以提高吞吐量为目标的卸载决策

在STIN中，星地链路具有高度动态性，卫星与地面信关站的连接时间是有限的，为提高卫星回传到地面网络数据的吞吐量、避免数据丢失，需要为每个卫星分配合理的下载时间以及数据量大小。

文献[45]提出在融合的超密集LEO网络和TN中进行数据卸载，通过拉格朗日对偶分解，将吞吐量最大化问题简化为地面流量卸载和基于LEO的回程容量优化2个解耦子问题，并使用交换匹配算法对问题进行优化处理。文献[46]研究了SAIC (satellite-aerial integrated computing)体系结构在灾难中联合两级用户关联和卸载决策的问题，提出的3D超图匹配算法能够大大提高数据传输的总速率，与贪婪算法进行相比，该算法优于贪婪算法。文献[47]基于ISL，建立了网络流量模型，并通过预流推进算法寻找全局最优解，使得卫星到ES的数据卸载吞吐量最大化。为支持极高的流量需求，文献[48]提出了基于云的反向拍卖机制，在提高网络卸载率的同时，能够最大化运营商利润。为应对卫星网络的周期性和动态性，文献[49]提出增强的叠加多功率级多传输(ESMLMT)图，该图将网络拓扑用时空图的拓扑快照表示，大大弱化了卫星的高移动性，并提出了节能的迭代式协作数据下载(CoDld-EE)算法，实现最小化传输能量、最大化吞吐量。

以上文献为提高STIN中流量卸载的吞吐量做了大量贡献。但是这些方案仅仅考虑了吞吐量问题，并不适用对时延和能耗有着严苛要求的应用，具有一定的局限性。因此，可以在未来研究中设计更加优秀的算法，使其能够同时权衡时延、能耗和吞吐量。

4 问题与挑战

在STIN网络中选择合适的流量卸载策略，能够减少蜂窝网络的负载、降低传输时延、减少能源消耗、增大卫星回传的吞吐量和传输速率。但流量卸载仍在诸多方面存在问题与挑战。

4.1 流量卸载决策算法

近年来，STIN中流量卸载决策算法主要是对传统理论的改进，比如匹配理论、拍卖理论和博弈理论，在时延、能耗和吞吐量等方面均取得了不错的表现。但是由于网络场景愈加复杂，传统的算法在任务卸载过程中缺乏一定的适应能力。目前，深度学习算法在这一领域应用较少，可以考虑基于STIN和流量的特点，对深度学习算法进行改进，以提高流量卸载决策算法的适应性。

4.2 流量卸载过程的连续性

一方面，与地面网络中的流量卸载类似，用户可能处于不断地移动中。但是，卫星网络与地面网络不同，卫星网络的拓扑也是不断变化的，这种卫星和用户之间的相对运动增加了流量卸载过程中断的可能性。因此，对于STIN中的流量卸载来说，如何确保流量卸载连续性是一个关键问题。目前已有研究提出服务迁移方案，如在服务迁移期间，原始平台会将应用程序和数据发送到新平台，这样可以保证新的平台可以继续处理用户任务。

4.3 大容量并发信号的可靠接收

流量卸载的另一个关键问题是大容量并发信号的可靠接收。卫星波束可能含有大量UE，所以，在数据卸载传输过程中经常发生信号干扰以及冲突，可能会导致传输效率低、传输不稳定甚至数据丢失等情况，因此，需要开发出一种高效可靠的信号干扰消除技术，保证通信的稳定性。

4.4 安全与隐私

在STIN中进行流量卸载时，当任务卸载从其他网络寻求帮助时，数据代码可能会暴露给不受信任的实体，这将对用户造成安全和隐私威胁，从而需要在任务卸载过程中执行自动筛选并确保数据隐私和安全性机制。此外，还应解决恶意实体干扰和窃听，特别是对于从空中转移到地面的任务。

5 结束语

近年来，STIN受到国内外广泛关注，作为STIN的关键要素之一，流量卸载能够分担蜂窝网的压力、降低传输时延、减少能耗、提高STIN的吞吐量。本文重点综述了流量卸载涉及的关键技术以及不同的流量卸载决策策略，并基于目前的研究指出了该领域所面临的挑战以及下一步的研究方向。