[发明专利]星地网络中基于矩阵-向量乘法任务的编码计算分配方法

说明书

本发明公开了一种星地网络中基于矩阵‑向量乘法任务的编码计算分配方法，包括构建星地网络系统，根据资源调度参数与任务分配大小形成星地网络系统动作空间；根据所述星地网络系统动作空间建立基于DDPG算法的任务调度方法，获取编码计算分配的决策。本发明提出了新的系统时变性指标，结合任务执行容忍时延定义并推导了系统折衷开销的表达式，进而利用DDPG深度强化学习算法，对星地间计算卸载的经验样本进行训练，仿真结果得到了收敛后的回报函数值，得到最优的时延与能量开销，另外，LT编码方案在避免straggler现象的负面影响时具有明显的优势。

技术领域

本发明涉及通信技术领域，特别涉及一种星地网络中基于矩阵-向量乘法任务的编码计算分配方法。

背景技术

在星地融合网络中采用计算任务卸载策略是提升各种密集型计算业务服务质量的有效途径之一，现有的卫星-地面合作传输方案中，将低轨道卫星网络作为无线局域网的一部分，在卸载过程中考虑能量约束对传输功率分配的控制，以达到传输能量效率最优化。也有提出了低轨星地网络下联合边缘计算与缓存问题的机器学习算法，利用深度学习完成计算任务卸载至星上边缘服务器的系统工作流程。为了进一步利用星上处理的能力，应对海量计算与时延敏感服务，单颗卫星提供的计算和覆盖能力仍然有限。将计算任务分布式卸载至多颗卫星能够进一步整合可利用的计算资源，同时也增大了计算协同调度的复杂性。然后出现了将地面卸载至卫星的计算任务在低轨卫星网络中进行分配与传输，对具有多个卫星节点和卫星网关的任务卸载、计算与通信资源分配进行联合优化，并使用了马尔可夫决策过程以及深度强化学习将联合优化问题分为固定用户关联与动态用户关联两个子问题进行解决，利用学习算法有效减少时延和能量开销。

为了解决复杂机器学习算法和大数据分析等大规模计算任务，通常采用分布式系统代替集中式计算。在分布式计算中，任务被拆分成多个子任务并行处理。但在实际系统工作过程中，由于工作节点的计算资源被占用、数据包丢失和硬件故障等原因，导致该节点的计算时延过高，成为“慢节点”(straggler)，对系统整体性能造成了极大影响。针对这个问题，有人提出了基于大规模机器学习的编码计算方案，通过在分布式计算系统中对矩阵相乘计算中的矩阵行进行编码，有效降低了计算时延开销。也有提出了一种基于无速率喷泉码的编码计算策略，在存在straggler的情况下加快分布式矩阵矢量乘法，实现了近乎完美的负载平衡，冗余计算开销渐近为零，解码复杂度低。通过理论分析和实验表明，与MDS编码方案、复制方案等固定码率编码方案相比，无速率码在计算延迟上具有更好的优化性能。目前，无速率码在编码计算解决大规模矩阵乘法问题上有着最优的性能，其主要原理为，为了使用多个工作节点完成矩阵向量相乘即Ax的运算，无速率编码算法对m行n列矩阵A中的m行进行线性编码组合，产生m_e＝αm(α＞1)个编码行，将这些编码行平均分配到p个工作节点中。每个节点需要接收m_e/p个编码行并分别与向量x相乘并发送回主节点。主节点接收到任意M＝m(1+ε)个乘法结果即可通过解码算法得到总计算任务Ax的结果，ε是一个很小的量。

星地融合网络中，多波束卫星有一定的覆盖区域和服务对象。不同波束范围内的地面用户在不同时段产生的任务请求往往有较大差异，导致网络中各个卫星的计算与通信资源占用发生实时变化。这种“忙闲状态”的特性在未知状态下不利于卫星间进行计算卸载与资源分配，如在一个卫星节点处排队时间较长，或卫星计算能力出现不稳定下降(宕机)，将大大增加整体的计算时延，进而导致系统计算卸载任务失败。并且由于低轨卫星网络拓扑随时间发生变化，星间通信链路的建立存在动态特性，这将对星上任务调度以及计算任务能否完成产生影响。

目前，编码计算依然处于理论研究阶段，大多研究者集中于讨论编码矩阵分解及异构系统的通信-计算折衷问题。而星地融合网络具有链路长延迟、拓扑非固定、网络层级切分零散、计算任务优先级差异显著等诸多复杂因素，straggler对地面和星载边缘服务器的计算资源使用效率影响更为突出。无速率码计算虽然具有自适应能力较强的优势，但其延迟性能恰好决定于边缘服务器straggler情况的发生频率。特殊网络场景中链路状态和拓扑构型对无速率编码计算最优化延迟性能的影响机理都需要进一步研究，从而明确其应用条件。