研究团队
宋彬，赵迪：西安电子科技大学
文章下载
Zhao D, Ding R & Song B. Satellite-assisted 6G wide-area edge intelligence: Dynamics-aware task offloading and resource allocation for remote IoT services. 2025, 68(2): 122303
![]()
随着6G网络技术的不断演进，卫星通信网络与移动边缘计算技术的结合成为实现广域边缘智能的关键，这种融合不仅能够提供全球范围内的普遍通信服务，还能满足对计算服务的即时性和可访问性需求。特别是针对延迟敏感和计算密集的物联网应用，通过将计算能力下沉至网络边缘来提升任务的实时处理能力，以支持智能农业、环境监测和应急响应等关键领应用。因此，6G广域边缘智能的必要性不仅体现在提升用户体验上，还体现在其对全球服务能力扩展和智能化水平提升的重要支撑上。图1 面向6G卫星互联网的广域边缘智能架构
本研究面向低轨卫星辅助的云-边-端智能协作架构，聚焦于跨域任务卸载与多维资源分配的联合优化问题，旨在最小化任务的端到端处理时延，以支持时延敏感型和计算密集型的业务应用。并且，提出一种基于时空注意力的深度强化学习方法，其中行为网络利用时间注意力机制深入分析任务到达的时间序列特征，以做出前瞻性的行为决策；而评价网络则通过空间注意力机制跟踪网络拓扑结构的空间变迁，以精准评估行为决策影响，从而有效应对业务流量剧烈波动和卫星覆盖范围动态变化等关键挑战。本文的创新点如下：
(1) 提出了一个融合时空注意力机制的近端策略优化算法，以适应低轨卫星网络中固有的动态时空特性，包括任务流量的高波动性和空间节点的高移动性。
(2) 设计了一个具有掩码机制的多维动作网络，以解耦卫星覆盖、任务卸载以及资源分配之间的关联，并融合时间注意力机制实现联合优化。
(3) 设计了一个状态-动作图来表示卫星运动和任务卸载所形成的空间拓扑关系，并且混合评估网络利用空间注意力机制来评估状态-动作对的价值。图2 时空可感的任务卸载与资源分配算法
仿真设置Starlink星座为偏远地区的物联网设备提供任务卸载和计算服务，模拟时间为2023年3月1日的5分钟内，比较了所提算法与基准方案在不同任务到达率和波束覆盖情况下系统延迟、任务卸载比例、链路吞吐量等指标的性能表现。实验结果表明所提算法能够有效提升链路容量并降低任务时延，具有良好的适应性和鲁棒性。图3 不同到达率下的任务分布
![]()
![]()
