一种面向低轨卫星网络的边缘计算架构及计算卸载优化方法与流程

1.本发明涉及通信网络领域，更具体地，涉及一种面向低轨卫星网络的边缘计算架构及计算卸载优化方法。


背景技术：

2.激荡数年，裹挟于移动互联网风靡云涌的时代洪流中，第五代移动通信技术(5
‑
th generation mobile networks，5g)迎来了其如火如荼的高速发展期。5g技术被广泛认定是新一代移动互联网通用技术，将全面助力构筑社会形态向数字化的转型。
3.在当前工业5.0时代的发展风口上，新兴互联网应用对服务质量(quality
‑
of
‑
service,qos)的要求越发严格；同时大数据时代的演变进化也为井喷式增长的数据量推波助浪，这是5g核心网络所罹受的首要挑战。其次，作为新一代地面宽带网络，5g自然继承了传统地面网络的物理局限性，即服务范围受基站普及范围的约束。尽管5g基站数量完成了井喷式增长，然而目前世界上仍有过半的地区，尤其是经济不发达的农村区域、自然条件恶劣的特殊地形以及行踪不定的远洋邮轮尚不具备享受高速移动互联网服务的条件。这种受制于地面环境以及现实条件的固有属性成为了5g核心网络所罹受的挑战之二。具体来说，在人烟稀少的偏远地区构建地面基站不符合经济学原理，其经济投入与实际回报损益比呈亏损状态；而对一些自然条件极端恶劣的特殊地形区域，如沙漠、深海、极地等，在此极端区域构建地面基站更是犹如移山回海，并不符合现实因素。如此形势下，5g核心网恐将会身陷囫囵，难以保障全球范围内的高质量网络服务：一方面，海量涌入网络的请求造成的网络拥塞加重了5g核心网的压力；另一方面，受限于地面环境及现实因素，5g实现全球范围内的覆盖目前仍任重道远。因此，一种新的移动互联网服务架构设计需求呼之欲出，激发了全球学者踊跃学习的热忱。


技术实现要素：

4.本发明针对现有技术中存在的技术问题，提供一种面向低轨卫星网络的边缘计算架构及计算卸载优化方法，解决了解决当前地面站通信网络存在的响应时间等局限性问题。
5.根据本发明的第一方面，提供了一种面向低轨卫星网络的边缘计算架构，包括低轨卫星网络和地面站网络，所述低轨卫星网络和所述地面站网络分别布置有卫星端边缘服务器和地面端边缘服务器；低轨卫星网络中的中继卫星接收用户任务请求，并根据服务模式的不同将用户任务分发至低轨卫星网络和/或地面站网络，以使所述卫星端边缘服务器和/或所述地面端边缘服务器对用户任务进行处理；中继卫星接收所述卫星端边缘服务器和/或所述地面端边缘服务器返回的用户任务处理结果，将用户任务处理结果回传给用户。
6.根据本发明的第二方面，提供一种基于面向低轨卫星网络的边缘计算架构的计算卸载优化方法，包括：分别计算本地执行方式、通过中继卫星卸载到地面站边缘服务器的执行方式以及通过中继卫星卸载到卫星端边缘服务器的执行方式对用户任务进行处理的时
间消耗和能量消耗；基于为用户任务分配不同执行方式的不同分配策略，统计每一种分配策略对应的时间消耗和能量消耗，其中，根据分配策略，为多个用户任务分配本地执行方式和/或通过中继卫星卸载到地面站边缘服务器的执行方式和/或通过中继卫星卸载到卫星端边缘服务器的执行方式；以时间消耗和能量消耗为总消耗，以总消耗最小作为目标函数，求解用户任务的最优分配策略。
7.本发明提供的一种面向低轨卫星网络的边缘计算架构及计算卸载优化方法，构建的边缘计算架构适配于低轨卫星网络场景，低轨卫星承担中继以及计算双重作用，一方面，保持其中继转发作用并利用低轨卫星通信网络中高效的星间链路为地面通信网络赋能；另一方面通过在卫星网络边缘部署计算资源，运用卫星端算力，使其可以与地面网络协同进行部分任务处理；通过这种方式构建边缘计算架构，传统低轨卫星通信网络的固有架构限制被打破的同时，卫星端能力也被合理拓展。
附图说明
8.图1为本发明提供的一种面向低轨卫星网络的边缘计算架构结构图；
9.图2为本发明提供的一种低轨卫星网络的边缘计算架构的分层架构图；
10.图3为本发明提供的一种面向低轨卫星网络的边缘计算架构的计算卸载优化方法流程图；
11.图4为精英选择遗传策略的示意图。
具体实施方式
12.下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
13.基于背景技术中介绍的缺陷，顺应时代需求，边缘计算赋能的低轨卫星通信网络正在被擘划以突破上述5g技术的两大局限。
14.a、基于低轨卫星通信网络的边缘计算架构研究意义：
15.一是覆盖广泛，助力实现全球网络覆盖。如前所述，低轨卫星通信网络作为近年来备受关注的新兴卫星网络，其灵活的天基组网使其不再收到地面环境的制约。故而，此前长期制约地面通信网络的经济约束以及现实约束已不复存在。因此，基于低轨卫星通信网络的边缘计算架构在应对远洋邮轮、偏远地区、极地等特殊场景的通信需求时具有极大的先天优势。
16.二是拓展低轨卫星通信网络能力，助力实现天地协同。基于低轨卫星通信网络的边缘计算架构的核心思想是充分利用低轨卫星通信网络能力。一方面，利用低轨卫星通信网络中高效的星间链路为地面通信网络赋能；另一方面通过在卫星网络边缘部署计算资源，运用卫星端算力，为用户提供全新的互联网解决方案，进一步满足终端用户对更快、更好、更安全的数据服务的需求。
17.b、基于低轨卫星通信网络的计算卸载算法研究意义：接下来基于低轨卫星通信网络的计算卸载这一子课题的研究意义，作为mec领域中最核心的关键技术要素，卸载算法性能的优劣可直接影响所属mec系统所能提供的服务质量。
18.一是于用户端，提供高质量服务，提升用户服务体验。计算卸载拓宽了移动终端设
备的计算能力；此外，在传统的云计算模型中，终端用户只有两个选项即本地处理和云端处理。考虑云数据中心到用户终端的传输距离，这种单一的处理方式在效率上存在一定的问题，伴随巨大的传输时延以及等待时延，这无疑会影响用户的体验，而基于低轨卫星通信网络的计算卸载可以及时快速的响应用户需求。因而，对于用户端，设计合理的基于低轨卫星通信网络的计算卸载算法能够保障服务质量，提升用户服务体验。
19.二是于网络端，充分利用网络资源，提升生产效率。于网络运营商或服务供应商的角度，合适的计算卸载算法避免了空闲的服务资源浪费，避免了资源冗余的传播过程，充分利用了有限的网络资源，使得系统生产效率大幅上升，从而可以为网络运营商以及服务供应商带来巨大效益。
20.将低轨卫星网络领域与边缘计算领域进行融合，本发明创新的将地面端边缘计算成熟的建树移植到低轨卫星网络，设计一种适配于低轨卫星网络场景的边缘计算架构以及其架构下的高效卸载算法。
21.图1为本发明提供的一种面向低轨卫星网络的边缘计算架构，如图1所示，边缘计算架构主要包括低轨卫星网络和地面站网络，低轨卫星网络和地面站网络分别布置有卫星端边缘服务器和地面端边缘服务器。
22.其中，低轨卫星网络中的中继卫星接收用户任务请求，并根据服务模式的不同将用户任务分发至低轨卫星网络和/或地面站网络，以使所述卫星端边缘服务器和/或所述地面端边缘服务器对用户任务进行处理；中继卫星接收所述卫星端边缘服务器和/或所述地面端边缘服务器返回的用户任务处理结果，将用户任务处理结果回传给用户。
23.本发明提供了一种低轨卫星网络和地面站网络协同的边缘计算架构，低轨卫星承担中继以及计算双重作用，一方面，保持其中继转发作用并利用低轨卫星通信网络中高效的星间链路为地面通信网络赋能；另一方面通过在卫星网络边缘部署计算资源，运用卫星端算力，使其可以与地面网络协同进行部分任务处理，减轻地面站网络对用户任务中转和分发的负担，以及对用户任务处理的负担，降低用户响应时延。
24.在一种可能的实施例方式中，边缘计算架构的服务模式主要包括两种，中继服务模式和计算服务模式。
25.当服务模式为中继服务模式时，中继卫星接收用户任务请求，将用户任务分发至地面端边缘服务器，由地面端边缘服务器对用户任务进行处理；接收地面端边缘服务器返回的用户任务处理结果，且将用户任务处理结果回传给用户；当服务模式为计算服务模式时，中继卫星接收用户任务请求，将用户任务分发至卫星端边缘服务器，由卫星端边缘服务器对用户任务进行处理；接收卫星端边缘服务器返回的用户任务处理结果，且将用户任务处理结果回传给用户。
26.可以理解的是，本发明提供的面向低轨卫星网络的边缘计算架构主要包括两种服务模式，中继服务模式和计算服务模式，在中继服务模式中，卫星起中继转发作用并利用低轨卫星通信网络中高效的星间链路为地面通信网络赋能：对于用户任务，将其通过星地网络传递至中继卫星，而后通过中继卫星进行转发，中继卫星将其分发至合适的地面端边缘服务器，由地面端边缘服务器对用户任务进行处理，再通过中继卫星将任务处理结果回传至用户。在这一服务模式中，低时延低拥塞风险的卫星网络替代地面网络对用户任务进行分发，缓解地面网络压力的同时良好复用了卫星网络广覆盖的灵活组网。
27.其中，中继服务模式为用户任务提供两种执行方式，分别是本地执行(local process，lp)方式以及通过中继卫星卸载到地面端边缘服务器(mec)的执行方式。
28.计算服务模式不局限于传统低轨卫星通信网络中的中继作用，充分利用低轨卫星丰富的机载资源，在卫星端应用机载能力部署算力，构建低轨卫星边缘计算节点(satellite edge computing，sec)。
29.通过在卫星端部署边缘服务器(以下称为卫星端边缘服务器)，将一部分算力部署在卫星端，将卫星承担的角色从传统“中继作用”进行拓宽，使之能够对用户请求进行处理。在合适的情况下，部分用户请求可在卫星端进行执行。作为部署在卫星端的新型边缘服务器，卫星端边缘服务器在网络环境上拥有一些特殊属性。首先，考虑其物理特性，以及效率和安全性，对于在卫星端部署的算力设备，通常有重量要求，同时，其在功率因素上也有比地面更严格的要求。另一方面，不同于地面网络，终端将用户请求卸载至卫星端边缘服务器是通过星地进行通信的，因此，卫星端边缘服务器在通信时延上具有天然的优势。
30.其中，在计算服务模式下，提供通过中继卫星卸载到卫星端边缘服务器(mec)的执行方式。
31.可参见图2，对于本发明实施例提供的低轨卫星网络和地面站网络协同的边缘计算架构的分层结构图，其中，适用于低轨卫星场景的协同边缘计算架构可简称为“lbec”，如图2所示，“lbec”分层架构可分为设备层、资源层、控制层以及应用层。各个层次功能不同、各司其职。
[0032]“lbec”架构的第一层为设备层，包含用户终端设备以及服务接入接口，与架构中的其他层次建立数据流以及控制流连接。
[0033]“lbec”架构的第二层为资源层，按照资源类型将其划分为基础资源和虚拟化资源。其中基础资源指的是架构中包含网络资源、计算资源以及存储资源的硬件；而虚拟化资源则是与之对应的通过虚拟化技术获得的虚拟化网络资源、虚拟化计算资源以及虚拟化存储资源。虚拟化的操作，规避了基础资源差异性可能带来的风险，避免了硬件间异构性可能造成的性能影响。
[0034]“lbec”架构的第三层为控制层，是整个分层架构中的核心部分。作为整个架构的控制中心，控制层承担的功能是资源调度以及网络控制。基础资源管理器与虚拟资源管理器是该层的两个基本组件，分别完成对基础资源以及虚拟资源的管理控制。控制层通过边缘管理器提供基于模型的业务编排以及资源的直接调用。
[0035]
作为“lbec”架构架构的最上层，应用层则负责为应用程序提供适合的运行环境。
[0036]
参见图3，提供了一种面向低轨卫星网络的边缘计算架构的计算卸载优化方法，包括：301、分别计算本地执行方式、通过中继卫星卸载到地面站边缘服务器的执行方式以及通过中继卫星卸载到卫星端边缘服务器的执行方式对用户任务进行处理的时间消耗和能量消耗。
[0037]
可以理解的是，协同边缘计算架构主要提供两种服务模式，中继服务模式和计算服务模式，其中，中继服务模式提供本地执行方式和通过中继卫星卸载到地面站边缘服务器的执行方式。
[0038]
其中，在“lbec”架构中，每个用户任务都对应多种执行方式，将除了本地处理以外的执行方式，统称为卸载执行。这种快速圈定卸载范围的操作为下阶段算法提供了良好的
先决条件。
[0039]
本地执行指的是不考虑边缘服务器的情况，对于用户任务请求，将其都放在用户本地进行执行。对于在本地进行计算处理的用户任务，由于任务并没有被上传至服务器，因此不存在上传过程，故而，对于在本地进行处理的用户任务，其计算模型为：
[0040]
时间消耗＝处理时间；
[0041]
能量消耗＝处理能耗；
ꢀꢀ
(1)
[0042]
即本地执行的时间消耗只包含任务被本地设备计算所需要的时间，本地执行的能量消耗也只包含本地设备计算时所消耗的能量。
[0043]
引入t
lp
表示任务被本地设备计算所需要的时间消耗，e
lp
表示任务在本地设备计算过程中所消耗的能量，对于一个任务量为task的任务，可按式子(1)将其中继服务过程中的本地执行时间消耗量化公式(2)：
[0044]
t
lp,m
＝task/f
lp
；(2)
[0045]
其中，f
lp
的含义为用户本地执行设备的计算能力，f
lp
的值越大，表示用户本地执行效率越高。
[0046]
同理，对于一个任务量为task的任务其中继服务过程中的本地执行能量消耗可被量化为公式(3)：
[0047]
t
lp,m
＝task/f
lp
；(3)
[0048]
其中k
m
为用户本地执行的能量消耗系数，对于确定的本地设备类型，k
m
值通常为一个常数。
[0049]
对于通过中继卫星卸载到地面站边缘服务器(mec)的执行方式，mec执行指的是通过中继卫星以及卫星网络将任务卸载到地面端服务器(mec)执行的情况。其计算模型为：
[0050]
时间消耗＝上传至卫星时间 卫星中继时间 等待时间 处理时间；
[0051]
能量消耗＝上传能耗 处理能耗。(4)
[0052]
这是由于用户任务经过处理后的结果数据量级远小于用户任务传输时的数据量级，因而回传时间往往很短，且回传过程的数据量大小无法提前准确预估，为了简化场景，本发明实施例忽略回传过程，即不再考虑计算结果返回用户终端这一过程带来的的回传能耗和回传时间。
[0053]
因此，按式子(4)计算其中继服务过程中的mec执行时间消耗量化为公式(5)：
[0054][0055]
其中，表示用户任务上传至中继卫星时间，通过用户任务至中继卫星的传输速率r
sec
计算如下：
[0056][0057]
表示用户任务由卫星中继至mec时间，通过中继卫星至mec的传输速率r
mec
计算如下：
[0058][0059]
t
task
表示任务在mec服务器处理时间，通过mec服务器的计算能力f
mec
计算如下：
[0060]
t
task
＝task/f
mec
；(8)
[0061]
而t
wait
表示任务上传至mec服务器之后的等待时间，其值的大小受到当前mec服务
器正在运行任务数量的限制，所以对于每个用户的等待处理的时间并不相同。
[0062]
同理，对于一个任务量为task的任务其中继服务过程中对应的mec执行的能量消耗可被量化为公式(9)：
[0063][0064]
其中，w表示用户上传过程中的上传功率，而w
p
表示任务在mec服务器上进行处理，而本地设备待机时的待机功率。
[0065]
当协同边缘计算架构工作于计算服务模式时，对于sec执行同样忽略回传过程构建其计算模型为：
[0066]
时间消耗＝上传时间 等待时间 处理时间；
[0067]
能量消耗＝上传能耗 处理能耗；(10)
[0068]
其中，时间消耗中的上传时间表示的是用户至卫星的上传时间。
[0069]
因此，按式子(10)将计算服务模式过程中的sec执行时间消耗进一步量化表示为公式(11)：
[0070][0071]
其中，表示任务上传至卫星端边缘服务器时间，通过任务至卫星的传输速率r
sec
计算如下：
[0072][0073]
t
task
表示任务在sec服务器处理时间，通过sec服务器的计算能力f
sec
计算如下：
[0074]
t
task
＝task/f
sec
；(13)
[0075]
而t
wait
表示任务上传至sec服务器之后的等待时间，其值的大小受到当前sec服务器正在运行任务数量的限制，所以对于每个用户的等待处理的时间并不相同。
[0076]
同理，对于一个任务量为task的任务其计算服务模式过程中对应的sec执行的能量消耗可被量化表示为公式(14)：
[0077][0078]
其中，w表示用户终端将任务上传至sec服务器时的上传功率，而w
p
表示任务在sec服务器上进行处理，而本地设备待机时的待机功率。
[0079]
302、基于为用户任务分配不同执行方式的不同分配策略，统计每一种分配策略对应的时间消耗和能量消耗，其中，根据分配策略，为多个用户任务分配本地执行方式和/或通过中继卫星卸载到地面站边缘服务器的执行方式和/或通过中继卫星卸载到卫星端边缘服务器的执行方式。
[0080]
可以理解的是，在步骤301中，对协同边缘计算架构的不同执行方式所需要消耗的时间和消耗的能量给出了计算方法，不同的任务执行方式对应的时间消耗和能量消耗对应的计算方式是不同的。基于协同边缘计算架构，再将用户任务进行分配时，可以理解为每一个用户任务的具体执行方式，分配后，每一个用户任务具有对应的执行方式，可利用步骤301中的不同执行方式的时间消耗和能量消耗的计算公式计算出时间消耗和能量消耗，时间消耗和能量消耗之和为总消耗，那么每一个用户任务对应有一个总消耗。对于所有用户任务，以其总消耗之和最小为目标，对各个用户任务的执行方式进行分配。
[0081]
在对每一个用户任务分配对应的执行方式时，会引入用户接受度模型和偏向选择
策略，基于用户接受度模型和偏向选择策略，确定不同的分配策略，为用户任务分配不同的执行方式。
[0082]
其中，过往算法中，在时间延迟和能量消耗上，往往有选择性的侧重于其中一个作为系统总体目标，然后采用一个统一模型对系统中的全部用户进行衡量，进而进行优化。但实际情况中，不同用户间因其各异的特性，对时间延迟以及能量消耗的接受度并不一致。基于用户特性带来的接受度差异，综合了用户各异的接受度，本模型创新性地提出了权重概念，引入两个用户接受度系数：l1和l2来分别表示用户对于时间延迟和能量消耗的接受度系数。其中，l1值越高表示用户对时间延迟的敏感度越高，即用户不能忍受长时间的时间延迟；同理，l2值越高表示用户对能量消耗的敏感度越高，即用户不能接受高程度的能量消耗。将时间延迟以及能量消耗看作是同一个指标衡量体系中的两个指标，值得注意的是，这一指标衡量体系是一个非常典型的符合mece法则的体系。mece法则(mutually exclusive collectively exhaustive)取自由麦肯锡培训师minto所著的《金字塔原理》一书，意为“相互独立且完全穷尽”。因而，在这一体系中时间和能耗即是用户关注的全部指标，即用户的接受度总和应该是100％。故，l1和l2需满足下列方程：
[0083]
l1 l2＝1；(15)
[0084]
全面考虑多种不同用户的特性，为更好地模拟不同身份的用户对于时间延迟和能量消耗的接受程度，本发明实施例利用公式(15)对各类场景进行模拟，其中，l为随机值，用来模拟不同的用户需求。
[0085]
l1＝0.5 l，l∈[
‑
0.3，0.3]；(16)
[0086]
其中l仅用于在此场景下模拟用户在卸载策略中对三种卸载模型(三种不同的执行方式)的选择行为的期望，其值的确定为经验值0.3。确定了l1的值后，l2即可通过公式(15)进一步求得。
[0087]
在三种不同的执行方式中，同一用户的接受程度也不同，则对于同一用户，本发明实施例通过三个随机的l值来同时模拟本地执行lp，sec和mec。故对于m个用户数，共有3m对l1和l2对其行为的可接受程度进行模拟。
[0088]
其中，对于偏向选择策略，在中继服务模式以及计算服务模式中，对三种不同的卸载模型分别构建了其总消耗计算模型，综合考虑了时间延迟和设备能量消耗两个指标。本发明进一步通过偏向选择策略在卫星端边缘服务器sec和地面端边缘服务器mec之间进行协调，通过得当的服务器间协调，能够带来显著的好处。
[0089]
对于卫星端边缘服务器和地面端边缘服务器，因其服务器属性不同，执行同一任务的总消耗也不一致。另一方面，用户任务至卫星端边缘服务器和地面端边缘服务器的卸载也受制于当前各边缘服务器的负载状况。本发明实施例提出的偏向选择策略综合考虑各边缘服务器执行总消耗以及负载情况，以协调卫星端边缘服务器与地面端边缘服务器资源为目标。通过偏向选择策略，对每个用户任务，满足负载约束的预选服务器列表可被得出。
[0090]
对于每一个用户任务，偏向选择策略通过两个偏向选择系数对不同的服务器进行偏向选择。具体流程是，首先判断卫星端边缘服务器当前负载是否到达其承载上限5个，如果其已过载则将卫星端偏向选择系数u1置为u
max
，这表示用户对卫星端边缘服务器偏向极低，即用户不会优先选择卸载到该边缘服务器。对于没有到达其承载上限的卫星端边缘服务器，计算其偏向选择系数并将该服务器加入满足负载约束的预选服务器列表s1。对地面
端边缘服务器，偏向选择策略处理逻辑与卫星端一致。同样的，对于已经到达其承载上限的地面端边缘服务器，也将其偏向选择系数u2置为u
max
，表示用户不优先选择将任务卸载至该服务器。偏向选择策略对边缘服务器当前负载进行全面考量，这个步骤考虑的是执行负载因素，因此，偏向选择策略保证了卸载算法在负载情况这一方面的优越性。
[0091]
303、以时间消耗和能量消耗为总消耗，以总消耗最小作为目标函数，求解用户任务的最优分配策略。
[0092]
通过步骤302在考虑了用户接受度模型和偏向选择策略，对用户任务分配不同的边缘服务器以及分配不同的执行方式后，最终的分配策略可能有多种，从这多种分配策略中选择出最优的分配策略，具体的，以每一种分配策略，计算所有用户任务执行处理所需要的时间消耗和能量消耗，计算出所有用户任务执行处理所需要的总消耗，以总消耗最小为目标函数，求解最优的分配策略，最终根据最优的分配策略，将多个用户任务分配给对应的边缘服务器，且以对应的执行方式执行用户任务的处理。
[0093]
具体的，针对多用户多服务器系统的分布式资源分配状况，本发明将移动用户间的分布式计算卸载决策问题表述为一个静态多用户多服务器的策略优化问题。本发明利用遗传算法中的优胜劣汰特性对消耗大的策略进行排除，对于消耗小的策略保留，并在消耗小的后代中挑选出消耗最小的策略。
[0094]
遗传算法(genetic algorithm，ga)借鉴自生物进化过程中自然选择以及遗传学机理，将整个种群中的所有个体作为对象，不需要确切的规则，就可以直接对所求的参数进行操作，并利用相对随机的技术对所编码的整个空间进行搜索，具有良好的并行性和接近全局最优的搜索能力。遗传算法在求解过程中通过遗传变异尽量避免陷入局部最优，使结果更接近全局最优解，因此一般用于求解复杂的非线性优化问题问题。该算法的主要步骤包括遗传、变异、自然选择和杂交。为了减少迭代次数，本发明针对特定场景，在遗传操作中对精英个体的筛选进行优化，使得后代能够更适应环境。在精英个体选择的过程中，本发明提出了一种新的处理模式：精英选择遗传策略，以防止种群陷入局部最优的陷阱。
[0095]
参考图4所示优化后的精英选择遗传策略，生成初始代种群，本轮产生精英个体(前50％)将直接进入下一轮种群，这种继承最大限度保存了本轮个体中适应度高的精英个体，可以有效防止错失最优结果。
[0096]
接着，对于下一轮种群中的剩下50％个体，本发明采用交叉的方式生成，具体来说，交叉操作首先选取两条父代染色体，如何将这两条染色体的某个位置切断，并将切断后的染色体进行拼接，从而形成新的染色体，即交叉产生的新染色体包含了来自两条染色体的部分基因。虽然两者的基因种类和总量并没有变化，但于开始相比，新得到的两个染色体各自继承了父代的基因，并得到两个全新的染色体。
[0097]
为得到下一轮种群中的剩下50％个体，精英选择遗传策略采用两种不同的交叉方式，两种交叉方式各产生下一轮种群中25％的个体，共同构成下一轮种群。
[0098]
第一种交叉方式是精英个体间两两交叉，具体操作是挑选本轮种群中适应度前50％的个体，从中随机选择配对，并对配对的个体进行两两交叉，这一操作被称为精英遗传操作，通过这一操作，25％的下一轮个体被产生。第二种交叉方式将精英个体与抽样个体两两交叉，具体操作是，首先对本轮个体总体进行中等间隔抽样得到与精英个体数量相同的个体集合，然后在精英个体与抽样个体中分别随机抽取配对，并对配对的个体进行两两交
叉。这一过程产生了剩下的25％下一轮个体。
[0099]
参考示意图4所示，这种子代对父代的继承方式对种群中的劣势个体基因进行了巧妙的处理。首先，适应度排名后50％的劣势个体并没有直接进入下一代种群，这避免了父代中完全不适应生存的个体基因被毫无改变的保留下来。同时，这部分劣势个体基因也并没有被直接筛除掉而是通过对总体进行中等间隔抽样覆盖整个种群。由于是对整体进行中等间隔抽样，适应度在后面的个体并不会被排除。通过这种巧妙的处理方式，劣势个体的基因被选择性的保存下来，既保持了种群基因的多样性，又避免了劣势基因对种群进化的干扰。
[0100]
精英选择遗传策略通过对种群中劣势基因的巧妙处理，最大限度保持种群基因的多样性的同时，也合理规避了劣势基因在种群进化过程中可能存在的干扰风险。
[0101]
本发明为解决当前地面站通信网络存在的响应时间等局限性问题，提出了一种适用于低轨卫星场景的协同边缘计算架构——“lbec”。通过系统仿真，实验结果表明，较之传统云计算架构，“lbec”将用户响应时延降低近70％。适用于低轨卫星场景的协同边缘计算架构下的计算卸载算法包括：为应对“lbec”架构下多用户多服务器的计算卸载问题，设计了一种适配“lbec”架构的基于遗传算法的卸载策略优化算法。在考虑用户接受度差异的多目标优化卸载模型下，考虑卫星地面两种边缘服务器，充分利用服务器资源提供整体消耗最小的卸载方案。
[0102]
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
[0103]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0104]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0105]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0106]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0107]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造
概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0108]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。