在轨计算与缓存：一种分布式后悔学习方法

《IEEE Communications Standards Magazine》：On-Orbit Computing and Caching: A Distributed Regret Learning Approach

　　

摘要：

天地一体化网络 (STINs) 利用卫星系统的全球覆盖能力，将星载计算和缓存资源推向网络边缘，从而实现真正无处不在、随时随地的服务，以服务于远程物联网 (IoT) 应用。在此背景下，在随机服务需求下，以可扩展、低复杂度和具韧性的方式高效编排受限的星载计算和缓存资源仍然是一个关键挑战。现有解决方案主要依赖集中式优化或多智能体学习技术，难以应对由自主智能体决策相互依赖而产生的非平稳性。在本工作中，我们更进一步，开发了一种用于 STINs 中的联合任务卸载和服务缓存的分布式博弈论框架，提供了可证明的均衡保证。具体而言，该联合问题被公式化为物联网设备之间的非合作随机博弈，设备自主确定其计算、关联和卫星缓存策略，以在能源和缓存容量约束下最小化其端到端时延。所制定的博弈被证明收敛于相关均衡 (CE)，这将纳什均衡 (NE) 推广为跨设备的关联概率策略组合。引入了两种分布式无遗憾学习算法，它们在不同的信息可用性和理性机制下运行，用于推导 CE。通过广泛的仿真验证了这两种无遗憾学习算法的有效性和效率，考虑了替代均衡、基于学习的方法、基准计算方案以及变化的网络和算法配置。