基于时空图层次化图神经网络的低地球轨道卫星移动边缘计算任务调度方法

《IEEE Open Journal of the Communications Society》：Contact-Capacity-Aware Feasibility and Scheduling-Complexity Boundaries in LEO Satellite–Terrestrial MEC with In-Loop KKT Resource Allocation

　　

低地球轨道（LEO）卫星与地面网络可以将移动边缘计算（MEC）扩展到地面覆盖范围之外，但短暂的轨道连接和变化的网络速率使得任务分配与后续的资源共享紧密相关。许多现有的方法将几何可见性等同于可用服务，或者仅从时间槽级别的估计来评估任务。我们开发了一种称为TG-HiGNN-STIN的时空图层次化图神经网络，该网络是一个具有循环Karush–Kuhn–Tucker（KKT）资源分配机制的、能够考虑连接容量的调度器。双层交换图使用必要的连接容量测试来排除那些即使在最大速率范围内也无法承载上传数据的可见卫星。持久的任务状态会保留未完成的访问、馈送和计算工作，而封闭形式的资源分配则会在时间槽边界以及活动集合发生变化时重新分配共享的带宽和处理器容量。一种具有循环节点记忆和可行性掩码机制的边感知图注意力编码器随后会选择执行路径。在一个常见的Walker-constellation基准测试中，TG-HiGNN-STIN在网络容量充足的情况下表现良好，且能够有效防止服务边界附近的卫星优先级诊断过程中的连接丢失故障。通过负载匹配的训练，观察到TG-HiGNN-STIN在性能上优于其他方法；而在高负载和连接压力下，透明规则下的平均丢失率较低。关系队列和连接特性还提高了对协调参考决策的预测能力。因此，该框架提供了一个基于物理原理的决策流程，并直接证明了调度复杂性与实际运行环境之间的匹配关系。