楊 力，何兆斌，孔志翔

1(大連大學(xué) 通信與網(wǎng)絡(luò)重點(diǎn)實(shí)驗(yàn)室，遼寧 大連 116622)2(大連大學(xué) 信息工程學(xué)院，遼寧 大連 116622)3(南京理工大學(xué) 自動(dòng)化學(xué)院，南京 210094)

1 引 言

隨著衛(wèi)星網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，具有星間鏈路的低軌衛(wèi)星(Low Earth Orbit，LEO)網(wǎng)絡(luò)以其龐大的部署規(guī)模以及較低的部署成本，已經(jīng)能夠?qū)崿F(xiàn)全球移動(dòng)通信的無(wú)縫式覆蓋.然而隨著物聯(lián)網(wǎng)技術(shù)的不斷發(fā)展、信息化程度不斷增加，以及天基接入網(wǎng)中的星座規(guī)模不斷增大、拓?fù)浣Y(jié)構(gòu)不斷復(fù)雜，導(dǎo)致了星上的計(jì)算任務(wù)隨之增加.傳統(tǒng)將計(jì)算任務(wù)傳輸?shù)礁哕壭l(wèi)星(Geostationary Earth Orbit，GEO)計(jì)算或是經(jīng)GEO衛(wèi)星轉(zhuǎn)發(fā)到地面數(shù)據(jù)中心的計(jì)算模式，會(huì)造成極高的傳輸時(shí)延，無(wú)法滿足越來(lái)越多實(shí)時(shí)性應(yīng)用的需求.因此，急需一項(xiàng)新技術(shù)來(lái)解決衛(wèi)星網(wǎng)絡(luò)中傳輸時(shí)延過(guò)高的問(wèn)題[1].

移動(dòng)邊緣計(jì)算的核心理念是將計(jì)算任務(wù)盡可能的放置在離數(shù)據(jù)源最近的計(jì)算資源上運(yùn)行，從而有效減少計(jì)算系統(tǒng)的傳輸時(shí)延，緩解云計(jì)算中心的壓力[2].本文結(jié)合天地一體化智能網(wǎng)絡(luò)架構(gòu)，將邊緣服務(wù)器部署在具有計(jì)算和存儲(chǔ)能力智能衛(wèi)星節(jié)點(diǎn)上，提出一種基于人工蜂群的智能衛(wèi)星節(jié)點(diǎn)優(yōu)化部署算法——iABC(improved-Artificial Bee Colony Algorithm)，來(lái)實(shí)現(xiàn)一個(gè)邊緣服務(wù)系統(tǒng).該算法充分考慮了衛(wèi)星節(jié)點(diǎn)拓?fù)浣Y(jié)構(gòu)的動(dòng)態(tài)性和周期性，可選取出邊緣服務(wù)有效覆蓋率最高的智能衛(wèi)星節(jié)點(diǎn)部署方案，旨在使用最少的智能衛(wèi)星節(jié)點(diǎn)部署，來(lái)達(dá)到最佳的邊緣服務(wù)有效覆蓋率，進(jìn)而最大化的降低系統(tǒng)的傳輸時(shí)延.該算法適用于絕大多數(shù)的衛(wèi)星系統(tǒng).文章的最后，本文對(duì)該算法進(jìn)行了仿真實(shí)驗(yàn).

2 相關(guān)工作

移動(dòng)邊緣計(jì)算(Mobile Edge Computing，MEC)技術(shù)以其卓越的實(shí)時(shí)性和連通性，已經(jīng)解決了很多傳統(tǒng)云計(jì)算中存在的問(wèn)題，受到了越來(lái)越多的研究人員的青睞.目前，已經(jīng)有一些學(xué)者考慮將邊緣計(jì)算技術(shù)應(yīng)用到衛(wèi)星網(wǎng)絡(luò)中去.2017年，張寒[3]等人提出了基于SDN/NFV的天地一體化網(wǎng)絡(luò)架構(gòu).該架構(gòu)中，軟件定義網(wǎng)絡(luò)(Software Defined Network，SDN)、網(wǎng)絡(luò)功能虛擬化(Network Functions Virtualization，NFV)和移動(dòng)邊緣計(jì)算MEC三者協(xié)同作用，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)的統(tǒng)一管理，調(diào)度協(xié)同.2018年，于曉藝[4]等人分析了MEC在衛(wèi)星網(wǎng)絡(luò)中的適用性，然后在地面 5G 基于服務(wù)的網(wǎng)絡(luò)架構(gòu)的基礎(chǔ)上提出了融合MEC的衛(wèi)星網(wǎng)絡(luò)架構(gòu).但是這些架構(gòu)中的邊緣服務(wù)節(jié)點(diǎn)大都部署在地面網(wǎng)中.因此，在人煙稀少的地區(qū)，以及廣袤的海上區(qū)域，邊緣服務(wù)就很難有效覆蓋.

在如何有效部署邊緣服務(wù)器這個(gè)問(wèn)題上，Jia[5]等人研究了邊緣服務(wù)器在無(wú)線城域網(wǎng)中的優(yōu)化部署問(wèn)題.Xu[6]等人根據(jù)邊緣服務(wù)器的容量限制不同，優(yōu)化了其在邊緣網(wǎng)絡(luò)中的部署問(wèn)題.Dhaou[7]等人為了最小化網(wǎng)關(guān)的數(shù)目，采用遺傳算法，解決了衛(wèi)星與MANETs混合網(wǎng)絡(luò)中網(wǎng)關(guān)的選擇問(wèn)題.陳卓[8]等人結(jié)合了遺傳算法和模擬退火算法，提出了一種集群化部署策略iGSA(improved-genetic and simulated annealing)，有效降低了業(yè)務(wù)流的端到端時(shí)延.但是這些研究都是針對(duì)地面網(wǎng)絡(luò).衛(wèi)星節(jié)點(diǎn)具有高動(dòng)態(tài)性，拓?fù)浣Y(jié)構(gòu)幾乎每時(shí)每刻都在變化，因此需要結(jié)合衛(wèi)星節(jié)點(diǎn)的高動(dòng)態(tài)性特點(diǎn)，設(shè)計(jì)一個(gè)算法來(lái)解決天地一體化智能網(wǎng)絡(luò)中智能衛(wèi)星節(jié)點(diǎn)的部署問(wèn)題.

天地一體化智能網(wǎng)絡(luò)的智能衛(wèi)星節(jié)點(diǎn)具有很強(qiáng)的存儲(chǔ)和計(jì)算能力，是邊緣服務(wù)器的良好載體.本文結(jié)合移動(dòng)邊緣計(jì)算的思想，將邊緣服務(wù)器部署在智能衛(wèi)星節(jié)點(diǎn)上，使其能夠?yàn)榕R近的衛(wèi)星節(jié)點(diǎn)以及地面用戶節(jié)點(diǎn)提供邊緣計(jì)算服務(wù)，并提出了一種能適應(yīng)衛(wèi)星節(jié)點(diǎn)高動(dòng)態(tài)性、周期性特點(diǎn)的智能節(jié)點(diǎn)優(yōu)化部署算法，有效地解決了上述存在的問(wèn)題.

3 基于人工蜂群的智能衛(wèi)星節(jié)點(diǎn)部署算法

天地一體化智能網(wǎng)絡(luò)是以傳統(tǒng)衛(wèi)星網(wǎng)絡(luò)為基礎(chǔ)，搭配部分具有計(jì)算和存儲(chǔ)能力的智能衛(wèi)星節(jié)點(diǎn)，以實(shí)現(xiàn)能源自配置、狀態(tài)自調(diào)整的一種新型網(wǎng)絡(luò)[9].智能衛(wèi)星節(jié)點(diǎn)部署在LEO衛(wèi)星層，可為地面終端以及鄰近普通衛(wèi)星節(jié)點(diǎn)提供邊緣計(jì)算服務(wù)，與傳統(tǒng)需要傳輸?shù)紾EO相比，該模式將會(huì)極大地降低傳輸距離，減少傳輸時(shí)延，因此可滿足更多實(shí)時(shí)性任務(wù)的需要.

智能衛(wèi)星節(jié)點(diǎn)的部署，可以很好地解決數(shù)據(jù)爆炸式增長(zhǎng)環(huán)境下，帶寬不足、傳輸時(shí)延大等問(wèn)題.然而，面對(duì)龐大的衛(wèi)星星座，該部署多少，以及如何部署邊緣服務(wù)節(jié)點(diǎn)，是首先需要考慮的問(wèn)題.本文采用人工蜂群優(yōu)化算法，結(jié)合網(wǎng)絡(luò)分簇算法，提出一個(gè)基于人工蜂群的智能衛(wèi)星節(jié)點(diǎn)優(yōu)化部署算法iABC.該算法充分考慮了衛(wèi)星節(jié)點(diǎn)的高動(dòng)態(tài)性，結(jié)合衛(wèi)星運(yùn)行軌跡具有周期性、衛(wèi)星連接度有限、衛(wèi)星可視范圍有限等特點(diǎn)，以部署最少的智能衛(wèi)星節(jié)點(diǎn)，達(dá)到整體邊緣服務(wù)有效服務(wù)覆蓋率最高.

為了更好地研究天地一體化智能網(wǎng)絡(luò)中智能衛(wèi)星節(jié)點(diǎn)的部署問(wèn)題，本文采用D={d1，d2，…，di}來(lái)表示智能衛(wèi)網(wǎng)絡(luò)中的所有LEO衛(wèi)星節(jié)點(diǎn).其中，R=|D|為天地一體化智能網(wǎng)絡(luò)中衛(wèi)星節(jié)點(diǎn)的個(gè)數(shù)，di保存了第i個(gè)衛(wèi)星節(jié)點(diǎn)的初始位置信息；X={x[注]https://www.cnblogs.com/ybl20000418/p/11366576.html，x2，…，xn}表示天地一體化智能網(wǎng)絡(luò)中的智能衛(wèi)星節(jié)點(diǎn)的部署策略，N=|X|為智能衛(wèi)星節(jié)點(diǎn)的個(gè)數(shù).其中1≤xn≤R，xi≠xj，表示在天地一體化智能網(wǎng)絡(luò)中的R個(gè)衛(wèi)星節(jié)點(diǎn)中，第xn個(gè)節(jié)點(diǎn)為智能衛(wèi)星節(jié)點(diǎn).

3.1 網(wǎng)絡(luò)分簇算法

網(wǎng)絡(luò)分簇算法[10，11]是計(jì)算智能節(jié)點(diǎn)部署策略適應(yīng)度的算法，其充分考慮了衛(wèi)星節(jié)點(diǎn)高動(dòng)態(tài)性的特點(diǎn)，并且貫穿于整個(gè)智能衛(wèi)星節(jié)點(diǎn)部署算法的始終.該算法的功能是在已知智能節(jié)點(diǎn)的部署策略X，以及LEO衛(wèi)星層中各衛(wèi)星節(jié)點(diǎn)信息(包括具體坐標(biāo)、軌道信息、運(yùn)行周期、節(jié)點(diǎn)連接度等)的情況下，計(jì)算出對(duì)應(yīng)部署策略X的邊緣服務(wù)有效覆蓋率.以此來(lái)評(píng)價(jià)對(duì)應(yīng)部署策略X的適應(yīng)度，為接下來(lái)的人工蜂群算法提供部署策略X的評(píng)價(jià)指標(biāo).

圖1 網(wǎng)絡(luò)分簇算法示意圖Fig.1 Schematic diagram of network clustering algorithm

圖1為網(wǎng)絡(luò)分簇算法的簡(jiǎn)單示意圖.該算法借鑒網(wǎng)絡(luò)分簇的思想，將整個(gè)LEO星座分為若干個(gè)簇，每個(gè)非智能衛(wèi)星節(jié)點(diǎn)在自己的可視范圍內(nèi)選擇最適合自己的智能衛(wèi)星節(jié)點(diǎn)當(dāng)作邊緣服務(wù)節(jié)點(diǎn).由于衛(wèi)星節(jié)點(diǎn)具有很強(qiáng)的動(dòng)態(tài)性，在某一個(gè)時(shí)間點(diǎn)中，衛(wèi)星dj能獲取到邊緣服務(wù)，但下一個(gè)時(shí)間點(diǎn)可能在可視范圍內(nèi)就無(wú)法找到合適的智能衛(wèi)星節(jié)點(diǎn)來(lái)提供邊緣服務(wù).因此，本文針對(duì)衛(wèi)星節(jié)點(diǎn)具有較強(qiáng)動(dòng)態(tài)性和周期性的特點(diǎn)，采取劃分時(shí)間段的研究方法.即把一個(gè)完整的衛(wèi)星系統(tǒng)運(yùn)行周期T分成n個(gè)確定的時(shí)間段，即[t0=0，t1]，[t1，t2]，…，[tn-1，tn=T]，并假定在每個(gè)時(shí)間段內(nèi)衛(wèi)星的拓?fù)浣Y(jié)構(gòu)不變[12].借此，可根據(jù)軌道參數(shù)計(jì)算出每個(gè)時(shí)間段內(nèi)各衛(wèi)星的具體坐標(biāo)，計(jì)算方法如下：

(1)

其中：

Ωi=Ωoi-ωo(t-t0)

(2)

vi=voi+no(t-t0)

(3)

通過(guò)以上公式可以得出各衛(wèi)星對(duì)應(yīng)的直角坐標(biāo)系[Xi，Yi，Zi]，該坐標(biāo)系的原點(diǎn)為地心，XOY平面和地球赤道平面重合，OZ軸與地球的極軸重合，OX軸與格林威治子午線方向 一致.其中，a為衛(wèi)星離地心的距離、voi為衛(wèi)星初始的近地點(diǎn)幅角、Ωoi為衛(wèi)星初始的升交點(diǎn)赤經(jīng)、ii為赤道面傾角、no為衛(wèi)星公轉(zhuǎn)角速度、ωo為地球自轉(zhuǎn)角速度.令t0=0表示初始時(shí)刻，改變t的值即可得出各衛(wèi)星在不同時(shí)間段的具體坐標(biāo).

在已知各衛(wèi)星節(jié)點(diǎn)的具體坐標(biāo)后，即可計(jì)算出兩點(diǎn)的空間距離.非智能衛(wèi)星節(jié)點(diǎn)在可視距離內(nèi)尋找離自己最近的智能衛(wèi)星節(jié)點(diǎn)，并提出連接請(qǐng)求.智能衛(wèi)星節(jié)點(diǎn)根據(jù)自己的最大連接度K與最近的K個(gè)衛(wèi)星建立連接.直到所有非智能節(jié)點(diǎn)都得到了連接，或已無(wú)合適智能節(jié)點(diǎn)可提供連接.求可視距離的示意圖如圖2所示.

圖2 衛(wèi)星可視性示意圖Fig.2 Satellite visibility diagram

通過(guò)以上步驟即可得出在某個(gè)時(shí)間段內(nèi)所有衛(wèi)星節(jié)點(diǎn)獲取邊緣服務(wù)的情況.本文以Slinkti來(lái)表示t時(shí)間段內(nèi)第i顆衛(wèi)星獲取邊緣服務(wù)的情況，Slinkti=1表示能獲取到邊緣服務(wù)，Slinkti=0表示無(wú)法獲取邊緣服務(wù).因此，單個(gè)時(shí)間段內(nèi)邊緣服務(wù)的有效覆蓋率Pt以及一個(gè)周期內(nèi)的邊緣服務(wù)有效覆蓋率P的計(jì)算公式如下：

(4)

(5)

其中，n為劃分的時(shí)間段個(gè)數(shù).至此，即可計(jì)算出一個(gè)運(yùn)行周期內(nèi)該系統(tǒng)的邊緣服務(wù)有效覆蓋率P.為下文評(píng)判智能節(jié)點(diǎn)部署策略的優(yōu)劣，提供了有效的數(shù)據(jù)支持.該算法的步驟如下：

算法1.網(wǎng)絡(luò)分簇算法

輸入：節(jié)點(diǎn)分布狀態(tài)D，部署策略X

輸出：邊緣服務(wù)有效覆蓋率P

1.初始化：衛(wèi)星的最大連接度K=4、P=0、連接申請(qǐng)隊(duì)列Link=?

2.for每個(gè)時(shí)間片t

3.根據(jù)公式計(jì)算出該時(shí)間片內(nèi)各衛(wèi)星的直角坐標(biāo)，得出對(duì)應(yīng)Dt

4.while存在d未與x建立連接

5.fordi∈D

6.forxj∈X

7. 計(jì)算Lij；

8.endfor

9. 將節(jié)點(diǎn)di加入到連接申請(qǐng)隊(duì)列Linkj；

10.endfor

11.if所有連接申請(qǐng)隊(duì)列Link≠?

12. 遍歷Link將普通節(jié)點(diǎn)加入到對(duì)應(yīng)智能節(jié)點(diǎn)所屬的簇；

13.else

14.break；

15.endwhile

16.根據(jù)(4)式計(jì)算出Pt

17.endfor

18.根據(jù)(5)式計(jì)算出P

19.返回：P

3.2 人工蜂群算法

人工蜂群算法[13，14](Artificial Bee Colony Algorithm，ABC)模擬的是自然界中蜜蜂采蜜的過(guò)程.蜜蜂在自然界中，總能在各種環(huán)境中以極高的效率找到最優(yōu)的蜜源，而且能夠適應(yīng)環(huán)境的各種變化.人工蜂群算法通過(guò)模擬蜜蜂采蜜的過(guò)程，將蜂群分為引領(lǐng)蜂、跟隨蜂和偵查蜂.在每一次的搜索過(guò)程中，引領(lǐng)蜂和跟隨蜂先后開采蜜源，尋找最優(yōu)解，偵查蜂則用于避免陷入局部最優(yōu)解.該算法可以很好的求出復(fù)雜問(wèn)題的最優(yōu)解，且收斂速度較快.因此，本文提出一個(gè)基于人工蜂群的智能衛(wèi)星節(jié)點(diǎn)優(yōu)化部署算法iABC.該算法通過(guò)對(duì)LEO衛(wèi)星層中智能節(jié)點(diǎn)部署策略X進(jìn)行迭代，利用前文網(wǎng)絡(luò)分簇算法計(jì)算出該策略X下的系統(tǒng)整體邊緣服務(wù)有效覆蓋率P，并以此作為適應(yīng)度求出最佳的智能衛(wèi)星節(jié)點(diǎn)部署策略.

3.2.1 蜜源的編碼表示及問(wèn)題的初始化

本文使用N維向量X來(lái)表示人工蜂群中的蜜源，每一個(gè)蜜源代表一個(gè)智能衛(wèi)星節(jié)點(diǎn)部署方案.例如某個(gè)蜜源Xi的編碼表示為：Xi=xi1，xi2，…，xin，其中，xin∈{1，2，…，R}，R為一體化智能網(wǎng)絡(luò)中衛(wèi)星節(jié)點(diǎn)的個(gè)數(shù)，且滿足xin≠xim，表示衛(wèi)星節(jié)點(diǎn)中，對(duì)應(yīng)編號(hào)為xin的衛(wèi)星部署為智能衛(wèi)星節(jié)點(diǎn).i∈{1，2，…，M}，M為人工蜂群算法中蜜源的個(gè)數(shù)，本文取M=10.人工蜂群算法中，引領(lǐng)蜂與蜜源保持一一對(duì)應(yīng)，且跟隨蜂數(shù)量與引領(lǐng)蜂一致，故都取為M.終止條件設(shè)置為達(dá)到最大迭代次數(shù)MCN或系統(tǒng)整體邊緣服務(wù)有效時(shí)間達(dá)到100%.

3.2.2 蜜源的適應(yīng)度函數(shù)及新解的產(chǎn)生

每個(gè)蜜源Xi(可行解)都有其花蜜量(適應(yīng)度f(wàn)iti)對(duì)應(yīng)相應(yīng)解的質(zhì)量.本文計(jì)算每個(gè)蜜源Xi的適應(yīng)度f(wàn)iti采用的是前文提出的網(wǎng)絡(luò)分簇算法.通過(guò)該算法計(jì)算出每個(gè)Xi的系統(tǒng)平均邊緣服務(wù)有效覆蓋率，并將其作為評(píng)判蜜源Xi優(yōu)劣的適應(yīng)度.公式如下：

fiti=fcluster(Xi)

(6)

每次迭代的過(guò)程中引領(lǐng)蜂都會(huì)在蜜源附近尋找新的可行解，具體公式如下：

vij=xij+φij(xij-xkj)

(7)

式中，k∈{1，2，…，M}，j∈{1，2，…，N}，且k≠i，φij為[-1，1]之間的隨機(jī)數(shù).通過(guò)計(jì)算新蜜源的適應(yīng)度f(wàn)iti，來(lái)決定是否取代舊的蜜源.

通過(guò)引領(lǐng)蜂提供的蜜源信息(適應(yīng)度f(wàn)iti)，跟隨蜂采用輪盤賭的方式來(lái)決定跟隨哪一只引領(lǐng)蜂：

(8)

pi為對(duì)應(yīng)引領(lǐng)蜂被跟隨的概率，跟隨蜂在到達(dá)對(duì)應(yīng)蜜源后由(7)式產(chǎn)生新解，通過(guò)計(jì)算其適應(yīng)度f(wàn)iti，根據(jù)新解的fiti來(lái)判斷是否保留新解.

3.2.3 避免陷入局部最優(yōu)

設(shè)置一個(gè)門限值Limit，當(dāng)一個(gè)可行解的迭代次數(shù)超過(guò)Limit次仍未更新，那么就認(rèn)為解空間陷入局部最優(yōu)，此可行解Xi就會(huì)被舍棄.當(dāng)一個(gè)可行解Xi被舍棄后，其對(duì)應(yīng)的引領(lǐng)蜂就會(huì)轉(zhuǎn)化成偵查蜂，并由(9)式產(chǎn)生一個(gè)新的可行解來(lái)代替它1.

xij=xminj+rand(0，1)(xmaxj-xminj)

(9)

其中，xminj和xmaxj表示的是解空間中第j維向量的下限和上限，在本文中xminj=0，xmaxj=R.rand(0，1)為0～1內(nèi)的隨機(jī)數(shù).

3.2.4 具體步驟

本文基于人工蜂群算法，結(jié)合改進(jìn)的網(wǎng)絡(luò)分簇算法，提出了一個(gè)基于人工蜂群的智能衛(wèi)星節(jié)點(diǎn)部署算法.該算法在智能節(jié)點(diǎn)部署數(shù)量N以及衛(wèi)星節(jié)點(diǎn)分布狀態(tài)D已知的情況下，可以通過(guò)迭代找出邊緣服務(wù)覆蓋率最高的智能節(jié)點(diǎn)部署方案X.算法步驟如算法2所示.之后，可以再通過(guò)改變智能節(jié)點(diǎn)部署數(shù)量N，來(lái)找到N取不同值下的最佳智能節(jié)點(diǎn)部署策略.

算法2.基于人工蜂群的節(jié)點(diǎn)部署算法

輸入：節(jié)點(diǎn)分布狀態(tài)D，節(jié)點(diǎn)部署數(shù)量N

1.初始化：蜜源個(gè)數(shù)M，最大迭代次數(shù)MCN，門限值Limit，fitmax=0，X1～XM，利用(6)式計(jì)算出fit1～fitM，更新次數(shù)trail1～trailM=0.

2.for迭代次數(shù)≤MCNandfitmax<1

3.fori=1：M

4. 利用(7)式得出Xnew，進(jìn)行貪婪選擇保存最優(yōu)的X；

5.endfor

6.fori=1：M

7. 利用(8)式計(jì)算出Pi；

8.endfor

9.fori=1：M

10. 跟隨蜂根據(jù)P1～Pm決定跟隨的對(duì)象Xj，j∈{1，2，…，M}；

11. 之后操作與引領(lǐng)蜂活動(dòng)類似，得出Xnew并決定是否更新Xj；

12.endfor

13.判斷是否traili≥limit，若是，則利用(9)式生成新解Xi；

14.更新fiti=fcluster(Xi)，traili=0；

15.保存當(dāng)前循環(huán)的最優(yōu)解

16.endfor

17.返回X，fitmax；

4 算法仿真

4.1 仿真環(huán)境

為了驗(yàn)證智能衛(wèi)星節(jié)點(diǎn)部署策略的有效性，本文利用Matlab和STK平臺(tái)，搭建了一個(gè)天地一體化智能網(wǎng)絡(luò)中天基接入網(wǎng)的仿真環(huán)境.仿真平臺(tái)的硬件環(huán)境為Inter(R)Core(TM)i7-6700HQ CPU @2.60GHz，運(yùn)行內(nèi)存為16G.采用了 具有66顆LEO的銥星星座(Iridium Constellation)以及3顆位于赤道平面的GEO衛(wèi)星作為仿真系統(tǒng).其中，3顆GEO衛(wèi)星的經(jīng)度分別為100E、140W和20W.LEO星座的具體參數(shù)如表1所示.

表1 星座仿真參數(shù)
Table 1 Constellation simulation parameters

LEO衛(wèi)星參數(shù)銥星星座軌道高度780km軌道傾角86.3°軌道數(shù)目6單軌道衛(wèi)星數(shù)目11衛(wèi)星總數(shù)66軌道面升交點(diǎn)赤經(jīng)差60°軌道周期6027.1s連接度4

隨著仿真星座規(guī)模的大小不同，仿真時(shí)，算法的部分參數(shù)也會(huì)有相應(yīng)的調(diào)整.本次實(shí)驗(yàn)中iABC算法的部分參數(shù)如表2所示.

表2 基于人工蜂群的智能衛(wèi)星節(jié)點(diǎn)部署算法參數(shù)
Table 2 Parameters of intelligent satellite node deployment algorithm based on artificial bee colony

參數(shù)名稱具體數(shù)值時(shí)間段長(zhǎng)度△t60s蜜源個(gè)數(shù)M10引領(lǐng)蜂數(shù)量10跟隨蜂數(shù)量10最大迭代次數(shù)MCN200門限值Limit20

4.2 仿真結(jié)果

智能衛(wèi)星節(jié)點(diǎn)部署數(shù)量N的取值，直接決定了整個(gè)系統(tǒng)邊緣服務(wù)有效覆蓋率的大小.然而N取值過(guò)高會(huì)導(dǎo)致部署成本變高.因此N取多少，也是我們需要同時(shí)考慮的問(wèn)題.由于銥星星座具有66顆LEO衛(wèi)星，設(shè)定每顆衛(wèi)星的連接度為4，則要使系統(tǒng)有效服務(wù)覆蓋率達(dá)到100%，理論上部署邊緣服務(wù)器的數(shù)量N最少為14(66/(4+1)=13.2).故先取N=14，迭代次數(shù)為200時(shí)得到的優(yōu)化結(jié)果及示意圖如圖3所示.

圖3 當(dāng)N=14時(shí)邊緣服務(wù)覆蓋率優(yōu)化效果圖Fig.3 Edge service coverage optimization result when N=14

根據(jù)圖3的結(jié)果可以看出，當(dāng)N=14時(shí)，該算法可以得出一個(gè)智能節(jié)點(diǎn)部署策略，使邊緣服務(wù)的有效覆蓋率近似達(dá)到98%，非常接近理論值.

圖4 iABC算法與iGSA、PSO的優(yōu)化對(duì)比圖Fig.4 Optimization comparison chart of iABC algorithm，iGSA and PSO

為了更好地體現(xiàn)iABC算法的優(yōu)勢(shì).本文將提出的iABC算法與iGSA算法和PSO粒子群算法[15](Partical Swarm Optimization PSO)做了詳細(xì)的仿真對(duì)比.在設(shè)定并經(jīng)過(guò)1000次迭代后，3種算法得出了不同的部署策略，優(yōu)化速度和有效覆蓋率的優(yōu)化效果也不盡相同.如圖4所示，經(jīng)過(guò)1000次迭代，iABC算法的優(yōu)化速度明顯比另外兩個(gè)算法高出很多.在優(yōu)化效果上，也要比iGSA算法與PSO算法高出7.6%左右，因而可以得出更好的最優(yōu)解.

圖5為當(dāng)N取10～20時(shí)，各個(gè)算法經(jīng)過(guò)1000次迭代后得到的優(yōu)化結(jié)果對(duì)比圖.從圖中可以明顯看出，本文提出的算法在N=16時(shí)即可得到一個(gè)智能節(jié)點(diǎn)部署策略，使邊緣服務(wù)有效服務(wù)覆蓋率達(dá)到99.85%，在N=17時(shí)就可達(dá)到100%.而另外兩個(gè)算法均在N=19時(shí)才使有效服務(wù)覆蓋率達(dá)到100%，優(yōu)化效果提升約為10.5%.

圖5 節(jié)點(diǎn)數(shù)N取不同值時(shí)不同算法的優(yōu)化結(jié)果對(duì)比圖Fig.5 Comparison of optimization results of different algorithms when the number of nodes N takes different values

4.3 平均傳輸時(shí)延的優(yōu)化結(jié)果

通過(guò)在智能衛(wèi)星節(jié)點(diǎn)上部署邊緣計(jì)算服務(wù)器，非智能衛(wèi)星節(jié)點(diǎn)可以將復(fù)雜計(jì)算任務(wù)遷移到離自己最近的智能衛(wèi)星節(jié)點(diǎn)上，然后智能衛(wèi)星節(jié)點(diǎn)再將計(jì)算結(jié)果返回原衛(wèi)星節(jié)點(diǎn).與傳統(tǒng)云計(jì)算模型相比，該計(jì)算模式可以極大地降低數(shù)據(jù)的傳輸距離.因此，更高的邊緣服務(wù)覆蓋率，必然會(huì)帶來(lái)更低的傳輸時(shí)延.圖6描述的是所有衛(wèi)星節(jié)點(diǎn)從同時(shí)發(fā)出計(jì)算請(qǐng)求到收到計(jì)算結(jié)果所需要的平均傳輸時(shí)延.該圖的橫坐標(biāo)為部署的邊緣服務(wù)節(jié)點(diǎn)數(shù)N，縱坐標(biāo)為平均傳輸時(shí)延，單位為毫秒(ms).平均傳輸時(shí)延Tra的計(jì)算公式為：

Trai=2Si/C

(10)

(11)

其中，Trai為第i顆衛(wèi)星從發(fā)出計(jì)算請(qǐng)求到收到計(jì)算結(jié)果的數(shù)據(jù)傳輸時(shí)延；Si為第i顆衛(wèi)星到目標(biāo)節(jié)點(diǎn)的直線距離，若該衛(wèi)星可以請(qǐng)求到邊緣服務(wù)，目標(biāo)節(jié)點(diǎn)就取距其最近的邊緣服務(wù)節(jié)點(diǎn)，若無(wú)法請(qǐng)求到邊緣服務(wù)，目標(biāo)節(jié)點(diǎn)則取為離其最近的GEO節(jié)點(diǎn)，若第i顆衛(wèi)星為智能衛(wèi)星節(jié)點(diǎn)，則取Si=0；C為光在真空中的傳播速度；R為衛(wèi)星節(jié)點(diǎn)總數(shù)[16].

圖6 平均傳輸時(shí)延的優(yōu)化效果圖Fig.6 Optimized effect diagram of average transmission delay

傳統(tǒng)衛(wèi)星網(wǎng)絡(luò)架構(gòu)中，信息通過(guò)GEO衛(wèi)星進(jìn)行傳輸，傳輸時(shí)延高達(dá)240ms以上.從圖6可以看出，當(dāng)智能節(jié)點(diǎn)數(shù)目N=10時(shí)，智能衛(wèi)星網(wǎng)絡(luò)系統(tǒng)的平均傳輸時(shí)延僅有30ms.當(dāng)智能節(jié)點(diǎn)數(shù)N=16時(shí)，系統(tǒng)的平均傳輸時(shí)延降到了7ms左右，之后再次增加邊緣節(jié)點(diǎn)數(shù)目，對(duì)系統(tǒng)的平均傳輸時(shí)延優(yōu)化效果就不再明顯.因此可以得出：邊緣節(jié)點(diǎn)的加入，可以有效的降低智能衛(wèi)星網(wǎng)絡(luò)系統(tǒng)的平均傳輸時(shí)延.本文提出的基于人工蜂群的智能節(jié)點(diǎn)部署算法，可以根據(jù)不同星座，快速找出最佳的邊緣服務(wù)節(jié)點(diǎn)部署策略，為今后星上邊緣服務(wù)系統(tǒng)的部署提供一定的幫助.

5 結(jié) 論

本文針對(duì)天地一體化網(wǎng)絡(luò)中傳輸時(shí)延高的現(xiàn)狀，結(jié)合天地一體化智能網(wǎng)絡(luò)架構(gòu)，提出了一個(gè)基于人工蜂群的智能衛(wèi)星節(jié)點(diǎn)部署算法，旨在部署最少的智能衛(wèi)星節(jié)點(diǎn)，為其它衛(wèi)星以及偏遠(yuǎn)地區(qū)的地面用戶提供更加全面的邊緣計(jì)算服務(wù).進(jìn)而有效減少了數(shù)據(jù)的傳輸距離，降低了系統(tǒng)的傳輸時(shí)延.通過(guò)STK與Matlab平臺(tái)的仿真驗(yàn)證：

1)該算法iGSA、PSO等相比，可以更快地找到最佳的智能衛(wèi)星節(jié)點(diǎn)部署策略.以最大化有效服務(wù)覆蓋時(shí)間為優(yōu)化目標(biāo)來(lái)看，該算法要比iGSA與PSO平均高出7.6%.

2)通過(guò)計(jì)算系統(tǒng)的平均傳輸時(shí)延可以看出，在加入邊緣服務(wù)設(shè)備后，系統(tǒng)的平均傳輸時(shí)延得到了極大地降低，以仿真系統(tǒng)為例，邊緣設(shè)備由0提升到10再提升到20，平均傳輸時(shí)延由240ms降低到35ms最終到7ms，優(yōu)化了97%.可見(jiàn)本文提出的算法切實(shí)可行，可為今后星上邊緣服務(wù)系統(tǒng)的部署提供一定的幫助.