[论文解读] Which Workloads Belong in Orbit? A Workload-First Framework for Orbital Data Centers Using Semantic Abstraction

Durgendra Narayan Singh|arXiv (Cornell University)|Mar 19, 2026

Space Satellite Systems and Control被引用 0

一句话总结

论文提出一个以工作负载为中心的框架，用于决定哪些任务应保留在轨道上与地面云之间，并通过轨道内语义抽象原型展示显著将数据简化为紧凑工件的效果。

ABSTRACT

Space-based compute is becoming plausible as launch costs fall and data-intensive AI workloads grow. This paper proposes a workload-centric framework for deciding which tasks belong in orbit versus terrestrial cloud, along with a phased adoption model tied to orbital data center maturity. We ground the framework with in-orbit semantic-reduction prototypes. An Earth-observation pipeline on Sentinel-2 imagery from Seattle and Bengaluru (formerly Bangalore) achieves 99.7-99.99% payload reduction by converting raw imagery to compact semantic artifacts. A multi-pass stereo reconstruction prototype reduces ~306 MB to ~1.57 MB of derived 3D representations (99.49% reduction). These results support a workload-first view in which semantic abstraction, not raw compute scale, drives early workload suitability.

研究动机与目标

• 将太空基计算视为受限资源，具有独特的延迟、连通性和电力约束以作动机。
• 形式化一个工作负载适配框架，以评估轨道部署的契合度。
• 展示从太空原生数据到语义工件的经验性降低，以引导工作负载放置。

提出的方法

• 为轨道计算提出第一性原理约束，包括延迟、连通性、能量、带宽和故障特征。
• 引入一个五维工作负载适配矩阵，包含延迟容忍度、带宽强度、故障容忍、数据局部性和计算强度。
• 提供一个阶段性能力路线图，将轨道基础设施成熟度与工作负载适配性联系起来。
• 原型化端到端的地球观测语义压缩管线，以量化下行带宽的降低。
• 展示一个深度代理多视角重建管线，以在太空约束下评估高计算工作负载。

实验结果

研究问题

• RQ1 有哪些约束会独特地影响轨道数据中心的工作负载放置？
• RQ2 如何通过结构化评分框架来确定哪些工作负载适合轨道部署？
• RQ3 语义抽象在多大程度上可以降低太空原生数据的下行需求？
• RQ4 一个与工作负载类别相一致的轨道计算成熟路径应如何阶段性规划？

主要发现

• 地球观测语义压缩在西雅图与班加罗尔之间实现了约99.69%至约99.996%的带宽降低，取决于云端模式。
• 深度代理多视角重建在仅有11.45%可用视差覆盖的情况下，将306 MB原始影像降至1.57 MB（降低约99.49%）。
• 两个经验性案例研究通过显示高带宽降低和太空原生数据局部性，验证工作负载适配矩阵，证明在某些工作负载中在轨处理的合理性。
• 一个三阶段路线图将轨道基础设施成熟度与不断演变的工作负载适配性联系起来，从仅GPU向下行容忍工作负载，到具备 LISL 的星座级计算。