[论文解读] A Comprehensive Survey on Orbital Edge Computing: Systems, Applications, and Algorithms

Changhao Wu, Yuanchun Li+5 more|arXiv (Cornell University)|Jun 1, 2023

Satellite Communication Systems被引用 5

一句话总结

本文首次全面综述了轨道边缘计算（OEC），统一了近地轨道（LEO）卫星网络中的系统、应用与算法。它识别了移动性管理、资源分配和计算卸载中的关键挑战，并提出了可扩展OEC部署的优化框架与测试平台需求。

ABSTRACT

The number of satellites, especially those operating in low-earth orbit (LEO), is exploding in recent years. Additionally, the use of COTS hardware into those satellites enables a new paradigm of computing: orbital edge computing (OEC). OEC entails more technically advanced steps compared to single-satellite computing. This feature allows for vast design spaces with multiple parameters, rendering several novel approaches feasible. The mobility of LEO satellites in the network and limited resources of communication, computation, and storage make it challenging to design an appropriate scheduling algorithm for specific tasks in comparison to traditional ground-based edge computing. This article comprehensively surveys the significant areas of focus in orbital edge computing, which include protocol optimization, mobility management, and resource allocation. This article provides the first comprehensive survey of OEC. Previous survey papers have only concentrated on ground-based edge computing or the integration of space and ground technologies. This article presents a review of recent research from 2000 to 2023 on orbital edge computing that covers network design, computation offloading, resource allocation, performance analysis, and optimization. Moreover, having discussed several related works, both technological challenges and future directions are highlighted in the field.

研究动机与目标

• 为解决轨道边缘计算（OEC）缺乏系统性综述的问题，OEC是一种新兴范式，将边缘计算与近地轨道（LEO）卫星网络相结合。
• 识别并分析OEC中的核心挑战，包括卫星移动性、通信与计算资源有限性，以及动态网络拓扑结构。
• 综述2000年至2023年间OEC在网络设计、计算卸载、资源分配与性能优化方面的最新进展。
• 突出技术空白与未来研究方向，尤其在大规模优化与测试平台开发方面，以支持实际部署。
• 通过整合关键技术并识别开放问题，为研究人员和从业者提供OEC发展的基础。

提出的方法

• 对2000年至2023年期间关于OEC的2000余篇研究论文进行系统性文献综述，重点关注网络架构、计算卸载与资源管理。
• 将现有OEC系统分类为三类：仅卫星型、地面-卫星混合型，以及完全分布式的OEC架构。
• 综述用于计算卸载与资源分配的优化技术，如深度强化学习、博弈论与启发式算法。
• 基于卫星轨道力学与预测性切换协议，分析移动性管理策略，以降低延迟与丢包率。
• 评估现有测试平台，并提出未来测试平台的设计原则，包括精确的星座仿真、平台兼容性，以及对真实应用工作负载的支持。
• 整合基于空间的应用（如遥感与空间态势感知）的洞察，以验证OEC的应用场景。

Figure 1: The statistical analysis of the research trend in OEC. “Records” indicate the number of articles related to OEC retrieved by “Web of Science” in the given year.

实验结果

研究问题

• RQ1 在系统架构与运行约束方面，轨道边缘计算（OEC）与传统移动边缘计算（MEC）的根本差异是什么？
• RQ2 在近地轨道（LEO）卫星网络中，移动性、有限带宽与受限计算资源如何影响高效计算卸载与资源分配算法的设计？
• RQ3 在实际应用中，部署可扩展且高效的OEC系统的关键技术使能因素与开放挑战是什么？
• RQ4 如何设计测试平台以真实模拟大规模OEC网络，并支持优化算法的实验验证？
• RQ5 在推动OEC向工业部署及与6G和物联网生态系统集成方面，哪些未来研究方向最为关键？

主要发现

• 轨道边缘计算（OEC）已成为减少近地轨道（LEO）卫星网络下行数据量与延迟的关键范式，尤其适用于遥感与高清视频处理等数据密集型任务。
• 在模拟场景中，OEC中的计算卸载可将地面通信负载降低高达70%，显著提升任务效率并减少能耗。
• 深度强化学习在动态资源分配方面展现出潜力，但在大规模星座中面临收敛速度慢与参数复杂度高的可扩展性挑战。
• 迄今为止仅提出一个全面的OEC测试平台，凸显了实验验证与真实世界仿真能力方面的重大空白。
• 未来OEC测试平台的关键特性包括精确的卫星星座仿真、平台兼容性，以及对AI推理与信道编码等实时工作负载的支持。
• OEC实现了空间中的自主处理，打破了传统‘弯曲管道’模型，为AR/VR、联邦学习与智能遥感等新应用提供了可能。

Figure 2: The outline of this paper.