空天地一体化网络作为6G技术的关键组成,在整合天基、空基和地基网络时,面临节点异构性、业务多样性等挑战,进而引发资源分配、竞争及故障风险等问题。基于此,聚焦基于软件定义网络(software defined network,SDN)与网络功能虚拟化(netw...空天地一体化网络作为6G技术的关键组成,在整合天基、空基和地基网络时,面临节点异构性、业务多样性等挑战,进而引发资源分配、竞争及故障风险等问题。基于此,聚焦基于软件定义网络(software defined network,SDN)与网络功能虚拟化(network functions virtualization,NFV)的空天地一体化网络任务部署与恢复,首先阐述了空天地一体化网络系统架构,介绍了各层网络构成、SDN和NFV原理及其相关应用,然后,针对上述挑战,以服务功能链技术为抓手,提出了面向任务的服务功能链优化部署、利用智能算法实现动态调度、通过匹配博弈算法完成失效恢复等策略,最后,构建了一个用例,设定节点部署、服务功能链建模等,验证了所提策略在提升服务功能链完成效率以及应对资源故障方面的有效性,旨在为空天地一体化网络资源管理提供理论基础。展开更多
空天地融合车载网场景下,无人机设备由于电池容量和能源有限,无法为任务卸载提供长期有效支持;低轨卫星受资源成本以及通信延迟、时延抖动的影响难以为大规模车联网任务提供稳定的高带宽通信服务。针对空天地融合车载网络场景下无人机...空天地融合车载网场景下,无人机设备由于电池容量和能源有限,无法为任务卸载提供长期有效支持;低轨卫星受资源成本以及通信延迟、时延抖动的影响难以为大规模车联网任务提供稳定的高带宽通信服务。针对空天地融合车载网络场景下无人机和低轨卫星的资源优化问题,提出了一种基于多任务深度强化辅助学习(Multi-Task Deep Reinforcement and Auxiliary Learning,MTDRAL)的任务卸载以及功率调整、缓存决策的方案。首先构建了任务切分与传输模型、时延模型、能耗模型、服务器计算与缓存模型和问题模型;然后,基于对任务处理时延、服务器能耗以及缓存命中率的综合考虑,给出了基于MTDRAL的任务卸载及资源调度方案;最后将所提方案与随机卸载策略方案、成功率贪婪决策方案、基于柔性动作-评价算法的多网络深度强化学习的卸载方案、基于深度确定性策略梯度算法的多网络深度强化学习的卸载方案进行了对比实验。实验结果表明:所提方案在服务器数量为14、车载终端数量为10时,综合得分相较于4种对比方案,分别领先约134.41%,31.32%,38.93%,29.49%;所提方案具有较好的性能,能更好地满足空天地融合车载网场景下的任务卸载需求。展开更多
随着6G通信技术的蓬勃发展,通感融算(integrated sensing,computing and communication,ISCC)正成为推动空天地一体化网络演进的重要动力。从ISCC的核心概念出发,讨论了其在空天地一体化网络中的关键作用,提出了一种基于ISCC赋能的两级...随着6G通信技术的蓬勃发展,通感融算(integrated sensing,computing and communication,ISCC)正成为推动空天地一体化网络演进的重要动力。从ISCC的核心概念出发,讨论了其在空天地一体化网络中的关键作用,提出了一种基于ISCC赋能的两级管理与编排的网络架构,并对该架构的关键技术进行了分析。最后,总结了当前该领域所面临的挑战,并展望了未来的发展趋势,以期为6G时代空天地一体化网络的构建提供参考和借鉴。展开更多
文摘空天地一体化网络作为6G技术的关键组成,在整合天基、空基和地基网络时,面临节点异构性、业务多样性等挑战,进而引发资源分配、竞争及故障风险等问题。基于此,聚焦基于软件定义网络(software defined network,SDN)与网络功能虚拟化(network functions virtualization,NFV)的空天地一体化网络任务部署与恢复,首先阐述了空天地一体化网络系统架构,介绍了各层网络构成、SDN和NFV原理及其相关应用,然后,针对上述挑战,以服务功能链技术为抓手,提出了面向任务的服务功能链优化部署、利用智能算法实现动态调度、通过匹配博弈算法完成失效恢复等策略,最后,构建了一个用例,设定节点部署、服务功能链建模等,验证了所提策略在提升服务功能链完成效率以及应对资源故障方面的有效性,旨在为空天地一体化网络资源管理提供理论基础。
文摘空天地融合车载网场景下,无人机设备由于电池容量和能源有限,无法为任务卸载提供长期有效支持;低轨卫星受资源成本以及通信延迟、时延抖动的影响难以为大规模车联网任务提供稳定的高带宽通信服务。针对空天地融合车载网络场景下无人机和低轨卫星的资源优化问题,提出了一种基于多任务深度强化辅助学习(Multi-Task Deep Reinforcement and Auxiliary Learning,MTDRAL)的任务卸载以及功率调整、缓存决策的方案。首先构建了任务切分与传输模型、时延模型、能耗模型、服务器计算与缓存模型和问题模型;然后,基于对任务处理时延、服务器能耗以及缓存命中率的综合考虑,给出了基于MTDRAL的任务卸载及资源调度方案;最后将所提方案与随机卸载策略方案、成功率贪婪决策方案、基于柔性动作-评价算法的多网络深度强化学习的卸载方案、基于深度确定性策略梯度算法的多网络深度强化学习的卸载方案进行了对比实验。实验结果表明:所提方案在服务器数量为14、车载终端数量为10时,综合得分相较于4种对比方案,分别领先约134.41%,31.32%,38.93%,29.49%;所提方案具有较好的性能,能更好地满足空天地融合车载网场景下的任务卸载需求。
文摘随着6G通信技术的蓬勃发展,通感融算(integrated sensing,computing and communication,ISCC)正成为推动空天地一体化网络演进的重要动力。从ISCC的核心概念出发,讨论了其在空天地一体化网络中的关键作用,提出了一种基于ISCC赋能的两级管理与编排的网络架构,并对该架构的关键技术进行了分析。最后,总结了当前该领域所面临的挑战,并展望了未来的发展趋势,以期为6G时代空天地一体化网络的构建提供参考和借鉴。
