针对算力网络中终端用户计算能力不足及边缘节点算力分配不均的问题, 提出一种以激励机制为基础的无人机(UAV)协同终端直连(D2D)边缘计算方案。首先, 在满足计算资源、发射功率、计算资源单价等限制条件下, 通过联合优化任务卸载比例、计算资源限制量、UAV飞行轨迹、UAV和用户的发射功率以及计算资源出售单价, 提出一个系统收益最大化问题。其次, 利用近端策略优化(PPO)确定用户卸载和购买策略, 通过在多个时间步骤上迭代优化策略最大化累积奖励, 并引入剪切项以限制策略更新的幅度, 以确保求解算法的稳定性。仿真结果显示, 基于PPO的系统收益最大化算法相比基线算法具有更好的收敛性, 并能够有效提升系统总收益。

为满足卫星数据处理、车辆远程控制等快速响应和大范围覆盖的应用场景需求, 聚焦于采用分层控制和人工智能技术的方法, 设计一种空天地一体化算力网络资源调度机制。将空天地网络划分为3个域, 分别部署域控制器, 负责本地域的资源管理, 同时通过卫星和无人机的覆盖范围进行地面区域划分, 确保地面区域能够得到有效的服务保障, 以实现高效的数据传输和任务处理。为了优化空天地算力网络资源利用率, 引入多智能体强化学习算法, 对不同场景下产生的计算任务进行实时处理, 将每个域控制器视为具备任务调度和资源分配能力的智能体, 在满足时延和能耗的约束下, 通过协同学习和分布式决策实现计算任务智能调度和高效分配。实验结果表明, 该机制能够有效提高资源利用率和缩短任务响应时间。

卫星网络具有覆盖范围广、机动性强及功耗超低等优势, 可作为地面通信网络的重要补充和延伸, 推动构建空天地一体化网络。然而, 随着卫星业务的开放普及, 卫星网络流量激增且日益复杂, 给卫星网络的管理及业务调度带来了严峻挑战。显然, 设计一种高效的网络流量分类方法, 给不同类型的卫星网络流量分配合理的计算资源, 成为缓解卫星网络压力的关键。基于端口、载荷、统计以及行为的传统网络流量分类方法存在有效性、隐私性等问题, 已经不再满足复杂网络业务的需求。随着大模型的发展, 各种大模型技术得到广泛应用。因此, 为提升卫星网络的业务调度效率并优化卫星网络算力, 提出一种基于全局感知模块(GPM)-ViT(Vision Transformer)模型的网络流量分类方法。基于网络流量数据, 将流量会话数据转化为灰度图片, 经过特征提取模块, 充分提取图片全局和局部信息。将处理后的数据输入ViT, 利用其多头注意力机制提取数据关联信息, 增强分类能力。实验结果表明, GPM-ViT模型的分类准确率达到97.86%, 相比基准模型有所提升。

现有基于强化学习的交通信号控制方法主要使用历史交通状态和当前时间步的实时交通状态来确定下一个时间步的控制策略, 造成控制策略始终滞后于交通状态一个时间步。为了解决该问题, 提出一种基于融合交通状态预测的深度强化学习优势演员评论家(A2C)的交通信号控制方法。首先, 为了获取未来时间步的交通状态, 以确保制定的控制策略能够更精准地响应实时交通状态下的决策需求, 设计一个长短时记忆(LSTM)网络预测路网未来时间步的交通状态。然后, 为了提高输入深度强化学习模型中数据的准确性和鲁棒性, 设计一个卡尔曼滤波器对采集的历史交通状态数据和LSTM网络预测的未来交通状态数据进行融合。其次, 为了使深度强化学习模型能够更全面地理解交通流量中包含的时间依赖关系, 并实现更高效和稳定的交通信号控制决策, 提出一种融合双向LSTM网络的A2C算法。最后, 基于微观交通仿真(SUMO)平台的仿真测试结果表明, 与传统交通信号控制方法和基于深度强化学习A2C的交通信号控制方法相比, 该方法在低峰、平峰和高峰两种不同交通流量状态下均能够取得更好的交通信号控制效益。

在6G时代, 空天地一体化网络(SAGIN)可以为物联网(IoT)设备提供无处不在的覆盖, 能有效解决当前网络架构覆盖能力不足的问题。多接入边缘计算(MEC)是一种非常重要的技术, 可以进一步增强SAGIN的服务能力, 其中MEC在有效降低任务执行延迟和系统能耗方面表现出显著的能力。提出一种支持MEC的SAGIN架构, 其中卫星和多架无人机(UAV)作为边缘节点, 为IoT设备就近提供算力。通过IoT设备的任务分割以及UAV和卫星的带宽分配, 实现网络平均总能耗的最小化。将网络动态性问题表述为马尔可夫决策过程(MDP)问题, 提出一种基于深度确定性策略梯度(DDPG)的自适应决策算法对其进行求解。仿真结果表明, 该算法在最小化网络能耗和DDPG代理累计奖励最大化方面表现出良好的性能。

在空天地多层次算力网络背景下, 针对数字孪生逻辑靶场中因负载数据复杂性和非平稳特征带来的精准预测挑战, 提出融合格拉姆转场(GAF)、卷积神经网络(CNN)、通道注意力机制的压缩与激励网络(SENet)和门控循环单元(GRU)的GCSG模型。GCSG模型通过GAF将一维负载数据转换为二维图像, 利用CNN提取局部特征, 使用SENet优化特征重要性, 采用GRU捕捉时序特征, 实现了高效的特征融合和精准预测。此外, GCSG模型采用融合麻雀搜索算法(SSA)的变分模态分解(VMD)对负载数据进行平稳化处理, 进一步提高了预测性能。实验结果表明, GCSG模型在不同数据长度下均表现出优异的预测精度和稳定性, 且在多步预测任务中同样表现突出。因此, GCSG模型显著提升了负载数据的预测精度, 为空天地算力网络中的数字孪生系统负载预测提供了强有力的解决方案。