摘要：由低轨卫星高速运动引发的星地网络拓扑高动态变化，导致星地多维资源映射关系难以稳定保持，资源利用率降低。提出一种星地资源异质图表征及协同调度方法。首先构建星地多维资源表征异质图，基于异质节点属性表征节点多维资源，实现资源与拓扑的映射关联，并建立异质边多维约束，适

"6G卫星互联网”专题

《移动通信》2025年第6期

星地多维资源异质图表征及传算协同调度方法

（北京邮电大学网络与交换技术全国重点实验室，北京 100876）

【摘 要】由低轨卫星高速运动引发的星地网络拓扑高动态变化，导致星地多维资源映射关系难以稳定保持，资源利用率降低。提出一种星地资源异质图表征及协同调度方法。首先构建星地多维资源表征异质图，基于异质节点属性表征节点多维资源，实现资源与拓扑的映射关联，并建立异质边多维约束，适应星地资源状态的高动态变化。其次，构建星地传算模型，提出高维空间组合优化问题，在目标空间实现关联决策。最后，设计多目标双重深度Q网络算法，协同优化传输与计算任务调度策略。仿真实验表明，所提算法相比于粒子群优化等算法，资源利用率可提升90%以上，且性能更加稳定。

【关键词】星地融合网络；多维资源优化；异质图表征；深度强化学习

doi:10.3969/j.issn.1006-1010.20250424-0005

中图分类号：TN929.5 文献标志码：A

文章编号：1006-1010(2025)06-0115-08

引用格式：范阗,胡博,梁栩豪. 星地多维资源异质图表征及传算协同调度方法[J]. 移动通信, 2025,49(6): 115-122.

FAN Tian, HU Bo, LIANG Xuhao. A Heterogeneous Graph Representation and Transmission-Computing Cooperative Scheduling Method of Satellite-Terrestrial Resources[J]. Mobile Communications, 2025,49(6): 115-122.

0 引言

近年来，星地融合网络研究领域涌现大量传算路径协同相关研究，方法涵盖数学优化方法，如凸优化、交替优化等，并通常与博弈论思想结合；计算智能方法，如启发式算法；以及机器学习方法，如卷积神经网络。文献[6]以最小化计算密集型任务的时延为目标，联合优化卫星边缘计算中的通信和计算资源管理问题，并提出一种基于博弈论和匹配理论的求解方案来取得近似最优解。文献[7]针对多用户多边缘计算卫星场景进行研究，将联合优化问题解耦为任务卸载子问题和资源分配子问题，并分别用博弈论方法和凸优化方法进行求解。文献[8]研究LEO卫星边缘辅助的MEC系统来解决拥挤和孤立区域中的用户计算问题，同样对原始问题进行分解，并采用交替优化的方法来低复杂度地迭代求解。文献[9]通过联合优化卸载选择、波束赋形和资源分配来保证星地通算体系下的最小加权总能耗，并利用交替优化和凸优化结合得到收敛后的近似最优解。文献[10]研究具有不同QoS约束的资源调度系统，提出基于合作博弈的下行链路资源协同调度机制，并将效用函数进行转化，进行凸变换后所得结果可以提高下行链路资源利用率和传输速率。文献[11]将地面设备之间为降低自身卸载成本而产生的传算资源竞争转化为星地计算卸载博弈问题，并通过推导得到设备间传输干扰和计算资源竞争的上界，证明了纳什均衡解的存在。此类方法在理论推导中可以获得最优解，但求解过程依赖拓扑静态假设以及线性可分约束，无法适应卫星高速运动引发的拓扑变化，且对高维空间组合优化问题求解的时间复杂度呈指数级增长，无法满足决策时效性。

文献[12]针对星地网络传感、通信和计算能力的效用性能，提出一个多维优化问题，并对问题进行分解。之后联合子帧分配和任务分区策略，利用帕累托前沿获得帕累托最优解来优化整体性能。文献[13]研究星地动态传算资源优化问题，并提出一个平均加权和能耗最小化问题，利用李雅普诺夫优化理论转化为确定性问题后进行分解，并对4个子问题分别迭代求解。通过李雅普诺夫控制参数，实现了具有冲突性的优化问题的近似最优解。文献[14]将星地融合网络中多维资源分配问题描述为一个多目标混合整数非线性规划问题，以提升三种业务的关键QoS指标和降低回程带宽消耗为优化目标。采用加权和的方法将多目标优化问题转化为单目标优化问题，并提出一种基于解耦的迭代优化算法，将该问题分解为三个子问题进行求解。文献[15]对星地融合网络中用户与地面基站连接、用户与低轨卫星连接、子信道分配、带宽分配和功率控制进行联合优化。针对这一混合整数非凸规划问题，提出一种迭代集中式算法，利用凸近似和压缩感知的方法进行决策变量处理，进而对问题进行求解。此类方法通过策略设计或问题转化降低优化维度，迅速搜索至可行解甚至近似最优解。然而，其策略设计通常为传输或计算的单一优化维度，或将多目标问题加权求和，缺乏对时延、能耗、负载等多个优化目标协同的能力。

文献[16]针对星地融合网络中的多任务路由进行优化，利用地面计算中心向卫星收集历史流量数据，并将其应用于卷积神经网络的模型训练和更新。卫星利用训练后的卷积神经网络模型进行路径分配决策，并生成低轨卫星路由表。此类深度学习方法通过空间特征提取实现资源预测，可快速决策传算路径。然而，卫星节点位置随时间高速变化，其连接关系时变动态，卷积神经网络等模型无法直接对该类图结构进行卷积操作，且深度学习训练过程需要大量相关数据和历史经验，依赖数据标签。

因此，本文提出一种星地多维资源异质图表征模型及传算路径协同调度方法。首先，构建星地网络资源表征异质图，基于用户、地面基站、卫星基站等异质节点属性表征节点多维资源，并建立用户接入、星地链路、任务传输路径等异质边的多维约束，实现多维资源与拓扑结构的映射关联，适应星地资源状态的高动态变化。其次，构建星地传算模型，提出接入干扰、边缘服务器负载、传输与计算总时延、传输与计算总能耗协同的高维空间组合问题，实现传输与计算资源在目标空间的关联决策。然后，设计多目标双重深度Q网络（MO-DDQN, Multi-Objective Double Deep Q Network）联合决策算法，从全局视角实现传输路径适配与计算任务调度的策略协同优化。最后，搭建了星地融合网络仿真环境，在不同用户规模的场景下，验证了所提算法的收敛性和性能。

1 网络模型与异质图表征模型

1.1 系统模型

1.2 星地多维资源异质图表征模型

1.3 高维空间组合优化问题

2 多目标DDQN传算协同优化算法

2.1 马尔科夫决策过程

2.2 MO-DDQN算法

3 仿真实验与结果分析

搭建基于Python与STK等工具的星地融合网络仿真实验平台，对本文提出的多目标DDQN传算协同优化算法进行仿真实验，并对结果进行分析。

3.1 参数设置

本文模拟星链低轨卫星星座进行仿真测试。该星座构型为72个卫星轨道面，每轨包括22颗LEO卫星，共1 584颗，轨道高度为550 km，轨道倾角为53°。根据STK模拟卫星轨道，按照1分钟步长进行快照，导出一次星地链路参数。同时，选取某个地区的多个地面基站覆盖范围内的多个地面用户进行仿真，并按照当前时间片重构表征异质图，删除由于卫星移出覆盖范围的失效边，新增卫星进入覆盖范围的有效边。星地融合网络仿真参数如表2所示：

3.2 仿真结果与分析

首先，对所提MO-DDQN传算协同优化算法的收敛性进行验证，并选取合适的超参数以用于后续的性能验证测试。

图3展示了MO-DDQN算法在学习率分别为0.000 05、0.000 1、0.000 15、0.000 2、0.000 25和0.000 3时的收敛情况。从结果可以看出，在六种不同学习率下，MO-DDQN算法均能在迭代次数达到400左右时收敛。且当学习率为0.000 2时，整体收敛稳定性和奖励值更优。

为了验证MO-DDQN算法在不同用户数量规模下的性能，分别将用户数量设置为30、35、40、45和50五种规模，并与Local、Nearest和粒子群优化（PSO, Particle Swarm Optimization）三种算法进行对比。其中，Local算法不需要进行传输，所有任务均在用户终端本地进行计算；Nearest算法为就近接入地面基站或卫星基站，并将任务传输至该节点进行计算；PSO算法通过模拟生物界中鸟类群体的觅食行为进行优化，是一种基于群体协作的随机搜索算法。PSO算法将四个优化目标进行加权和变为一个目标，权重设置与MO-DDQN的奖励函数权重相同。

图4中各曲线代表四种算法在100次独立实验中，五种不同用户数量下获得的平均奖励值变化（其他方法按照四个目标值加权得出奖励值），横坐标为用户数量。从图中可以看出，本文提出的MO-DDQN算法在五种用户规模下均能比其余三种方法获得更高的奖励值。由于MO-DDQN算法的奖励函数由传算资源相关的四个性能及用户服务质量指标构成，因此可以认为MO-DDQN算法可以获得更高的整体资源利用率和更好的用户服务质量，且相比于其他算法，可以提高90%以上的整体资源利用率。

图5为四种算法在不同用户数量下（35、40、45）的100次优化结果，统计后制成箱线图，纵轴的值同样可以代表整体资源利用率。从图中可以看出，MO-DDQN算法有着更高的资源利用率。同时，MO-DDQN算法的箱体大小仅次于Local算法。由于Local算法无需传输，因此可以证明MO-DDQN算法的优化结果相比于Nearest和PSO算法更为稳定。

4 结束语

本文研究了星地融合网络中传算资源的表征与协调优化问题，面向低轨卫星与地面基站融合组网传算场景，提出一种异质图表征及路径协同调度方法。构建异质图对用户、地面基站、卫星基站等异质节点属性，即传算资源进行表征，建立用户接入、星地链路、任务传输路径等异质边的多维约束，并从异质图中抽象出高维空间组合优化问题，同时对接入干扰、节点负载、传输与计算总时延、传输与计算总能耗进行优化，设计MO-DDQN算法进行求解。最后，搭建了星地融合网络仿真环境，在不同用户数量下对所提算法的性能进行测试。结果表明，本文提出的MO-DDQN算法具有较好的收敛性，且与其他三种方法相比，能够大幅提升整体资源利用率，且性能更加稳定。

[1] Chen S, Liang Y-C, Sun S, et al. Vision, Requirements, and Technology Trend of 6G: How to Tackle the Challenges of System Coverage, Capacity, User Data-Rate and Movement Speed[J]. IEEE Wireless Communications, 2020,27(2): 218-228.

[2] You X, Wang C, Huang J, et al. Towards 6G wireless communication networks:vision, enabling technologies, and new paradigm shifts[J]. Science China (Information Sciences), 2021,64(1): 5-78.

[3] 陈山枝. 关于低轨卫星通信的分析及我国的发展建议[J]. 电信科学, 2020,36(6): 1-13.

[4] 陈山枝,孙韶辉,康绍莉,等. 6G星地融合移动通信关键技术[J]. 中国科学（信息科学）, 2024,54(5): 1177-1214.

[5] Ding F, Bao C, Zhou D, et al. Toward Autonomous Resource Management Architecture for 6G Satellite-Terrestrial Integrated Networks[J]. IEEE Network, 2024,38(2): 113-121.

[6] Zhang S, Cui G, Long Y, et al. Joint computing and communication resource allocation for satellite communication networks with edge computing[J]. China Communications, 2021,18(7): 236-252.

[7] Jia M. Zhang L, Wu J, et al. Joint computing and communication resource allocation for edge computing towards Huge LEO networks[J]. China Communications, 2022,19(8):73-84.

[8] Cao X, Yang B, Shen Y, et al. Edge-Assisted Multi-Layer Offloading Optimization of LEO Satellite-Terrestrial Integrated Networks[J]. IEEE Journal on Selected Areas in Communications, 2023,41(2): 381-398.

[9] Wang Q, Chen X, Qi Q. Energy-Efficient Design of Satellite-Terrestrial Computing in 6G Wireless Networks[J]. IEEE Transactions on Communications, 2024,72(3):1759-1772.

[10] Li Z, Jiang C, Sun J, et al. Resource Collaboration Between Satellite and Wide-Area Mobile Base Stations in Integrated Satellite-Terrestrial Network[J]. IEEE Transactions on Mobile Computing, 2025,24(2): 875-889.

[11] Chen Y, Yang Y, Hu J, et al. A Game-Theoretical Approach for Distributed Computation Offloading in LEO Satellite-Terrestrial Edge Computing Systems[J]. IEEE Transactions on Mobile Computing, 2025,24(5): 4389-4402.

[12] Zhu X, Wang H, Yang Z, et al. Time-division based integrated sensing, communication, and computing in integrated satellite-terrestrial networks[J]. Digital Signal Processing, 2023,143: 104262-104277.

[13] Ding C, Wang J, Cheng M, et al. Dynamic Transmission and Computation Resource Optimization for Dense LEO Satellite Assisted Mobile-Edge Computing[J]. IEEE Transactions on Communications, 2023,71(5): 3087-3102.

[14] Fu Y, Wang X, Fang F. Multi-Objective Multi-Dimensional Resource Allocation for Categorized QoS Provisioning in Beyond 5G and 6G Radio Access Networks[J]. IEEE Transactions on Communications, 2024,72( 3): 1790-1803.

[15] Nguyen-Kha H, Nguyen Ha V, Lagunas E, et al. Joint Two-Tier User Association and Resource Management for Integrated Satellite-Terrestrial Networks[J]. IEEE Transactions on Wireless Communications, 2024,23(11): 16648-16665.

[16] Wang F, Jiang D, Wang Z, et al. Fuzzy-CNN Based Multi-Task Routing for Integrated Satellite-Terrestrial Networks[J]. IEEE Transactions on Vehicular Technology, 2022,71(2): 1913-1926.

[17] Zhang Y, Zhang H, Zhou H, et al. Resource Allocation in Terrestrial-Satellite-Based Next Generation Multiple Access Networks With Interference Cooperation[J]. IEEE Journal on Selected Areas in Communications, 2022,40(4): 1210-1221.

[18] Wang X, Bo D, Shi C, et al. A Survey on Heterogeneous Graph Embedding: Methods, Techniques, Applications and Sources[J]. IEEE Transactions on Big Data, 2023,9(2): 415-436. ★

★原文刊发于《移动通信》2025年第6期★

范阗：北京邮电大学网络与交换技术全国重点实验室在读博士研究生，主要研究方向为星地融合网络资源表征、星地融合网络资源优化、6G智能化网络等。

胡博：北京邮电大学网络与交换技术全国重点实验室教授，主要研究方向为宽带无线移动通信系统、面向B5G/6G的星地融合通信、网络人工智能、泛在移动计算等。

梁栩豪：北京邮电大学网络与交换技术全国重点实验室在读硕士研究生，主要研究方向为星地融合网络资源表征、星地融合核心网等。

汇总| 2025下半年专题征稿链接

《移动通信》杂志由中国电子科技集团公司主管，中国电子科技集团公司第七研究所主办，是中国期刊方阵“双效期刊”、工业和信息化部精品电子期刊、中国科技论文统计源刊、中国通信学会《信息通信领域高质量科技期刊分级目录》入选期刊、中国电子学会《电子技术、通信技术领域高质量科技期刊分级目录》入选期刊、中国应用型核心期刊、日本JST收录期刊。国内连续出版物号：CN44-1301/TN，国际连续出版物号：ISSN1006-1010，邮发代号：46-181。

来源：移动通信编辑部