低轨卫星网络基于Stackelberg博弈的任务卸载策略*

菅欣柯，徐 飞，宁临鹏

(西安工业大学 计算机科学与工程学院,西安 710021)

近年来,随着物联网智能设备的快速发展,仅仅依靠地面段的边缘计算网络已难以满足物联网设备的任务计算需求[1]。而低轨卫星凭借对地服务时延小、覆盖范围广、不受地势地形限制等优势逐渐成为下一代通信技术(6G)的重要组成部分[2]。由低轨卫星(Low Earth Orbit satellite,LEO satellite)网络支持的星地边缘计算系统也被提出参与物联网设备的任务计算,为地面站难以覆盖的偏远地区或受恶劣环境或突发情况影响的地区内用户提供低时延高性能的服务。

任务卸载作为边缘计算的关键技术之一,将对任务的处理时延和计算资源分配产生极大影响[3-4],有关卫星网络边缘计算的研究也主要集中在这一方面。文献[5]采用交替优化方法解决星地边缘计算网络中的任务时延和能耗问题。但文献将星地边缘计算的过程抽象成LEO卫星的任务卸载需要通过请求基站实现,二者之间的通信会增大任务时延。文献[6]提出基于博弈论的卫星边缘计算卸载模型,并基于排队论计算任务的响应时间和能耗作为其优化目标。文献仅说明了星地通信的条件,但并未深入研究由LEO的高动态性引起的通信条件的变化对任务卸载策略的影响。文献[7]将任务卸载转化为二进制整数规划问题,基于阈值判断决定任务在LEO或地面站处理。文中任务采用全部卸载类型,对于大数据任务应用将增大LEO的计算压力,且实时性较差,最终的仿真环境仅研究了一个时隙内单颗LEO与地面的交互,不具有普适性。以上方法研究虽然取得了一定成果,但构建的理论模型多集中于某一特定时隙内,在此时隙中,LEO网络拓扑变化较小,可忽略不计,因此对于星地链路的通信问题和LEO的选择问题研究较少。同时,多数文献的仿真环境出现星地通信的最小仰角设置为0°,LEO卫星的数量过多或过少等与实际应用场景存在较大差距的问题。而实际应用场景多以实时性、大数量任务为主,星地通信仰角在20°以上才能保持无间断联通。且目前的低轨卫星系统旨在为全球用户提供互联网服务,该目标的实现必然依赖于系统内部各个LEO卫星间的相互协调选择或星间的任务迁移切换。

在求解算法方面,文献[8]提出一种基于深度强化学习的卫星网络边缘决策方法,但该文献中的LEO卫星仅负责对地观测任务,不作为边缘计算节点。文献[9]提出基于贪心策略(Greedy Algorithm)的LEO卫星网络边缘计算的任务分配算法,根据任务类型选择优化目标,将多任务分配给LEO卫星集群。文献[10]则系统介绍了随机动态算法(Pick-KX)的算法原理及思想,并应用到web服务器的负载均衡功能中。文献[11]则以LEO卫星为领导者,用户为跟随者建立LEO卫星与地面用户的Stackelberg博弈模型,解决动态数据卸载问题。但该方法将多颗LEO卫星平均综合为一个LEO集群作为领导者,LEO集群内部的任务卸载问题被忽略。而在博弈论思想中,每个参与者都以自身收益最大化来选择决策,会出现参与者之间的不断调整交互过程。因此文中借鉴文献[11]的博弈思想,但以用户终端作为领导者,LEO卫星为跟随者,深入研究LEO卫星内部的卸载策略选择过程。

综合上述研究,文中聚焦于真实场景应用,选用星链(starlink)卫星550km轨道这一具体场景建立低轨卫星网络边缘计算系统架构模型,详细分析了真实场景下星地链路的传输条件,以地面用户为领导者,综合选择合适的LEO参与卸载并作为跟随者,建立地面用户与LEO卫星之间的Stackelberg博弈交互模型,探究星地边缘计算任务卸载问题,证明其纳什均衡的存在性并采用迭代算法求解,为我国低轨卫星网络建设和发展边缘计算提供部分理论依据。

1 面向Starlink系统的分布式计算系统架构模型

为了更好地将Starlink实际应用场景同理论卫星网络结合起来,本章首先对Starlink卫星系统的基本信息进行概述,然后选用Starlink系统的某一高度轨道作为研究场景建立边缘计算系统模型。

1.1 Starlink卫星系统概述

Starlink卫星系统是由美国太空探索(SpaceX)公司构建的,用以提供卫星互联网络接入的低轨卫星星座系统[12]。Starlink系统计划共发射4.2万颗LEO卫星,部署分为三个阶段,在每一阶段,卫星都将被发射到不同轨道高度进行联合,实现对全球的完全覆盖[13]。当前Starlink系统处于部署计划的第一阶段,其部署计划见表1。

表1 Starlink系统第一阶段部署计划表[13]

Starlink卫星星座整体采用Walker型LEO卫星星座模型[14],如图1所示。文中以第一阶段轨道高度为550 km,轨道倾角为53°的卫星集群为研究场景。因为目前该轨道高度卫星已经投入运行中,其具体参数真实有效:卫星整体载有4部高通量相控阵天线,可以实现极高数据量的通信与传输;卫星与地面用户之间的通信采用Ku频段[3]。在此卫星星座中,地面用户在任意时刻都会与其中若干条轨道的若干颗卫星建立星地链路,从而在相连的卫星中筛选出适合参与卸载的LEO卫星。

图1 Starlink系统卫星轨道分布覆盖图Fig.1 Diagram of satellite orbit distribution of the Starlink system

1.2 系统架构模型

面向Starlink的卫星边缘计算系统场景如图2所示,该卫星网络系统模型由地面用户和固定轨道高度的LEO卫星星座构成。模型将地面用户作为中心节点,管理任务的发送、卸载和回传;轨道高度为550 km的LEO 卫星为计算节点,负责任务的卸载计算。地面用户产生的任务可以在本地处理,也可以通过星地链路传输给若干颗的LEO卫星进行分布式处理。但由于LEO卫星的高动态性,地面用户与任意一颗LEO卫星间的星地链路连接存在间歇性,任务必须在双方星地链路相连时才能被发送或回传。

图2 卫星网络系统架构示意图

在Starlink中,轨道高度为550 km的卫星理论上有1 584颗,分布于72条轨道上,每条轨道均匀分布22颗卫星。因此,文中用vij表示某条轨道的某颗卫星(i∈[1,72],j∈[1,22]),记为V={v11,v12,v13,…,vij},其计算能力可用C={cv11,cv12,cv13,…,cvij}表示,由于星载资源有限,假设每颗卫星只部署一台边缘计算服务器[13]。如果将任务全部交由本地计算或者卸载到LEO卫星进行计算,其任务的等待时间及能耗将会显著增加,因此,对本地设备和LEO卫星的任务卸载策略进行优化则非常重要[6]。

1.3 星地传输系统模型

重点介绍在Starlink系统中星地链路的连通条件,并计算星地链路传输速率。为了便于计算与建模,设LEO卫星轨道以地心为圆心,绕地球作周期性圆周运动。卫星的轨道参数[14-16]如下。

1.3.1 卫星位置坐标表示

根据卫星轨道与地球的相对位置及运动特点,特建立以地心为坐标原点,春分点方向为X轴,经地心向极地延伸作Z轴的空间直角坐标系,如图3所示。

图3 卫星坐标示意图

在Starlink系统的Walker星座中,各轨道的升交点赤经差为5°,卫星间的相位差约为16.36°。任意卫星均可用4个参数描述其位置,即vij={Rv,ai,βi,θij}[12]。

下面是对卫星参数的详细描述:

① 轨道倾角αi:赤道平面与卫星轨道平面夹角。

② 升交点赤经Ωi:在赤道平面内,由春分点沿赤道方向到达升交点的夹角。在Walker型星座中,每一颗卫星均匀分布在轨道平面,每条赤道的升交点赤经可以表示为Ωi=i×(2π/72)。

③βi:卫星轨道在赤道平面上的交线与Y轴正半轴的夹角,与升交点赤经的关系是βi=90°-Ωi。

④ 初相位θij:卫星vij在轨道平面的初始相位。

在任意时刻t,Vij的位置坐标为

Xij(t)=Rvcos(ωt+θij)sin(βi)+

Rvsin(ωt+θij)cos(αi)cos(βi),

(1)

Yij(t)=Rvcos(ωt+θij)cos(βi)-

Rvsin(ωt+θij)cos(αi)sin(βi),

(2)

Zij(t)=Rvsin(ωt+θij)sin(αi)。

(3)

其中,Rv为卫星的轨道半径;ω为卫星的角速度。

1.3.2 卫星之间的距离

在某一时刻t,卫星与地面用户之间的距离为

ls-ij(t)=

(4)

其中vij的坐标表示为{Xij,Yij,Zij},地面用户的坐标表示为{Xs,Ys,Zs}。

1.3.3 星地链路传输速率

由于星地间链路连通受LEO卫星位置的影响,只有当LEO卫星与地面用户之间的位置关系满足特定要求时,才能建立星地链路。卫星与用户终端之间的通信链路空间几何要求如图4所示,在Stralink系统中,卫星与地面用户建立星地链路的最低仰角要求为40°[12]。

图4 Starlink卫星与地面用户通信链路空间几何图

根据Starlink系统中星地链路连通条件,需要计算LEO卫星与地面用户之间的仰角,具体位置关系及计算如图5所示。

图5 星地链路位置关系示意图

在此位置关系中,地面用户、LEO卫星和地心之间形成任意三角形,根据余弦定理地面用户与LEO卫星之间的仰角γs-ij为

(5)

定义t时刻地面用户与vij间的链路状态如式(6)所示,当links-ij(t)=1时表示星地链路连通;反之,星地链路中断。由此,在每次进行策略前,地面用户要根据未来一段时间内星地链路是否连通筛选合适的LEO卫星队列参与卸载,从而保证任务结果的回传。

(6)

若连通,则星地链路理论信道传输速率[15]为

(7)

式中:Bs-ij为星地链路信道带宽;N0为加性高斯白噪声;Pr(t)为随时间变化的信号功率函数。考虑到自由空间中路径损耗在星间链路信号传输损耗中占主导地位,因此接收功率Pr(t)为

(8)

(9)

式中:Pt为信号发射功率;Gi为发射天线的发射增益;Gr为信号的接收增益;λ为Starlink星地链路使用的Ku频段的波长;Lf为自由空间传输损耗。

由此,将式(8)、式(9)代入式(7),即得到星地链路传输速率为

(10)

1.4 星地计算系统模型

假设地面用户可生成一系列时延敏感型任务,因此时延成为求解任务最优解的优化目标。设任务大小为D,任务可以在本地计算,也可以被卸载到LEO卫星上进行计算,因此该模型的时延将分为两部分:本地计算和边缘分布式计算。

① 本地计算时延

当任务量较小,使用边缘计算的方式会造成较大时延,因此任务由地面用户进行本地计算。时延为

(11)

其中Cs为地面用户的计算能力。

② 分布式边缘计算时延

由于地面用户的计算能力较小,当任务量增大时,本地计算时延增大,同时低轨卫星可获得的收益增大,因此该任务将被部分卸载,采用地面用户和LEO卫星分布式计算的方式进行处理。时延为

(12)

为了便于计算和度量,根据文献[17]的方法,通过价格转化系数θ,将时延转化为价格加入到后续的收益函数中,时延的价格U为

U(tL)=θ×tL。

(13)

2 基于Stackelberg博弈的卫星任务卸载策略

2.1 基于Stackelberg博弈的分布式计算模型

地面用户在向LEO卫星卸载任务前,需要设置子任务价格吸引LEO卫星购买,从而获得收益;而LEO卫星则根据自身的计算特性制定合理的购买计划,以最大化自己的收益。如此,地面用户与LEO卫星之间的交互过程就构成了Stackelberg博弈。

2.1.1 Stackelberg博弈模型

Stackelberg博弈是一种博弈决策者之间符合主从关系的博弈问题,博弈中同时出现两个地位不等的博弈决策者,分别称为领导者和跟随者[18]。领导者根据需求定价,跟随者根据领导者的定价策略进行非合作博弈最大化自己的收益,得到自己的需求策略,此时领导者根据跟随者的策略进一步调整定价策略。经过有限次调整后,领导者和跟随者都达到最大效益,此时达到纳什均衡。在这种状态下,领导者和跟随者都不再调整各自策略。

领导者:即地面用户。在此边缘计算系统中,地面用户拥有管理和划分任务的权利,可将整个任务划分成若干子任务并进行定价,通过定价影响跟随者的需求决策。

跟随者:进行卸载计算时,低轨卫星根据自身计算特性向地面用户购买子任务,因此,参与卸载计算的低轨卫星作为跟随者,根据地面用户提供的定价来调整自己购买子任务的策略。

博弈策略:地面用户的策略是公告任务的定价,低轨卫星的策略是决定计算子任务的大小并报告给地面用户。

假设任务的定价策略为p,卫星节点集为V={v11,v12,v13,…,vij},计算策略为qij,即表示卫星vij申请计算的任务大小,q={q11,q12,113,…,qij}表示该卫星网络中所有LEO卫星的任务需求集合。具体交互过程如图6所示[19]。

2.1.2 收益函数

领导者和跟随者的收益函数可直接反映博弈双方所获得的利益,以找到最优的卸载策略。

① 低轨卫星的收益函数

由于各LEO卫星之间是不完全信息的非合作博弈,所以每个卫星独立制定自身的任务需求。低轨卫星的收益函数包括收入和支出两部分。

F(p,qij,q-ij)=Uij(qij)-Pij(qij)-Uij(tL),

(14)

其中Uij(qij)为卫星获得的收入;Pij(qij)为卫星向地面用户购买子任务的开销;Uij(t)为时延转化为价格所消耗的费用。

选用对数函数来表示卫星的收入,任务量越大,获得的收入越高[19]。

Uij(qij)=αijlog2(1+qij),

(15)

其中αij为低轨卫星的能力系数,由熵权法确定LEO卫星的计算能力和丢包率的权重,并进行简单加权决定。

根据以上分析,卫星vij的收益函数为

Fij(p,qij,q-ij)=

αijlog2(1+qij)-p·qij-θ·tL。

(16)

② 地面用户的收益函数

地面用户向低轨卫星出售子任务,所得到的支付费用即为地面用户的收益函数为

G(p,qij)=p·∑qij。

(17)

2.2 纳什均衡存在性证明

Stackelberg博弈的纳什均衡解即为卸载策略的最终解,当博弈双方经有限次博弈后,均达到自身收益的最大化,且参与博弈的某一方任意改变自身策略时,都不会使自身收益增加,即达到纳什均衡[21]。

对于文中的Stackelberg博弈模型,当地面用户给定某一任务定价时,低轨卫星根据定价策略更新自身的计算策略以最大化收益。当LEO卫星的收益达到最大且任意一颗LEO卫星改变策略都不会使自身收益最大时,即

(18)

并不是所有的博弈模型都存在纳什均衡,以下为文中提出的Stackelberg博弈模型的纳什均衡的存在性证明。

首先给出证明纳什均衡存在性的著名引理[21]:

引理满足以下条件时,非合作博弈至少存在一个纳什均衡解。

① 策略空间q是欧几里得空间中的一个非空紧凸子集;

② 收益函数F(p,qij,q-ij)在策略空间上是连续拟凹的。

下面定理将说明该Stackelberg博弈的纳什均衡存在性。

证明对于低轨卫星集合,其计算策略集q={q11,q12,q13,…,qij}是欧氏空间的凸集,并且它的收益函数Fij在其计算策略空间中是连续的。

低轨卫星收益函数的导数为

(19)

(20)

由此可得∂2Fij/∂2qij≤0恒成立,该收益函数为严格凹函数,满足引理条件,则该Stackelberg博弈模型存在纳什均衡点,证毕。

纳什均衡解存在表明,对于地面用户根据卸载的任务所提出的每一种定价策略,都能找到一种任务卸载策略使得双方收益最大化,即该Stackelberg博弈存在完美的纳什均衡解。

2.3 纳什均衡求解算法

根据文献[18][22],文中选用分布式迭代算法来求解上述Stackelberg博弈的纳什均衡解。即领导者每作出一次定价策略,其低轨卫星根据该定价策略选择自身的购买策略,获得在当前定价策略基础上的最优卸载策略,且在低轨卫星的策略完成前,保持领导者的定价策略不变。

设τ为低轨卫星一次策略的博弈阶段,qij(τ)为卫星vij在τ第次博弈阶段的策略,Δτ表示τ到τ+1为一个迭代周期,则卫星在τ+1个博弈阶段的策略可以通过微观经济学边际效用[23]表示,其迭代方程为

(21)

其中β为一维搜索的步长。在上节证明出低轨卫星收益函数所具有的凹函数特性,因此经过有限次迭代过程可得到当前任务定价策略基础上的纳什均衡点。

同理,设t为地面用户一次任务定价策略阶段,Δt表示t到t+1的迭代周期,地面用户的任务定价策略可以通过如下方式调节

(22)

其中,μ>0为迭代步长。地面用户有关任务定价的收益函数的偏导数可以通过一个极小改变量ε来计算

(23)

整个迭代过程如下:

① 以计算总任务所用时延为时隙,判断每个LEO卫星在未来相同时隙内与地面用户的链路连通状态,保持持续连通的LEO卫星可作为此次任务卸载的计算节点参与策略。

② 领导者定价策略调整:每一阶段t,地面用户根据(22)(23)更新定价策略;

③ 跟随者卸载策略调整:卫星收到任务定价策略后,每隔Δτ根据(21)来更新自己的购买策略,直到卫星的收益达到最大,若某一时刻,各个卫星都达到自身收益最大,停止迭代;

经过以上迭代求解,任何大小任务都能找到其最优的子任务卸载方案以及最佳方案下的最大收益。

由于卫星在博弈过程中的购买策略只考虑其可以计算的子任务的大小,不考虑卸载总任务量,因此在某一最优分配方案下,卸载的子任务大小之和与初始化卸载比例有所差异。因此在最终取得纳什均衡解后,地面用户要根据最终卸载策略更新卸载比例φ。

3 仿 真

为验证文中所提出的基于Stackelberg博弈模型的星地网络边缘计算在处理时延敏感型计算密集型任务方面的有效性,首先对比全部卸载模型与部分卸载模型的任务处理时延;接着比较了不同任务计算方法和不同任务卸载算法与文中方法的时延效果;最后研究了不同数量的LEO卫星队列参与卸载计算的时延性能。

实验平台采用MATLAB,实验计算机CPU为Intel i5-1035G1,运行内存为16GB。设某一次任务卸载策略,有3个LEO卫星节点与地面用户连通参与计算。实验中,时延转化为价格的参数θ设置为0.01,分布式迭代算法中的一维搜索步长β和u均设置为0.01,设置地面用户的位置坐标为某一确定值,且固定不变;低轨卫星参与卸载的初始位置为初始相位,其他实验基本参数见表2[12-24]。

表2 实验基本参数

3.1 卸载类型比较

目前的任务卸载类型有全部卸载和部分卸载两种类型,文中根据卫星集群的特点选用部分卸载模型。相对于部分卸载模型,全部卸载模型在卫星集群场景中存在难以优化的模型弊端,出现高时延和卫星资源的浪费等问题。为验证本文选用部分卸载模型的合理性,对全部卸载[25]和部分卸载模型进行对比,如图7所示。

图7 不同任务量下的卸载类型对比

基于博弈论原理,每个参与博弈的LEO卫星都会自私地向自身收益函数的最大值点趋近。因为部分卸载的卸载任务量可以随LEO卫星最优卸载量的变化而改变,因此在10～80 MB时,部分卸载的卸载比例达到98%以上,如图8所示。

图8 部分卸载类型不同任务量下的卸载比例

而在全部卸载中,卸载任务量按卸载比例固定不变。当卸载任务量超过LEO卫星集群的最优卸载量总和时,必然存在某些卫星将增加自身卸载量,无法趋向自身最优解。在20 MB时,仅有一颗卫星以自身最优卸载量处理任务;30 MB时,有两颗卫星以自身最优卸载量处理任务;40 MB,三颗卫星均趋向自身最优解,如图9所示。因此会出现全部卸载方式与部分卸载方式在20～40 MB时延趋近的可能性。随着任务量的不断增加,当某些卫星趋向自身最优解时,其他卫星就必须承受可能超过自身最优解的卸载任务,导致时延增大,所以在40 MB之后,全部卸载时延随任务量的增长急剧增加。

图9 全部卸载类型卫星实际卸载量与最优卸载量比较

综上所述,全部卸载中可能出现卫星间计算资源利用不均甚至过载现象,相比而言,部分卸载则具有明显的时延优化和资源利用优势,因此部分卸载模型更适用于卫星网络系统。

3.2 时延性能比较

比较分布式边缘计算方法与传统的云计算网络及单个卫星节点计算任务的时延。图10表明,卫星分布式计算所用时延远远小于地面云计算方法和单个卫星计算方法,但三者时延的整体趋势都随任务量的增加而上升,三种方法大致呈线性分布。由于地面云服务器离用户终端距离较远,受链路带宽限制,传输时延占总时延比重较大,导致整体时延较高,充分验证了云计算技术所存在的弊端对时延的影响较大。单颗卫星的传输时延虽然小于地面云计算,但单颗卫星的计算能力有限,因此整体时延与分布式计算相比处于劣势。

图10 卫星分布式计算与云计算和单颗卫星任务处理时延比较

任务量为60 MB时,分布式计算的时延相比于地面云计算及单颗卫星计算分别降低了88%和46%,体现了星地边缘计算在任务计算方面的优势。

3.3 多种算法时延比较

将文中提出的分布式迭代算法与目前任务卸载常用的贪心算法[9](Greedy Algorithm)、随机动态算法[10](Pick-KX)和强化学习算法[11]进行时延性能比较,仿真结果如图11所示。当任务量较小时,四种算法所用时延相差不大,分布式迭代算法的时延优化优势没有凸显出来。当时延D≥40 MB时,分布式迭代算法所用时延逐渐优于其他算法。在D=100 MB时,分布式迭代时延相比于贪心算法(Greedy Algorithm)、随机动态算法(Pick-KX)和强化学习算法分别降低了6%、18%和24%。

图11 多种算法时延性能比较

这是因为Greedy Algorithm只是求解一次卸载过程的局部最优解,而没有过多关注LEO卫星与地面用户之间交互协调过程;Pick-KX则直接忽略LEO卫星间计算能力的差异性,随机选择卫星进行卸载;强化学习算法以最终的累积奖励最大化为优化目标,每个卫星都会受到其他卫星决策的影响,无法实现自身绝对最大化;分布式迭代算法综合考虑了卸载双方的收益函数最优解,因此分布式迭代算法可有效降低时延。

3.4 LEO卫星的数量和自身性能对时延的影响

由于LEO卫星与地面用户之间的星地链路连通状态具有可变性和不确定性,每次进行策略前,地面用户都要筛选能够参与卸载计算的LEO卫星节点,因此,每次参与计算的LEO卫星数目和计算性能也可能不同。本节对参与计算的LEO卫星数量和计算性能进行研究,综合分析LEO卫星的一系列因素对时延的影响。

根据Starlink系统的目标,在任意时刻地面用户至少与一颗LEO卫星相连[13],设置LEO卫星数量为[1,5] ;根据LEO卫星收益函数中所定义的能力系数αij来模拟LEO卫星的部分性能参数,计算出文中仿真的Starlink卫星的能力系数αij∈[0.7,1.1]。如图12所示,在任务量为100 MB,相同能力系数的条件下,不同数量的LEO卫星参与计算时,LEO数量越多,时延优化越好,所用时延越短。这是由于LEO卫星的各项性能相同,自身收益的最大值相同,所以参与卸载的LEO数量越多,卸载比例越大,时延也就越小。而在LEO数量相同的条件下,时延会随着能力系数的增加而降低,表明能力系数也会影响时延的优化性能。定量分析可知,在能力系数αij=1.1时,5颗LEO卫星相比于1颗LEO卫星,时延优化48%;而5颗LEO卫星参与卸载计算时,能力系数相比于αij=0.7,时延优化13%。因此相比于数量,在相同距离的LEO计算性能的差异对时延优化的影响较小。

图12 不同LEO卫星数量下的时延变化图

在实际场景中,LEO卫星的整体性能还与星地间的距离及卫星资源的分配存在很大关系,其卸载过程要更为复杂,因此,在任务卸载时,时延的优化不仅与LEO卫星的数量和计算性能有关,还与LEO卫星网络中的资源分配和星地距离有关。

4 结 论

针对偏远地区用户难以使用地面资源的现象,文中研究在低轨卫星系统上搭载边缘服务器进行任务卸载计算。同时结合实际应用场景特点,构建面向Starlink卫星系统的星地分布式边缘计算架构,深入研究LEO卫星的高动态性变化和星地链路连通方式对任务卸载策略的影响,基于Stackelberg博弈论的观点,提出了一种可以应用于低轨卫星网络并有效降低任务时延的部分卸载策略,证明其纳什均衡的存在并进行求解。仿真结果表明,无论是在卸载方式还是算法求解方面,文中提出的基于Stackelberg博弈的分布式任务卸载策略在优化任务时延方面都有一定的性能优越性。同时以Starlink低轨卫星网络为研究案例,为我国低轨卫星网络的发展提供可供选择的建设思路和理论支持。

但文中的任务卸载策略聚焦于单用户场景,其他用户对任务卸载策略的影响未进行深入研究,且任务卸载策略一旦确定将无法更改。因此,如何实现多用户多卫星中的任务卸载以及在卸载过程中动态调整卸载策略实现优化计算将是卫星系统参与边缘计算的下一步研究重点。