Tera-SpaceCom：基于图神经网络的深度强化学习用于太赫兹频段空间网络中的联合资源分配与任务卸载
机器学习
2024-09-13 v1
摘要
太赫兹（THz）空间通信（Tera-SpaceCom）被视为一种有前景的技术，可支持各种空间科学与通信应用。具体而言，Tera-SpaceCom领域包括用于空间探索的太赫兹传感、为空间探索任务提供云服务的天基数据中心，以及通过太赫兹链路将这些任务中继到地面站（GS）或数据中心的低地球轨道（LEO）巨型星座。此外，为减轻数据中心的计算负担以及中继过程中的资源消耗和延迟，LEO巨型星座提供卫星边缘计算（SEC）服务，直接计算空间探索任务，而无需将其中继到数据中心。接收空间探索任务的LEO卫星将其部分任务卸载（即分配）给邻近的LEO卫星，以进一步减轻其计算负担。然而，由于空间探索任务和子阵列的离散性以及发射功率的连续性，Tera-SpaceCom SEC网络中高效的联合通信资源分配与计算任务卸载是一个NP难的混合整数非线性规划问题（MINLP）。为应对这一挑战，我们提出了一种基于图神经网络（GNN）和深度强化学习（DRL）的联合资源分配与任务卸载（GRANT）算法，其目标是长期资源效率（RE）。具体而言，GNN从不同卫星的连接信息中学习它们之间的关系。此外，多智能体与多任务机制协同训练任务卸载和资源分配。与基准解决方案相比，GRANT不仅以相对较低的延迟实现了最高的资源效率，而且实现了最少的可训练参数和最短的运行时间。
关键词
引用
@article{arxiv.2409.07911,
title = {Tera-SpaceCom: GNN-based Deep Reinforcement Learning for Joint Resource Allocation and Task Offloading in TeraHertz Band Space Networks},
author = {Zhifeng Hu and Chong Han and Wolfgang Gerstacker and Ian F. Akyildiz},
journal= {arXiv preprint arXiv:2409.07911},
year = {2024}
}