面向低空边缘智能的轨迹与服务缓存联合优化的分层世界模型
《Advanced Engineering Informatics》:Hierarchical world models for joint trajectory and service caching optimization in low-altitude edge intelligence
【字体:
大
中
小
】
时间:2026年09月27日
来源:Advanced Engineering Informatics 11.5
编辑推荐:
摘要
低空边缘智能和分布式人工智能应用正推动移动智能请求向依赖耦合的服务链演进。现有的无人机辅助边缘计算研究往往独立优化任务调度和服务缓存,忽视了任务拓扑与服务依赖之间的耦合关系。这种分离可能导致任务与服务调度不匹配、关键微服务缓存缺失,以及在动态环境中出现级联式服务链故障。
摘要
低空边缘智能和分布式人工智能应用正推动移动智能请求向依赖耦合的服务链演进。现有的无人机辅助边缘计算研究往往独立优化任务调度和服务缓存,忽视了任务拓扑与服务依赖之间的耦合关系。这种分离可能导致任务与服务调度不匹配、关键微服务缓存缺失,以及在动态环境中出现级联式服务链故障。为解决这些挑战,本文研究了一种具有耦合任务-服务依赖的无人机辅助边缘计算架构,并构建了一个随机联合优化问题,以平衡任务服务质量、依赖感知的缓存性能和无人机能量安全性。为解决在动态无线和排队条件下产生的高度非凸、多时间尺度和混合离散-连续问题,我们提出了合作依赖感知量子启发式分层强化学习(CoDeQ-HRL)框架,该框架基于分层世界模型,在多个决策层进行协作缓存和服务执行。在该框架中,量子启发式潜在服务耦合(QLSC)编码器为宏观级世界模型提供依赖感知的结构潜在表示,将候选服务表示为归一化联合状态,将有向服务依赖图映射为厄米算子,并执行依赖驱动的对酉态演化。玻恩规则测量和密度矩阵相干性随后用于推导个体和成对的缓存先验,从而在有限的无人机存储容量下实现服务协作和缓存冲突抑制。动作条件化的宏观和微观潜在动力学模型分别预测跨周期和时隙级的状态转换,而多步潜在想象则在执行前评估候选缓存计划。此外,基于事件流的跨时间尺度信用分配(ECA)机制将快速时间尺度的服务链执行结果与慢速时间尺度的缓存决策关联起来,从而缓解延迟信用分配问题,并提高分层策略之间的协调性。基于真实移动轨迹的轨迹驱动评估表明,CoDeQ-HRL始终优于代表性基线算法,并在任务服务质量、依赖感知缓存效率和无人机能量安全性之间取得了良好平衡。
引言
第六代(6G)移动通信和分布式人工智能赋能服务正快速发展,为边缘智能网络提供了新的架构视角[1],[2],[3]。随着低空集群智能协作和无处不在的边缘人工智能应用的涌现,边缘网络中的服务模式不再局限于孤立的单阶段数据处理,而是演变为具有强阶段间依赖的紧密耦合复合服务链。
在实际的边缘智能应用中,一个完整任务通常由多个具有预定执行顺序的子任务组成,而每个子任务又依赖于特定微服务的可用性[4]。因此,任务调度和服务缓存紧密耦合,无法简单地独立优化。与基于原子任务和独立节点的传统卸载范式不同,这些新兴智能服务在空间上是分布式的,在逻辑上被结构化为复杂的有向无环图(DAG)。这产生了一种双重耦合特性,即用户端任务拓扑依赖与网络端多维服务逻辑依赖紧密交织[5]。在这种双重依赖架构下,任务调度不匹配或上游微服务缓存失败可能导致整个服务链的级联退化。
任务-服务双重依赖暴露了传统云-边协作架构中固有的供需不匹配[6],[7]。固定的边缘服务器部署限制了服务覆盖范围,并且在用户移动性和突发服务热点情况下经常导致本地过载或计算盲区[8]。有限的边缘计算能力进一步迫使长链任务迁移至远端云,带来大量的带宽消耗和传输延迟[9]。与此同时,异构且碎片化的边缘存储与大规模微服务依赖链的端到端完整性要求相冲突[10]。这种碎片化缓存可能导致依赖缺失和服务中断,增加跨节点通信开销和级联延迟[11]。因此,高效的异构资源适配和稳定的双依赖链执行仍然是低空边缘智能网络面临的关键挑战。
无人机具有高空间移动性和按需可访问性,可以在低空灵活部署通信、计算和存储资源,为边缘服务器提供弹性计算支持和补充服务存储[12]。现有的无人机辅助边缘网络研究在多无人机轨迹规划[13]、时变信道优化[14]和异构资源分配[15]方面取得了可喜进展。然而,从强化学习角度来看,由于这些传统的无模型方法缺乏内部世界模型来预测和内部化复杂环境转换,大多数现有研究将单个任务卸载和服务缓存视为原子化和独立的过程,从而忽视了用户端任务拓扑与网络端服务逻辑之间的双重依赖耦合[16]。此外,时变拓扑和非平稳信道衰落可能导致无人机移动低效和机载能量消耗过大。当无人机轨迹与服务依赖在时空上不匹配时,前置微服务的缓存缺失可能触发服务链的级联退化[17]。因此,根据实时任务-服务依赖状态联合优化无人机轨迹、服务缓存和能效,仍然是资源受限边缘网络中的一项开放挑战。
为解决这些挑战,我们提出了CoDeQ-HRL,一种分层世界模型驱动框架,通过双时间尺度解耦缓存和执行,内部化宏观级拓扑和微观级物理动力学,同时纳入约束感知的残差机制以保证可行的移动、卸载和调度决策。为增强预测性缓存推理,我们开发了量子启发式潜在服务耦合(QLSC)编码器,通过将候选服务编码为归一化复状态、通过厄米磁图算子捕捉有向服务依赖、以及通过依赖驱动的对酉演化提取服务重要性和成对耦合信息,为宏观级世界模型构建依赖感知的结构潜在表示。基于这些表示,动作条件化的宏观和微观潜在动力学模型分别预测跨周期潜在状态转换(附带周期回报)和时隙级潜在状态转换(附带即时奖励),而多步潜在想象则在执行前在学习到的潜在空间中递归评估候选缓存计划。此外,基于事件流的跨时间尺度信用分配(ECA)机制将快速时间尺度的服务链执行结果与慢速时间尺度的缓存决策关联,缓解跨控制层级的延迟信用分配。最后,基于轨迹的仿真表明CoDeQ-HRL始终优于代表性基线。
本文的主要贡献如下。
1. 我们开发了一个统一的无人机辅助边缘计算任务-服务依赖耦合模型,该模型联合捕捉任务拓扑约束、服务依赖和时变无人机资源,从而表征它们对服务链完成、执行延迟和整体系统性能的联合影响。
2. 我们提出了CoDeQ-HRL,通过分层世界模型架构联合优化服务缓存、无人机轨迹、任务卸载和服务调度,该架构将慢时间尺度的缓存决策与快时间尺度的执行控制分离,同时通过约束感知的残差执行确保动作可行性。
3. 我们设计了一种用于依赖感知分层策略学习的量子启发式预测世界模型。该模型将基于QLSC的结构服务依赖编码与动作条件化的宏观和微观潜在动力学相结合,预测跨周期和时隙级转换、周期回报和即时奖励,实现候选缓存计划的多步评估,同时ECA缓解跨时间尺度的延迟信用分配,实现协调策略优化。
相关工作片段
随着低空边缘智能与复杂网络服务的深度集成,无人机辅助边缘网络中的依赖感知任务调度和联合资源优化已成为分布式网络控制领域的活跃研究课题[18]。现有研究主要关注云-边协作中的依赖感知任务调度和缓存机制,以及无人机辅助边缘系统中的轨迹优化和辅助任务卸载。
无人机辅助边缘系统
本文研究了面向低空边缘智能的无人机辅助边缘计算架构,其中任务和服务表现出耦合依赖。如图1所示,网络架构包括移动用户终端、基于无人机的弹性服务节点集群、地面边缘服务器和远端云服务器。无人机动态适应用户分布、服务器负载和服务依赖需求,为服务提供灵活的低空支持。
联合决策变量空间
本文设计的联合优化策略包括慢时隙缓存决策????和快时隙执行控制向量??????={????,??,????,??,??,??,????,??,??,??,????,??,??,??}。全局联合决策空间定义为???{????,??????}??,??,其中??????={????,??,????,??,??,??,????,??,??,??,????,??,??,??}表示快速时间尺度执行控制向量,其中??∈??,??∈??,??∈??,??∈??,??∈????,??。
优化目标函数
本文的优化目标包括三个服务质量子目标:任务性能、依赖感知
分层世界模型驱动算法设计
所构建的问题????联合涉及依赖感知服务缓存、无人机轨迹控制、任务卸载和服务调度,形成一个具有耦合多时间尺度动态的混合离散-连续且非凸优化问题[23],[27]。为解决该问题,我们将????重构为双时间尺度马尔可夫决策过程,并开发了CoDeQ-HRL——一种世界模型驱动的分层框架,如图2所示。该框架内部化环境转换。
仿真设置
为评估具有耦合任务-服务依赖的边缘网络中提出的CoDeQ-HRL算法,仿真环境由真实轨迹和流量数据驱动。具体而言,异构任务到达过程使用公开的ISCX VPN-nonVPN流量数据集[30]生成,以模拟真实的网络流量模式。所有实验均在配备Intel i7-12700KF CPU、8 GB RAM和NVIDIA RTX 4090 GPU的Linux工作站上进行。
结论
本研究调查了具有依赖耦合服务链的低空边缘智能系统中轨迹和服务缓存的联合优化。我们开发了一个捕捉时变任务-服务依赖的无人机辅助边缘计算模型,并将该问题构建为一个平衡任务QoS、依赖感知缓存效率和无人机能量安全性的多目标随机优化框架。为解决该问题,我们提出了CoDeQ-HRL,该框架建立了
CRediT作者贡献声明
赵伟宋:写作—审阅与编辑,写作—初稿,可视化,验证,监督,资源,项目管理,方法论,调查,形式分析,数据管理,概念化。蒋雪峰:写作—初稿,监督,资源,调查,形式分析,数据管理,概念化。席希栋:写作—审阅与编辑,写作—初稿,验证,软件,项目管理,方法论,调查,形式
资助
本研究得到国家自然科学基金(编号61871186)的资助。
利益冲突声明
作者声明不存在已知的竞争性财务利益或个人关系,这些利益或关系可能会影响本文所报告的工作。
赵伟宋 | 蒋雪峰 | 席希栋 | 池依禾 | 陈宇 | 曹贵涛
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号