STLT：星地协同推理的能耗优化新方案

星地协同推理的能耗困局

低轨（LEO）卫星在地球观测任务中扮演着关键角色，例如野火检测。卫星捕获的图像需通过深度神经网络（DNN）分析，而星上直接推理能减少下行数据量，却受限于严苛的能源约束。计算与传输之间的权衡，成为系统设计绕不开的核心矛盾。

将DNN拆分到卫星与地面站执行，把这一矛盾转化为一个可优化的设计选择：拆分点的位置决定了计算与下行传输的总能耗。然而，现有方法要么采用静态拆分决策，难以适应动态的空间环境；要么依赖复杂算法、历史数据或预测模型，引入显著额外开销。据论文描述，这些不足正是STLT试图解决的关键问题。

低轨（LEO）卫星通常运行在距地面500至2000公里的轨道上，具有传输延迟低、覆盖范围广的特点，广泛用于对地观测、气象监测和通信服务。然而，星上能源主要依赖太阳能电池板与蓄电池，功率预算极为有限，且散热条件苛刻。深度神经网络（DNN）推理涉及大量矩阵运算，在星上执行会显著消耗能量；而将原始图像全部下传至地面站，则受限于星地链路的带宽与通信能耗。因此，计算与传输之间的能耗权衡成为星地协同推理系统设计的核心约束。

STLT的两阶段设计：离线分析+在线轻量决策

STLT是一个面向LEO卫星与地面站之间能量感知分布式推理的两阶段系统。其核心思路是将“搜索”与“决策”解耦，以降低星上实时决策的复杂度。

离线阶段：缩小候选空间

第一阶段由离线分析器完成。它刻画DNN架构特征，识别出一组有利的拆分点，从而缩减在线搜索空间。这一步不占用星上实时资源，却为后续轻量决策奠定了基础。

在线阶段：动态选择拆分点

第二阶段是星上算法，执行轻量级的能量感知拆分选择。它从预计算好的拆分点集合中，根据当前环境状态动态选取最优拆分。这一设计避免了复杂算法或预测模型带来的开销，同时保持了对动态空间条件的适应性。

论文指出，这种两阶段结构让系统在能量约束下仍能做出及时、合理的推理任务调度。

DNN拆分点（split point）是指将神经网络模型划分为两部分的位置：拆分点之前的层在卫星上执行，之后的层在地面站执行。拆分点的选择直接影响星上计算量与下行传输的中间数据量——拆分点越靠前，星上计算越少但传输的中间特征越大；拆分点越靠后，星上计算越多但传输数据越少。因此，拆分点位置本质上决定了计算能耗与通信能耗的分配比例，是星地协同推理优化的关键决策变量。

实测数据：搜索空间、延迟与能耗全面优化

STLT在真实卫星遥测数据集上进行了评估。结果显示，该系统平均将拆分候选搜索空间缩减30.7%，决策延迟降低25.1%，能耗平均降低27.5%。

与当前先进的星地协同推理基线相比，STLT在整体能耗低8.8%的情况下，多交付了最多20.1%的推理任务。这一组数据表明，STLT在任务吞吐与能量效率之间取得了更好的平衡。据论文所述，这些提升均来自两阶段设计对搜索空间和决策开销的有效控制。

对星地协同计算的启示

STLT的价值不仅在于具体指标。它提供了一种思路：通过离线预计算与在线轻量决策的结合，将复杂的能耗优化问题转化为有限候选集上的快速选择。这对于资源极度受限、环境动态变化的卫星边缘计算场景，具有参考意义。

论文将问题置于边缘-云-空间连续体的背景下，强调了星上推理与下行传输之间的能量权衡。STLT的实测表现说明，合理的拆分点管理能够在不引入沉重预测开销的前提下，显著改善系统整体效率。未来，这一方法或可扩展到更多星上DNN任务与动态网络条件中。