STLT：一种用于边缘—云—太空连续体中能耗感知分布式推理的新型系统

低地球轨道卫星在野火探测等地球观测任务中发挥着关键作用，它们采集图像，供深度神经网络（DNN）进行分析。星上分析能够减少下行传输的数据量，但严格的能源限制迫使系统在计算与数据传输之间进行权衡。将 DNN 拆分至卫星和地面两端执行，可将这一权衡转化为设计选择，其中拆分点决定了计算与下行传输的总能耗。现有方法通常依赖静态拆分点决策，无法考虑动态变化的太空环境；或依赖复杂算法、历史数据或预测模型，从而引入显著开销。为解决这些不足，我们提出 STLT，一种用于低地球轨道（LEO）卫星与地面站之间能耗感知分布式推理的两阶段系统。首先，离线分析器分析 DNN 架构的特征，识别出一组有利的拆分点，从而缩小搜索空间。其次，星载算法执行轻量级能耗感知拆分选择，根据环境的当前状态，从预先计算得到的集合中动态选择拆分点。我们在真实卫星遥测数据集上评估了 STLT，结果表明，其将候选拆分点的搜索空间平均缩小了 30.7%，将决策延迟和能耗分别平均降低了 25.1% 和 27.5%；与最先进的星地协同推理基线相比，其完成的推理任务最多增加了 20.1%，同时总体能耗降低了 8.8%。