面对星上计算数据波动大、单星资源有限的挑战，传统调度方式已难以满足6G网络实时遥感的需求。一项研究提出的分布鲁棒优化框架，通过有效管理数据不确定性，显著降低了图像处理延迟，为灾害应急等实时应用提供了关键技术支撑。
智能速览
面向空天地6G网络，提出分布鲁棒优化资源调度框架。
采用数据驱动的分布拟合，相比传统假设更贴近真实数据。
平均图像处理延迟较传统方法下降约20%。
满足95%机会约束可靠性，鲁棒性突出。
有望应用于灾害应急和广域动态环境监测等场景。
精华内容
该项研究如何实现对数据不确定性的精准管控，并带来性能上的显著提升？其核心技术路径值得深入探讨。
传统调度之困
随着星上计算技术的发展，在轨处理成为降低遥感服务时延的关键。然而，星间数据量因场景差异而剧烈波动，加之单颗卫星的计算和存储资源受限，导致传统的预分配资源调度方式难以适应多场景下的高实时性服务要求，成为制约遥感应用效能的瓶颈。
数据驱动拟合
研究摒弃了传统的高斯或拉普拉斯分布假设，转而采用数据驱动的方法。它首先利用核密度估计技术，根据历史数据构建更精确的误差分布模型。接着，基于Wasserstein距离构建一个模糊集，用以量化和描述数据分布的不确定性，为后续优化提供了更贴近现实的基础。
高效求解算法
为解决复杂的混合整数非线性规划问题，研究团队设计了一套高效的求解算法。通过对偶理论，将原问题转化为可求解的显式表达式。随后，利用分块坐标下降法，将大问题分解为任务匹配、路径带宽分配和计算资源分配三个子问题，并分别为其设计了Majorization-Minimization优化框架、遗传启发式算法和内点法进行迭代求解。
性能实测验证
数值结果表明，该方法在飞机、水体、鱼塘等多场景下的拟合精度更高。与基线方法相比，其平均图像处理延迟显著下降约20%。更重要的是，该方法鲁棒性突出，在样本量增加时能迅速逼近理论最优界，满足95%的机会约束可靠性，且在链路容量、计算资源和任务量变化时均能保持稳定表现，展现出强大的可扩展性。
这项研究为6G空天地一体化网络的在轨资源调度提供了创新思路，有效解决了不确定性带来的挑战。随着技术成熟，其实时处理能力将在灾害监测等领域发挥更大价值，未来还能如何拓展其应用边界？
