人工智能在卫星通信中的应用

由于卫星资源昂贵，因此需要采用经过优化和具备分时共享能力的高效系统。传统卫星系统中，资源固定且均匀分配到多个波束。结果，传统大型多波束卫星系统展现出了资源供需不平衡现象；某些点波束的容量需求高于供给，不能满足需求，即热点；而其他点波束的需求则低于容量，从而使所提供容量未被充分使用，即冷点，如图1所示。因此，要想改善多波束卫星通信，需要具备针对服务覆盖区域的卫星资源星上灵活分配能力，以提高卫星通信效率。

图1 波束之间需求-容量的不匹配表明了在多波束卫星系统中使用跨所有波束的固定且均匀分布的资源的局限性

跳波束已成为一种有前景的技术，可以整天、整年以及在卫星整个寿命周期中针对卫星覆盖区域更加灵活地管理不均匀和不同业务请求。如图2所示，跳波束包括用少量活跃波束动态覆盖每个小区，因此使用所有可用星载卫星资源仅向部分波束提供服务。服务波束的选择根据时间变化并且取决于业务需求，而业务需求取决于基于时空的跳波束照射图案。被点亮波束仅在每个波束请求时间内活跃。因此，跳波束系统中的挑战性任务是确定应被激活波束及活跃时长，即跳波束照射图案；资源管理器负责这一任务，它通过测控系统将选定图案转发给卫星。

图2 跳波束简化结构

研究人员提供了多种实现跳波束的方法，大都基于经典优化算法。例如，有研究证明了使用跳波束时的系统性能优点，并提出使用遗传算法设计跳波束照射图案；还有研究对跳波束和非跳波束系统性能进行了比较。研究人员还提出了一种启发式迭代算法来获得跳波束照射设计解决方案。跳波束还被用于减少太比特/秒卫星的转发器放大器数量。另有研究提出了一种迭代算法，在联合跳波束设计和频谱分配中，特定波束需求和功率限制下，实现总提供容量最大化。还有研究关注控制跳波束系统中到达业务速率的技术。研究人员还提出了联合跳波束方案，以进一步提高星载资源分配效率。

尽管就增强跳波束系统灵活性和降低时延而言，采用优化算法取得了令人满意的结果，但仍存在一些困难。随着波束数量增加，搜索空间急剧扩大，设计跳波束照射图案的一个固有难点是找到整体而非局部最优设计。对于拥有数百或数千波束的卫星而言，经典优化算法可能需要较长计算时间，这在许多情境中不现实。

此外，经典优化算法（包括遗传算法或其他启发式算法）需要根据场景变化适度修改，导致计算复杂度更高，对于星上资源管理也不现实。

为克服以上限制，增强跳波束性能，有研究提出了基于人工智能的解决方案。其中一些解决方案完全基于学习方法，即端到端学习，其中跳波束算法就是一种学习算法。还有研究试图通过添加学习层来改进优化算法，从而将学习和优化相结合。

为优化多波束卫星系统的传输时延和系统吞吐量，研究人员给出了一个优化问题公式，将其建模为马尔可夫决策过程（MDP），然后使用深度强化学习（DRL）来解决跳波束照射设计问题，并优化MDP建模的长期累积奖励。结果表明，与以往算法相比，研究所提出的基于深度强化学习的跳波束算法可将传输时延降低最高52.2%，将系统吞吐量提高达11.4%。

为综合端到端学习方法与优化方法的优势，实现更高效跳波束照射图案设计，有研究提出了一种学习和优化算法来解决跳波束照射图案选择问题，其中使用了一种基于完全连接神经网络的学习方法来预测非最优跳波束图案，从而解决了优化算法应用于大范围搜索空间时所面临的困难。因此，基于学习的预测可缩小搜索空间，同时由于有前途跳波束集合更小，因而可进一步简化优化问题。

研究人员还针对DVB-S2X卫星应用了多目标深度强化学习（MO-DRL）。在真实环境中，研究人员演示了低复杂度MO-DRL算法能够保证每个小区的公平，且相比之前技术（包括深度强化学习）所实现吞吐量有所提高。相比之下，遗传算法生成类似结果的复杂度约是多目标深度强化学习模型的110倍。此外，还有研究提出了基于双循环学习的多动作选择技术，并使用深度神经网络获得多维状态。研究结果表明，该技术能够同时实现不同目标，并且可根据用户需求和信道条件智能分配资源。

卫星通信系统覆盖区域广，可提供高速通信和大容量传输。然而，在使用了卫星的战术通信系统中，可靠性和安全性是首要关注问题；因此，抗干扰能力至关重要。干扰攻击针对卫星网络中的主要位置和关键设备，降低吞吐量甚至瘫痪卫星通信系统。因此，研究人员设计了几种抗干扰方法，以减少可能攻击并保证卫星通信安全。

先前许多使用卫星的战术通信系统首选运用跳频（FH）方法。研究人员使用采用跳频-频分多址（FH-FDMA）场景的解跳-再跳频转发（即解跳转发）方法，开发了一种具有抗干扰能力的高效同步方法。

之前大多数抗干扰技术不是基于学习的，因此无法应对能够通过交互和学习不断调整干扰方法的智能干扰技术。开发人工智能算法为实现基于学习方法的多样化智能化干扰攻击提供了先进工具，对卫星通信可靠性造成了严重威胁。在两个此类实例中，智能干扰公式可自动调整干扰信道，同时智能干扰机通过调整干扰功率和信道实现干扰效果最大化。此外，多个干扰机可同时实施基于学习方法的智能干扰攻击发起攻击。虽然该场景不太可能发生，但也尚未得到深入思考。再者，大多数研究人员专注的是抗干扰攻击频域对抗，而不是基于空间的抗干扰技术，例如路由抗干扰。

有研究使用长短期记忆（LSTM）网络（一种深度学习循环神经网络（DL RNN））学习信号的时间趋势，证明了在先前探讨的FH-FDMA场景中总同步时间有所缩短；还有研究提出使用抗干扰学习方法，使用天基抗干扰方法在卫星互联网（IoS）中阻断智能干扰，如图3所示。

组合利用博弈论建模与强化学习（RL），并将智能干扰机与卫星用户之间的交互建模为斯塔尔伯格抗干扰路由博弈，研究人员展示了如何使用深度学习来处理卫星互联网高动态导致的大决策空间问题，以及如何利用强化学习解决卫星与智能干扰环境之间的相互作用问题。这样，利用深度强化学习（DRL）有可能能够解决异构卫星互联网的路由选择问题，同时保留了一个可用路由子集，以简化斯塔克尔伯格抗干扰路由博弈的决策空间。然后基于这一路由子集，利用一种流行的强化学习算法—Q学习，快速响应智能干扰并调整抗干扰策略。

图3 天基抗干扰路由。红线表示发现的干扰路径，绿线表示推荐路径。

之后，有研究人员将博弈论建模与强化学习相结合，根据卫星使能陆军物联网（SatIoT）中的动态和未知干扰环境，获得抗干扰策略。这里，研究人员分析了一种分布式动态抗干扰联盟形成博弈，以减少干扰环境中的能耗；同时提出了一种分层抗干扰斯塔伯格博弈，表示干扰机和SatIoT设备之间的对抗性交互作用。最后，研究人员根据干扰环境，利用基于深度学习的算法获得次优抗干扰策略。

流量预测在许多卫星应用（如拥塞控制、动态路由、动态信道分配、网络规划和网络安全）中都很重要，因而网络流量预测是一种旨在保证可靠高质量通信的主动方法。卫星网络流量有自相似性，并且表现出长相关性（LRD）。为实现准确预测，需要考虑网络流量的自相似性。然而，基于自相似性的地面网络预测模型的计算复杂度很高；由于星载计算资源有限，地面模型不适用于卫星。因此，需要一种高效的卫星网络流量预测设计。

一些研究人员针对地面和卫星网络进行了流量预测，预测技术包括马尔可夫模型、自回归滑动平均（ARMA）模型、整合自回归滑动平均（ARIMA）和分整自回归滑动平均（FARIMA）模型。研究人员利用经验模态分解（EMD）对网络流量进行分解，然后应用ARMA预测模型，结果显示预测性能明显提高。

卫星流量预测面临的两个主要难题是卫星网络的长相关性（LRD）和星上计算资源有限。由于卫星网络的长相关特性，采用短相关性（SRD）模型无法实现准确预测。虽然先前使用LRD模型的结果比SRD模型要好，但其复杂性也更高。为解决这些问题，研究人员转向人工智能技术。

有研究结合使用FARIMA模型与神经网络进行互联网流量预测；而有研究则结合利用差分进化与神经网络进行网络流量预测。由于经典神经网络的高度复杂性，也曾采用最小二乘支持向量机（SVM）（SVM的优化版本）进行预测。

还有研究先应用主成分分析（PCA），降低输入维数，然后应用广义回归神经网络，用更短训练时间实现了更高精度预测；另有研究将流量预测用作低轨卫星网络分布式路由策略的一部分。极限学习机（ELM）也曾用于路由前卫星节点流量载荷预测。此外，有研究使用经验模态分解将长相关性卫星流量分解成一系列且处于同一频率的短相关性卫星流量，以降低预测复杂度并提高预测速度。与先前方法相比，这种合成EMD、果蝇优化以及极限学习机组合方法可以更高速度实现更加准确预测。

信道模型是传播无线信号的通信信道效应的数学表示；它建模为信道频域或时域脉冲响应。

无线信道对可靠高速通信提出了各种挑战，因为它易受噪声、干扰和其他信道损伤（包括路径损耗和遮蔽）的影响。其中，路径损耗是由发射机发射功率浪费和传播信道效应造成的，而路径遮蔽是由接收机和发射机之间吸收功率的障碍物造成的。

研究人员需要用精确的信道模型来评估移动通信系统性能，从而增强现有部署的覆盖。信道模型对于所设计部署大纲中的传播预测也可能有用，这可以实现在部署之前进行评估，同时优化实际系统的覆盖和容量。对于少量可能发射器位置，可进行室外环境广泛评估以估算信道的参数。随着更加先进的技术应用于无线通信，需要更加先进的信道建模。因此，研究人员使用计算效率高且结果令人满意的随机模型。

另有研究将射线追踪模型用于信道建模，这需要使用计算机视觉方法生成3D图像，包括基于立体视觉的深度估计。

尽管上述某些技术的性能令人满意，但仍有许多局限性。例如，射线追踪所需的3D图像一般得不到，且其生成的计算效率不高。即使有图像可用，射线追踪的计算成本也很高，需要详尽数据，因此不适合用于实时覆盖区域优化。此外，经常得不到某些模型所需的详细数据。

人工智能在路径损耗预测方面的一些早期应用基于经典机器学习算法，如支持向量机（SVM）、神经网络和决策树。然而，尽管先前机器学习方法已展现出较好效果，但很多方法都需要3D图像。因此，研究人员近期转向使用具有2D卫星/航空图像的深度学习算法来预测路径损耗。例如在没有任何附加输入参数的情况下，使用深度卷积神经网络（CNN）根据卫星图像获得近似信道参数，包括遮蔽标准差和路径损耗指数，如图4所示。

图4 信道参数预测。将2D航空/卫星图像作为深度卷积神经网络(CNN)的输入，预测信道参数。模型是针对每个参数分别训练的。

有研究通过在卫星图像和其他输入参数上使用深度学习模型，预测特定场景/区域中特定接收机位置的参考信号接收功率（RSRP）。

还有研究演示了与包括射线跟踪在内的先前技术相比，在811MHz和2630MHz信道中，增益分别提高约1和约4.7。同样，有研究虽然只关注没有任何辅助特征的卫星图像，并研究更为一般性的数据，但对卫星图像应用了深度学习进行路径损耗预测。这种方法由于只需要卫星图像就可预测路径损耗分布，因此很实用，但2D图像通常不足以表征3D结构。在这些情况下，必须在模型中输入更多特征（例如，建筑高度）。

干扰会对通信信道产生不利影响，导致服务质量（QoS）下降、运营效率降低以及收益损失，因此卫星通信运营商必须进行干扰管理。此外，随着越来越多国家发射卫星，以及预期会有更多应用，干扰会随着卫星频段的日益拥挤而越来越多。随着越来越多用户共享同一频段，干扰的可能性增大，蓄意干扰的风险也会增加。

因此，干扰管理对保持高质量可靠通信系统至关重要；干扰管理包括干扰探测、分类和抑制，以及应用各种技术最大程度减少干扰产生。

干扰探测过去几十年中已得到充分研究，特别是对于卫星通信。

然而，研究人员通常依赖于假设检验决策理论，需要信号特征和信道模型的具体知识。由于当前无线标准很多，因此为每种信号类别都设计特定探测器的方式徒劳无益。

为最大限度减少干扰，研究人员建议将人工智能用于卫星-地面网络中的移动终端和基站，提出了一种结合不同人工智能方法的框架，包括为卫星选择、天线指向和跟踪应用支持向量机（SVM）、无监督学习和深度强化学习（DRL），如图5所示。

图5 卫星选择和天线调整

另一种执行自动实时干扰探测的人工智能方法基于在无异常情况下，使用在历史无异常频谱上训练的长短期记忆（LSTM）来预测将要接收的后续信号频谱。随后，使用设计好的度量机制对预测的频谱通过和接收的信号进行比较，以探测异常。

研究人员建议使用两种基于人工智能的方法，深度神经网络自编码器（DNN AE）和LSTM，分别用于探测和分类干扰。在前一种方法中，研究人员使用无干扰信号对自编码器进行训练，并在无干扰情况下与其他信号进行测试，以获得实际阈值。之后，利用有干扰和无干扰信号之间的误差差异来探测干扰。

近期，地面通信系统取得了显著进步，可为用户提供更高质量互联网接入。然而，由于网络容量和覆盖范围有限，这种服务不可能在任何时候、任何地方都有，特别是对乡村或灾区用户而言。

虽然地面网络资源最多、吞吐量最高，但非地面通信系统的覆盖范围要广得多。然而，非地面网络也有其自身局限性，例如，卫星通信系统传播延迟长，空中网络容量小、链路不稳定。

为利用网络间的互补性向用户提供更好、更灵活的端到端服务，研究人员提出了空天地一体化网络（SAGIN），包括太空中的卫星、空中的气球、飞艇和无人机以及地面段，如图6所示。

图6 空天地一体化网络（SAGIN）

由同步地球轨道（GEO）、中地球轨道（MEO）和低地球轨道（LEO）卫星构成的多层卫星通信系统可使用多播和广播方法来改善网络容量，从而极大减轻不断增加的流量负担。由于空天地一体化网络允许数据包通过不同质量的多条路径传输到目的地，因而可以提供不同的数据包传输方法以满足多种服务需求。

然而，由于空天地一体化网络固有的自组织性、时变性和异构性，其设计和优化比传统地面通信系统更具挑战性。因此，设计优化技术时必须考虑的各种因素已提前确定。例如，由于传播媒介不同、不同通信类型共享频段、空、天段的高移动性以及三个段之间固有的异构性，空天地一体化网络的网络控制和频谱管理十分困难。高移动性带来频繁切换，更难实现安全路由，使空天地一体化网络更易受到干扰。此外，空天地一体化网络在优化能效方面也比标准地面网络更具挑战性，因此还需要能量管理算法。

针对空天地一体化网络所面临的挑战，研究人员建议使用深度卷积神经网络（CNN）解决路由问题，利用流量模式和GEO和MEO卫星的剩余缓冲区规模来优化空天地一体化网络整体性能。

由于在轨卫星数量大以及后续网络架构的时变特性，优化卫星选择和无人机位置，并最终优化“数据源-卫星-无人机-目的地”通信的端到端数据速率非常困难。为解决这一问题，研究人员通过深度强化学习，联合优化数据源-卫星-无人机关联以及无人机位置。他们所提出技术的平均数据率比没有无人机和卫星情况下的直接通信基线高5.74倍。

为卸载计算密集型应用，研究人员开发了一种空天地一体化网络边缘/云计算设计，在这种设计中，卫星可以接入云端，而无人机可实现附近用户边缘计算。这里，研究人员使用联合资源分配和任务调度方法将计算资源分配给虚拟机，并为无人机边缘服务器调度卸载任务；而基于强化学习（RL）的计算卸载方法则可处理多维空天地一体化网络资源并学习动态网络环境。仿真结果证明了这种方法的有效性。

由于异构多层网络需要先进的容量管理技术，有研究提出了一种用于卫星间容量计算的低复杂度技术，并提出了一种基于强化学习的长期最优容量分配模型，以实现系统长期效用最大化。

另有研究通过将联合资源分配问题用公式表示为联合优化问题，并使用深度强化学习（DRL）方法，提出了一个软件定义卫星-地面网络，以联合管理缓存、组网和计算资源。

本文阐述了卫星通信的一些限制，并探讨了基于人工智能的解决方案。除文中提到的跳波束、抗干扰、网络流量预测、信道建模、干扰管理和空天地一体化几个领域之外，人工智能还在卫星通信其他许多方面显示出巨大成果，例如遥测数据挖掘、电离层闪烁探测、遥感、行为建模和能量管理。未来研究工作应该以应用人工智能为目标，实现更加高效、安全、可靠和高质量的卫星通信系统。