基于LSTM的LEO衛星鏈路自適應算法

胡曉月, 康 凱, 錢 驊, 張舜卿

(1. 上海大學通信與信息工程學院, 上海 200444; 2. 中國科學院上海高等研究院, 上海 201210;3. 中國科學院上海微系統與信息技術研究所無線傳感網與通信重點實驗室, 上海 200050)

0 引 言

衛星通信具有射頻資源豐富、覆蓋面積大、地面干擾小等優點,在偏遠地區的通信和電視廣播中發揮著重要的作用[1-3]。已經有學者指出,第六代移動通信網絡(the sixth-generation mobile communications, 6G)將會整合地面通信與衛星通信,構建空天地一體化網絡,在更廣泛的空間內實現真正的地空全覆蓋[4]。相比于高軌道衛星,低地球軌道(low earth orbit, LEO)衛星具有更小的傳播時延和更低的傳輸損耗[5],更適合提供6G所需的高速率網絡服務。在研發LEO衛星通信系統的熱潮中,SpaceX公司提出了“星鏈計劃”,預計發射4 425顆低軌衛星;OneWeb公司提出了“星座互聯網計劃”,預計發射720顆LEO衛星;波音公司提出了NGSO系統,預計發射2 956顆LEO衛星[6]。大規模的LEO衛星投入運營,使得空天地一體化網絡的構建成為可能,但是衛星通信相較于地面的蜂窩通信依然存在著問題。

衛星通信的信道受到大尺度衰落和小尺度衰落的影響,且LEO衛星沿著軌道進行高速運動,導致衛星與終端間的信道不斷發生變化[7]。為了獲得更大的系統吞吐量,提高通信質量,衛星與地面終端之間需要進行實時的信息交互,以獲取準確的信道狀態信息(channel state information, CSI)。通常單顆LEO衛星與終端的最大通信時間只有十幾分鐘,但由于衛星通信的時延較大(高軌道衛星的單向傳播時延大概為250 ms,LEO衛星的單向傳播時延最少可以達到30 ms左右),衛星與終端不能做到全面的信息交互,導致CSI測量與反饋的實時性差,影響了通信的質量。若根據衛星的星歷獲取衛星的軌道信息并預測星地鏈路的CSI,那么終端需要定期保存、更新衛星的星歷。而大規模的衛星投入運營,意味著終端將會消耗大量的內存用于存儲星歷以及計算衛星的軌道信息。

在通信系統中,為了提高通信質量,需要獲取準確的CSI,并利用高階的調制方法和高效的編碼方法對發送信號進行處理。本文選擇信噪比(signal to noise ratio, SNR)作為CSI的衡量指標,通過估計SNR來獲取準確的CSI。Deep等人[8]在城市環境下建立了全球定位系統(global positioning system, GPS)信號的SNR與衛星仰角的最佳擬合回歸模型,利用該模型與周邊環境的反射系數以及衍射系數,對某一時刻GPS信號的SNR進行了估計。Xu等人[9]提出了一種改進的誤差矢量幅度算法對接收到的數據進行觀測,可以在較大的SNR范圍內實現較高的估計精度。但由于星地鏈路的往返時延較大,應用以上兩種傳統的SNR估計算法時,接收端估計的SNR信息難以及時傳輸到發送端,將會導致信息的傳輸無法適應信道的快速變化。Liu等人[7]提出了一種基于儲備池計算的SNR預測方法,對衰落信道模型進行了CSI預測,提高了無線信道估計的精度和效率。但該文獻采用的是簡化的信道模型,未考慮大氣吸收、雨衰等造成衰落因素的影響,且在信道環境變化較大時估計精度不足。傳統的星地鏈路一般根據最小的鏈路余量(即最差的信道環境)采用固定的編碼與調制(constant coding and modulation, CCM)方案[10]。但在通信過程中,傳統方案降低了數據的傳輸速率,造成了通信資源的浪費。本文動態地調整調制與編碼方案(modulation coding scheme, MCS),以最低的成本最大限度地利用鏈路余量,提高系統的總吞吐量。

首先，根據一部分衛星的軌道信息建立衛星與終端的通信信道模型,獲取衛星服務時間內的SNR序列。并將其作為長短期記憶(long short-term memory, LSTM)網絡的輸入,進行模型的訓練。針對軌道信息未知的衛星,利用其與地面終端初始通信時獲取的SNR預測了通信期間任意時刻的SNR值,有效地解決了衛星與終端間信息交互不足導致的CSI匱乏的問題。在此過程中,終端不需要保存、更新以及計算衛星的軌道信息,減小了終端的內存消耗。最后，利用SNR的預測值實時調整MCS,以適應信道的變化,提高數據的傳輸速率,增加系統吞吐量。另外,當衛星與地面終端同時預測SNR,并做出相匹配的MCS調整時,通信信息將處于加密狀態,可以有效防止監聽。

1 系統模型

1.1 衛星通信系統模型

在LEO無線衛星通信系統中,衛星與地面終端通信的流程如圖1所示。衛星首先向地面某一區域內的終端進行廣播,終端利用公共信道向衛星發起注冊申請,在衛星做出應答后,終端通過分配的專用信道反饋注冊完成信息。然后通過終端位置信息的申請與應答,建立起通信鏈路。進而衛星與終端根據一系列的交互信息選擇合適的傳輸模式,進行信息傳輸,并在信息傳輸完成后釋放通信鏈路[11]。

圖1 衛星初始通信流程

圖2是一個LEO衛星與地面終端通信的系統示意圖。由于LEO衛星距離地面較近,無法將地球等效成一個點。

圖2 衛星通信系統

衛星與地面終端的通信距離d隨著衛星的運動而變化,如下所示：

(1)

式中,Re為地球半徑;Hs為衛星軌道高度;α為衛星與地面終端間的仰角。由式(1)可以看出,當α=90°時,d達到最小值;當α=0°時,d達到最大值。需要注意的是在α很小時,由于高層建筑物或高山遮擋,終端與衛星間無法進行視距傳播,多徑傳輸占主導地位,通信鏈路性能進一步惡化。本文將α限定在5°～90°之間[12]。

1.2 信道模型

衛星通信除了受到仰角的限制,還受到多種因素的影響,包括大尺度衰落(自由空間傳播損耗、大氣吸收損耗、降雨損耗等)和小尺度衰落(多徑衰落等),其中最主要的影響因素是自由空間傳播損耗。自由空間傳播損耗可表示為

(2)

式中,Pt和Pr分別表示發射功率和接收功率;Gt和Gr分別表示發送端和接收端的天線增益;f為工作頻率;c為電磁傳播速度。從式(2)中可以看出,當工作頻率f固定時,衛星通信的自由空間傳播損耗主要由通信距離d決定。

在自由空間傳播損耗的基礎上,本文同時考慮了降雨衰落和大氣吸收等多種影響因素,進一步優化了衛星鏈路的信道模型。本文選擇應用最廣泛的ITU-R模型[13]計算降雨衰減LP:

(3)

式中,P∈[0.001%,1%];A0.01表示平均一年超過0.01%時間的降雨衰減;β的大小與地面終端所處的緯度δlat有關。

當通信的工作頻段處于10 GHz以上時,大氣吸收的主要影響因素是氧氣吸收和水蒸氣吸收。大氣吸收損耗可表示為

(4)

式中,ho為氧氣的有效高度;γo為氧氣損耗系數;hw為水蒸氣的有效高度;γw為水蒸氣損耗系數。

在綜合考慮路徑損耗、降雨衰減和大氣吸收的基礎上,本文得出衛星通信SNR的計算公式為

γSNR=Pt+Gt+Gr-LP-Lf-Ag-kbBTe

(5)

式中,kb=-228.6 dBW/(K·Hz)為玻爾茲曼常數;Te為噪聲溫度;B為信道帶寬。

表1列出了LEO衛星在Ka波段通信信道的仿真參數[14]。

表1 信道仿真參數

在兩個不同軌道高度的衛星系統中分別任意選擇一顆衛星,繪制其與地面終端通信的SNR變化曲線,結果如圖3所示。可以明顯看出隨著時間的增加,兩個不同軌道的衛星分別存在著9.51 dB和8.86 dB的SNR波動。

圖3 不同軌道的衛星通信鏈路SNR變化

傳統的通信過程中,一般按照最差的傳輸環境選擇CCM方案,導致鏈路資源的浪費[9]。本文采用可變編碼與調制(variable coding and modulation, VCM)方案,根據實時的信道環境動態地選擇MCS。理想情況下信道總吞吐量為

(6)

式中,Tt為衛星通信時長。假設B=24 MHz,分別采用傳統的CCM方案和VCM方案,計算圖3中兩個衛星的信道總吞吐量,結果如表2所示。

表2 信道總吞吐量

從表2可以看出,兩個軌道衛星采用VCM方案相比于采用CCM方案的總吞吐量分別提升了26.0%和37.3%,大幅度地提高了頻譜的利用率。但采用VCM方案匹配快速變化的信道時,對CSI的準確性提出了更高的要求。為了準確獲取SNR,本文接下來的工作將采用LSTM網絡預測SNR,然后利用預測的SNR對MCS進行實時調整,以優化系統的總吞吐量。

2 衛星通信鏈路的SNR預測

2.1 LSTM模型

衛星運行速度可以達到7.5 km/s,地面終端的速度遠遠小于衛星的速度,為簡化討論,在衛星過境期間,地面終端的位置可視為固定不變。由于用戶終端內存有限,且低軌衛星數量眾多,通過衛星星歷推算衛星軌道信息,并進一步獲得SNR的預測是不現實的。

本文選擇LSTM網絡對數據傳輸過程中鏈路的SNR進行預測。LSTM網絡的結構如圖4所示,作為一種特殊的循環神經網絡,LSTM網絡引入了一個單元狀態C,用遺忘門、輸入門和輸出門來控制這個狀態增加或刪除信息,從而有效解決了循環神經網絡存在的梯度消失問題。

圖4 LSTM網絡結構

LSTM網絡對遺忘門、輸入門、單元狀態、輸出門以及單元輸出[15]的定義分別為

Ft=σ(WF·[Yt-1,Xt]+BF)

(7)

It=σ(WI·[Yt-1,Xt]+BI)

(8)

(9)

Ot=σ(WO·[Yt-1,Xt]+BO)

(10)

Yt=Ot°tanh(Ct)

(11)

式中，σ(·)為sigmoid函數；°表示元素積；WF、WI、Wc和WO為權重矩陣；BF、BI、BC和BO為偏差向量。

與其他神經網絡類似,LSTM網絡首先進行前向傳播并計算Ft、It、Ct、Ot、Yt這5個向量,然后進行反向傳播,計算每個神經元的誤差項。最后根據誤差項,計算每個權重的梯度,進而更新權重參數。

2.2 基于LSTM的SNR預測仿真分析

在利用LSTM模型對SNR進行預測時,為了使仿真的模型更加合理,本文選擇了STARLINK星座和IRIDIUM星座的167顆在軌衛星,利用其軌道信息獲取衛星經過終端上方的時間、仰角和方位角等信息。將這些信息與信道模型相結合,每隔1 s計算一次通信鏈路的SNR,從而獲得多顆衛星的SNR序列。

利用這些衛星的SNR序列對LSTM模型進行訓練。本文設計的LSTM模型的訓練參數如下,輸入層包含3個輸入,隱藏層有128個神經元,輸出層輸出1個預測值。選擇Adam Optimization作為優化器,均方誤差(mean square error, MSE)作為損失函數。sigmoid作為激活函數,模型用Python中的Keras模塊進行搭建、編譯。

2.2.1 衛星側的SNR預測仿真分析

如圖1所示,在數據傳輸前,地面終端接入衛星網絡的過程中,與衛星有若干次信息交互,衛星與地面終端均可獲得若干次SNR測量結果。以上行鏈路為例,衛星將建立鏈路時獲取的3個SNR作為LSTM網絡的輸入,預測第4個時刻的SNR。再根據獲取的第2、第3、第4個實際的SNR預測第5個SNR,以此類推,預測出通信期間全部的SNR。在此過程中,衛星定期將預測的SNR反饋給終端,終端根據SNR提前做出信息傳輸模式的調整。

圖5表示衛星測量到的SNR變化曲線(藍色的曲線)與應用LSTM網絡的SNR預測變化曲線(紅色的曲線)的對比情況。通過比較可以看出,預測的SNR變化趨勢在整體上吻合于實際的SNR變化趨勢。在因環境變化導致SNR突變的情況下,也可達到較高的預測精度。

圖5 基于LSTM網絡的SNR預測

應用相同的訓練集與測試集,在已有的SNR估計算法中選取回聲狀態網絡(echo state network, ESN)[6]對衛星通信鏈路的SNR進行預測。預測的效果如圖6所示,其中藍色的曲線表示實際測量的SNR,紅色的曲線表示應用ESN預測的SNR。可以明顯看出,應用ESN只能預測出SNR長時間內的大致變化趨勢,不能很好地預測SNR短時間內的波動。

圖6 基于ESN的SNR預測

采用兩種網絡預測的SNR與實際測量的SNR的歸一化均方誤差(normalized mean square error, NMSE)可表示為

(12)

2.2.2 終端側的SNR預測仿真分析

在上行鏈路中,地球終端不斷地向衛星發送信息,衛星可以獲取大量的SNR測量值,而地球終端只能從有限的反饋信息中獲取少量的SNR。所以針對地球終端,首先利用3個實際的SNR預測第4個SNR,再根據兩個實際的SNR和一個預測的SNR預測下一個SNR,以此類推。在此過程中,當地球終端接收到反饋信息后,可以將新獲取的SNR加入數據集中。并利用新獲取的SNR預測下一個時刻的SNR,以提高LSTM網絡預測的準確度。

本文假設終端每隔5 s、10 s、15 s分別接收到一次SNR反饋,并對3種情況分別進行了仿真。仿真結果如圖7(a)～圖7(c)所示,其中藍色的曲線表示SNR測量值的變化曲線,紅色的曲線表示利用LSTM網絡預測SNR的變化曲線。可以明顯看出,隨著反饋間隔的增大,SNR預測的準確度越來越低,但3種方案預測得到的SNR變化趨勢與SNR測量值的變化趨勢基本吻合。

圖7 發送端在衛星服務期間的SNR預測

3 MCS的調整

3.1 MCS調整方案設計

本節在利用LSTM網絡精確預測SNR的基礎上,根據SNR的不同，對MCS方案進行調整,使得MCS方案與快速變化的信道環境相匹配。在信道環境較好時,采用高階的MCS,提高頻譜利用率,在保持符號速率不變的同時增加信息傳輸量;在信道環境較差時,采用低階的MCS,保證較低的誤碼率,提高信息傳輸的可靠性。

根據DVB-S2標準中VCM方案提供的組合方案選項,本文采用LDPC編碼方案的碼率μc包括2/3、3/4、4/5和5/6,調制方案包括QPSK、8PSK、16APSK和32APSK,其調制效率μm分別為2、3、4和5。選擇傳輸速率最大化準則來確定切換門限,在保證誤碼率小于10-5的情況下選擇高階的MCS方案,最大化頻譜效率,進而獲取最大的信息傳輸量。表3總結了不同MCS對應的頻譜效率以及誤碼率小于10-5情況下的切換門限值[16]。將預測的SNR與表3的切換門限值進行對比,把整個衛星通信階段劃分為多個小區間段,其中每一個小區間段對應一種適當的MCS方案。

表3 不同MCS的切換門限和頻譜效率

圖8表示在衛星過境的初始時刻開始通信,分別應用VCM方案和CCM方案的頻譜效率對比情況。從圖8可以看出,CCM方案根據初始通信時刻的信道情況(信道條件最差的情況)選擇了μm=QPSK、μc=2/3的方案,其信道的頻譜利用率只有0.66,極大的浪費了頻譜資源。而VCM方案根據信道狀態的變化,采取相應的MCS方案,提高了整個系統的頻譜利用率,增大了信息傳輸量。

圖8 VCM方案和CCM方案的頻譜效率對比(情況1)

圖9表示在衛星過境時段內任意,選擇一個時刻開始通信,應用VCM方案和CCM方案的頻譜效率對比情況。CCM方案根據初始通信時刻的信道狀態選擇了μm=8PSK、μc=5/6方案。當信道狀態較差時,由于高階的MCS與信道不匹配,導致信息不能有效傳輸。在這種情況下應用CCM方案使得有效數據傳輸時間只有374 s。而應用VCM動態調整MCS時,在衛星過境時段內可以始終保持有效的數據傳輸。

圖9 VCM和CCM的頻譜效率對比(情況2)

圖10表示在衛星經過地面站正上方時開始通信,應用VCM方案和CCM方案的頻譜效率對比情況。此時CCM根據信道狀態選擇MCS為μm=32APSK、μc=3/4。但由于此時是衛星通信信道狀態最好的時刻,這種情況下,一旦信道狀態發生變化,信息將不能有效地進行傳輸,導致信息傳輸時間利用率極低,其信道吞吐量將會遠遠低于VCM方案。

圖10 VCM和CCM的頻譜效率對比(情況3)

表4列出了3種情況下分別采用CCM方案和VCM方案時信息傳輸相關性能的對比。情況1中雖然CCM方案的時間利用率為1,但由于其信道吞吐量始終保持較低的水平,而VCM方案根據信道狀態調整MCS,導致其吞吐量性能比CCM方案提升了90.2%。情況2中CCM方案采用較為高階的MCS,時間利用率為74.8%,信道吞吐量有一定的提升,但仍小于VCM方案。情況3中CCM方案根據較好的信道狀態選擇了高階的MCS,但時間利用率極低,其信道吞吐量遠遠小于VCM方案。

表4 VCM方案和CCM方案的傳輸性能對比

3.2 MCS方案匹配

由于衛星廣播的廣域性,使得發射信號很容易被竊聽,因此安全問題是衛星通信的一個基本問題。隨著CPU性能的提高,竊聽者的計算資源不再受限,傳統的對上層網絡加密的方法已無法滿足人們對通信安全性能的要求。

為了提高衛星通信的安全性,可以在衛星鏈路的發送端與接收端同時應用LSTM網絡預測SNR。發送端與接收端根據預測的SNR可以同時設計相匹配的MCS方案,并按照設計的MCS方案進行信息傳輸,以達到信息的傳輸速率隨信道的變化而變化以及增大竊聽難度的目的。

4 結 論

本文采用LSTM網絡預測衛星通信期間的SNR,解決了由于信息交互不足導致通信質量差的問題,同時減少了終端定期保存、更新、計算大量衛星軌道信息所需要的內存消耗。當衛星與終端同時根據預測的SNR調整MCS時,增大了竊聽難度,提高了衛星通信的安全性。仿真結果表明:

(1) 基于LSTM網絡的SNR預測方法可以很好地預測SNR的波動,與基于ESN的SNR預測方法相比較,NMSE降低了18.8%；

(2) 將基于LSTM網絡的SNR預測方案與VCM方案相結合,更好地利用了鏈路資源,相比于傳統的CCM方案,大幅度地提高了系統性能。