基于半監督圖卷積神經網絡的地球站組網方法

孫雪苗　趙洪華　胡谷雨

摘? 要： 合理分配衛星通信資源是衛星通信組網規劃的重要內容。為了提高資源利用率，提出一種基于半監督圖卷積神經網絡的組網規劃方法。基于現有衛星通信系統的網絡管理架構，根據衛星與地球站的可互通條件構建系統模型，將半監督圖卷積方法應用于地球站組網規劃。最后進行了仿真實驗，結果表明，所提方法可以根據設定的優化目標對地球站進行快速組網，提高用戶體驗和網絡資源利用率。

關鍵詞： 衛星通信; 組網規劃; 半監督; 圖卷積神經網絡

中圖分類號：TP393? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2022）04-17-04

Semi-supervised graph convolutional neural network based

Earth station networking method

Sun Xuemiao Zhao Honghua Hu Guyu

（Command and Control Engineering College， Army Engineering University of PLA， Nanjing， Jiangsu 210007， China）

Abstract： Rational allocation of satellite communication resources is an important element of satellite communication network planning. In order to improve resource utilization， a network planning method based on semi-supervised graph convolutional neural network is proposed. Based on the network management architecture of the existing satellite communication system， a system model is constructed according to the interoperability conditions between satellites and earth stations. The semi-supervised graph convolution method is applied to the network planning of earth stations. The simulation results show that the proposed method can quickly network the earth station according to the set optimization goal， and improve the user experience and the utilization of network resources.

Key words： satellite communications; network planning; semi-supervised; graphical convolutional neural networks

0 引言

近年來，隨著衛星通信業務需求急劇增加，業務種類日益多樣化，快速增長的業務需求與有限的衛星通信資源之間矛盾日益凸顯，衛星通信資源的規劃利用成為一個實際難題[1]。

以機器學習[2]與深度學習[3]為代表的人工智能方法逐漸應用于各種領域，組網規劃也在尋求更加智能合理高效的方法。文獻[4]對現有的衛星地球站組網規劃問題形式化建模，以地球站間盡可能多的一跳通信為目標，使用社團發現方法（community detection）對此問題求解，結果表明，社團發現方法確實在地球站組網規劃方面有效，但在該文獻中為了使用社團方法，對組網規劃模型只考慮了簡單的約束條件，而組網規劃是個很復雜的問題，不過社團發現的方法仍為此類問題的求解提供了思路。

本文基于半監督圖卷積神經網絡（Semi-GCN，Semi-Supervised with Graph Convolutional Networks）方法[5-6]，提出一種新的組網規劃方法用于解決衛星地球站的智能組網問題，支持各類衛星通信資源的統一管理分配[7]。

1 系統模型

為了更好地描述衛星通信地球站組網的問題，我們建立了面向衛星的地球站組網規劃模型，并制定了組網目標。

1.1 對象建模

在系統模型中，各型號地球站可形式化為：

其中Position為一個二元組（X_i，Y_i），表示地球站ES_i所在的地理位置經度和緯度坐標。假設每個地球站只有一幅單頻段天線，同一個地球站的信道單元（CU）共用該地球站的天線和射頻線路，天線所支持的射頻工作頻段為ES_RF，在實際系統中具體可以劃分為C，Ku，Ka等頻段;ES_Polar代表地球站的天線極化方式，可劃分為線極化和圓極化兩種模式，具體地，線極化模式可根據實際通信需求調整為水平和垂直極化，圓極化模式可調為左旋圓極化和右旋圓極化。G_t表示地球站的信號發送幅度增益（dB），其數值等于發射機功放增益和天線發射增益之和。Gr為地球站天線的信號接收增益（dB）。P_max為地球站功率放大器的最大輸出功率（W），{CU}為地球站[ESi]支持的CU集合。具體地，地球站ES_i的第j個CU可表示為CU_ij={Mode， Rate， Vs}]，[Mode表示CU可以支持的傳輸體制集合，Rate表示CU所支持的信號傳輸速率集合;Vs為地球站的接收靈敏度（mV）。735EF330-3615-4D53-B292-BA567E9EE863

在該模型中，所討論的通信衛星均為同步衛星，各衛星可以形式化為：

假設衛星均為多波束衛星，且只有一副天線，其中S_RF表示其支持的射頻頻段，S_Polar為該天線的極化方式，支持的點波束數量為K個。Area表示衛星波束的覆蓋地理范圍，因此衛星覆蓋范圍是各個波束覆蓋范圍的并集Area=Area₁∪Area₂∪…Area_K，{Tp}為衛星透明轉發器。

面向衛星地球站通信的組網規劃問題，目標是根據各用戶通信需求，通過子網劃分實現對地球站進行分配。各子網可以形式化為：

其中[ES]表示子網內的地球站集合;Mode為子網的傳輸體制;{Rate}為收發地球站下的CU共有使用的數據傳輸速率集合，單位為Mbit/s;Sat是對子網進行服務的通信衛星。

1.2 條件建模

基于對衛星地球站的對象建模，對于? ES_i，ES_j， 兩者可以進行組網的約束條件為：

首先，加入到同一個網絡內的地球站地理位置需要位于同一顆衛星的覆蓋范圍內。

加入到同一個網絡內的地球站天線必須朝向同一顆通信衛星，收發地球站，衛星三者天線均支持相同的射頻頻段。

收發地球站的天線極化方式需要與該衛星天線極化方式相同。

表示加入到同一個網絡中的CU需達到信號可接收條件，假設地球站發射信號電平均為Vt0，則該信號電平+發送幅度增益+接收天線增益-傳輸損耗至少應達到地球站的接收靈敏度門限，單位為dB. 其中A_ij和A_ji表示星地鏈路上下行總的傳輸損耗，通常包括自由空間損耗、大氣衰減和天線跟蹤損耗等，主要受天氣和傳輸距離的影響。

收發地球站使用的CU需要采用同一種傳輸體制，即信道編碼、調制解調、多址接入方式等相同。

收發地球站使用的CU需要采用同一檔的信息傳輸速率。

在組網過程中，根據一定周期時間內各個地球站之間的通信流量的大小，可以構建通信關聯矩陣B_N×N，矩陣中元素[bij]表示地球站[i]向地球站j的發送流量，單位為MB。將可以一跳通信的地球站集合為τ，其流量占比采用式⑽計算：

2 基于半監督圖卷積神經網絡的組網方法

本文以提升地球站一跳通信流量的占比為組網目標，根據圖的同質性[8]，相鄰的節點往往具有相似的特征表示，使用Semi-GCN對地球站劃分，將地球站看作節點，地球站的通信矩陣看作節點間的信息，將波束看作節點標簽，在標記節點上訓練GCN網絡，需要部分節點帶有標簽信息，從全部地球站中隨機選擇30%的地球站，為它們優先選擇一跳通信流量占比高的最優衛星波束。再經由GCN模型分類后，可以得到地球站的最優分群組網。最終，面向衛星的地球站組網規劃問題可以歸結為一個半監督分類問題。

本文采用兩層的GCN，利用譜圖理論[9]，借助圖的拉普拉斯矩陣特征值和特征向量研究圖的性質，在分類操作前，為了加強網絡學習時的數值穩定性，對拉普拉斯矩陣[L]進行歸一化處理：

則當前地球站組網場景下，半監督圖卷積神經網路的模型為：

其中y_L為帶標簽的節點。

3 仿真與分析

本文仿真分析了提出的基于Semi-GCN的組網規劃方法的性能，首先介紹了用到的仿真場景和實驗參數，將Semi-GCN與Cplex和基于遺傳算法[10]（Genetic Algorithm，GA）的組網方法在組網時間，一跳通信占比進行對比。所有的實驗在一臺裝有Intel Corei7-8700 CPU和8GB內存的臺式電腦上完成，采用python3.7進行模擬。

3.1 仿真參數設置

在仿真過程中，仿真參數如表1所示，為了簡化問題，我們在仿真過程中，假設：①每個地球站的功放增益和接收天線增益都足夠大，即滿足信號可接受條件;②每個通信波束對應一個轉發器，且轉發器帶寬容量相同。

3.2 實驗結果

針對該問題，還沒有其他已知的方法用來對比，因此我們將所提出的Semi-GCN與Cplex組網方法和GA的組網方法進行對比。

首先，我們對不同組網方法的時間進行了對比，如表2所示，在不同組網方法下得到最終組網方案的所需要的時間，組網的時間是衡量組網的重要指標，實驗結果表明，無論在小規模地球站（100個ES）或大規模地球站組網條件下（10000個ES），Semi-GCN在時間成本上均優于Cplex和GA，尤其在大規模組網條件下時間成本遠遠小于其他兩種方法，且增長趨勢遠低于其他兩種方法。

圖1展示了使用不同算法得到最終組網方案中一跳通信流量在總流量中的占比，在該指標中，可以看到Semi-GCN的一跳通信流量占比低于但接近Cplex方法和但遠高于GA，隨著組網規模增大，一跳通信占比越高，用戶通信體驗就會更好。在地球站規模達到10000的時候，Semi-GCN方法比僅比最高占比Cplex方法低不到2%，但是Cplex方法在進行規劃求解的時候，由于地球站的位置需要和衛星波束范圍對比，在約束條件中需要使用到平方項，但Cplex無法對含有平方項的約束條件求解，本文采用一次項的約束條件替代，所以部分地球站的位置與衛星波束的范圍會有些許差異。所以對于該指標，本文所提出的基于Semi-GCN的方法在大規模地球站計算下得出的解略低于Cplex組網方法，但對于地球站位置的約束更為精確。

4 總結

針對當前衛星通信系統無法調節通信業務增加而衛星資源受限的問題，本文從優化衛星資源利用率和提高Qos的角度出發，對地球站組網的可互通條件進行了形式化約束，建立了衛星通信地球站組網規劃模型，提出一種基于Semi-GCN的地球站組網方法，能夠有效進行地球站智能組網規劃。735EF330-3615-4D53-B292-BA567E9EE863

在實際通信場景，用戶間的衛星流量是動態變化的，因此未來的研究方向，可以進一步考慮采用在線學習方法進行不同流量條件下的學習，設計適用于復雜組網場景的動態組網方案。

參考文獻（References）：

[1] 張洪太，王敏，崔萬照，等.衛星通信技術[M].北京：北京理工大學出版社，2018

[2] Mitchell T M . Machine Learning[M]. McGraw-Hill，2003

[3] Lecun Y，? Bengio Y，? Hinton G. Deep learning[J].Nature，2015，521（7553）：436

[4] Liu S，? Hu X，? Wang W. Deep Reinforcement LearningBased Dynamic Channel Allocation Algorithm in Multibeam Satellite Systems[J]. IEEE Access，2018：15733-15742

[5] Kip F T N， Welling M. Semi-Supervised Classification withGraph Convolutional Networks[J].2016

[6] Shuman D I，? Narang S K，? Frossard P， et al. The EmergingField of Signal Processing on Graphs： Extending High-Dimensional Data Analysis to Networks and Other Irregular Domains[J]. IEEE Signal Processing Magazine，2013，30（3）：83-98

[7] 趙洪華，謝均，袁偉偉，等.一種衛星通信網絡組網規劃方法：中國，201810092414.X[P].2018-07-13

[8] Bruna J，? Zaremba W，? Szlam A， et al. Spectral Networksand Locally Connected Networks on Graphs[J].2013.

[9] Diestel R. Graph Theory[J]. Mathematical Gazette，2000，173（502）：67-128

[10] 席裕庚，柴天佑.遺傳算法綜述[J].控制理論與應用，1996（6）：697-708735EF330-3615-4D53-B292-BA567E9EE863