3C融合的空天地海一體化通信系統設計與實現

韓笑雪　王萬龍　孫尚　毛文梁　翟益平

【摘要】? ? 綜合考慮物理環境域、社群交互域以及內容資源域，在空天地海一體化網絡中，利用多元化終端設備，例如艦艇、無人機、車輛，結合衛星通信技術，實現多元化業務的安全、高效、低時延的傳輸、存儲及計算的協同優化是當前研究重點。本文考慮天地海一體化通信需求中通信—計算—緩存（3C）協同優化場景提出了一個高可靠的通信系統架構，并利用SDN、機器學習（ML）、邊緣計算技術等技術進行了實現，實驗結果表明了該架構的可行性。

【關鍵字】? ? 3C融合? ? 空天地海協同通信? ? 通信系統? ? 分布式架構

一、介紹

作為5G通信技術發展的一個重要方向，層次化云服務的異構云無線接入網絡不僅可以滿足無線業務對高速計算或大容量存儲等服務的要求，還可以擴展通信覆蓋范圍，增加傳輸速率，降低傳輸時延，提高網絡容量和用戶服務質量。歐洲電信標準化協會在5G標準中提出了多接入邊緣計算（MEC）的解決方案，MEC通過在移動網絡邊緣部署大量的分布式邊緣服務器，對網絡邊緣側產生的大量數據進行分析、計算與存儲，達到降低回程鏈路流量、緩解核心網擁堵的目的。

近年來，大計算任務處理問題突出，計算卸載/遷移是一個非常有效的手段，其過程極為復雜， 需首先判斷是否要進行計算任務的卸載/遷移，然后針對要進行卸載/遷移的計算任務確定需要卸載/遷移的比例。[1]對于單個任務請求節點，利用一維搜索算法綜合考慮了計算應用的緩存隊列狀態、用戶節點計算資源的可用情況，在不考慮能耗的前提下最小化卸載/遷移機制所產生的時延。

然而在空天地海一體化網絡中，由于不同設備、用戶節點具有不同的物理特征以及通信—存儲—計算（3C）能力，例如衛星、艦艇、車輛等具有強算力，而人員所攜帶設備所具備的存儲和算力較小。因此，如何面向空天地海一體化網絡中的多樣化業務需求，結合衛星通信技術，設計高效3C協同一體化方案，以滿足海量連接、低時延、高可靠的通信技術，仍然是亟待解決的問題。

與此同時，人工智能在增強傳統無線通信網絡的3C一體化發揮了重要作用。例如，在數據感知及處理方面，利用邊緣服務器對收集到的數據進行大數據分析和處理，構建出圣母院的3D圖像。為了解決傳統算法魯棒性較差的問題，邊緣計算逐漸轉向智能化發展，即通過機器學習（ML），特別是深度學習的方法替代傳統方案來解決邊緣計算中的問題，如智能邊緣的提出。[4]此外，通過利用大數據技術處理和分析海量數據，一種結合ML的內容流行度預測算法，通過動態優化內容緩存策略來降低用戶內容下載時延。同時，考慮到用戶密集和用戶需求隨著時間的非靜態和瞬時特性，可以基于ML的方法來實現時變的內容流行度預測，從而實現動態內容部署策略。為了滿足空天地海一體化網絡中所需求的區域管理、安全監控、應急事件等任務，如何利用人工智能實現對傳統算法的魯棒性和適應性的提升也具有重要意義。因此，本文基于上述技術融合的通信系統架構設計與實現進行嘗試，為未來通信通信系統可行性方案。

二、需求及場景

本研究內容將綜合考慮區域管理、安全監控、應急事件等空天地海一體化網絡業務需求的不同，以及船艦、車輛、無人機、衛星等高速移動的網絡節點的物理屬性，結合衛星通信技術，利用端邊云協同的系統架構，研究和設計相應的資源管理機制，為實現海量連接、低時延、高可靠的空天地海一體化應用提供理論支撐和技術支持。

（一）層次化、差異化智能組網

本研究擬利用衛星、車載通信，無人機、船舶艦艇、海上浮標、可攜帶設備等組成層次化智能的空天地海一體化網絡平臺。該平臺分為三層，第一層為衛星，主要用于環境感知與數據收集、目標識別與追蹤等服務;第二層為邊緣云平臺，可通過協同工作提供3C服務，包括高性能車、無人機和船舶等，提供數據處理與存儲（如數據清洗、分類、壓縮等），決策與任務指派（如路徑規劃，高速目標鎖定等）;第三層為小帶有感知器的小無人機、車、可攜帶設備、浮標等，主要用于提供遠程外網連接，管理通道等功能。

（二）協同緩存下的高效內容共享及數據

在空天地海一體化網絡中，網元的能力在通信及存儲等方面的差異化更加凸顯。通過預先在具有大存儲能力的網元上緩存熱門資源，可以實現在能力差異化的終端之間進行高效數據共享，以提高其接收服務的效率，降低延遲。本文將研究利用編碼緩存和非正交多址接入技術，設計面向協同緩存與高效內容的共享機制，提高頻譜資源利用率。

（三）協同計算下的高效數據傳輸

針對設備節點感知并收集的海量數據，需要進一步計算分析以實現數據的優化分級和處理，例如對冗雜數據的篩選、對信息的敏感程度進行分類等。本研究內容將針對空天地一體化中存在的節點異質性、計算能力差異性等特點，研究如何結合用戶物理位置、社交關系合理調度網絡中的設備計算能力，結合移動邊緣計算技術，通過多用戶協同計算補償某獨立節點的計算能力缺失，并實現高效數據傳輸。

（四）人工智能增強下的3C協同

本文將考慮差異化節點存在下的3C協同， 在這種情況下，海量用戶群體以及多維能力變量使得優化問題十分復雜。人工智能是解決復雜優化問題的有效手段，能夠有效實現數據特征提取、數據分類等，并解決高維變量的聯合優化。本文將基于以上研究內容，進一步考慮如何利用ML增強系統的智能化和魯棒性，提高相關算法、模型在不同環境、不同應用場景中的可遷移性。

（五）協同組網下面向分級化業務的動態頻譜管理

針對空天地海一體化網絡及應用場景，海量設備（例如艦艇、可攜帶設備、浮標等）有不同的業務需求和服務目標，本文將設計基于用戶設備協同的動態無線頻譜管理方法，根據業務等級、通信鏈路狀況等信息，進一步實現頻譜的自適應動態頻譜管理和調度，從而有效提升網絡整體的頻譜效率。

三、系統架構及實現

如圖1所示，為基于分布式架構的通信系統設計，該系統無線接入點采用5G系統，其中核心網（NC）與中心交換機屬于同一層，實現其與SDN控制器共享MEC資源，它們被一同放置在了一臺大無人機上，大無人機上具有衛星信號接收機，通過衛星與遠程控制中心相連。集中單元（CU）與代理器共享MEC，分布式單元（DU）與虛擬化接入點共享MEC，有源天線單元（AUU）分別放到了船、車、無人機、用戶設備上，由此形成了一個三層的3C協同空天地海一體化通信系統。

在該系統中的ML算法主要用于識別業務切片，以及低時延（uRRLC），大帶寬（eMBB）和巨量連接（eMTC），SDN控制器主要依據識別的業務、場景設備狀態、服務需求等進行切片配置，路由優化及船、車、無人機等協同調度，由于其中的算法過于復雜，不在本研究的范圍。

四、系統測試

本研究通過在某湖邊搭建測試平臺進行實驗，其中一個遠程中心，一臺大無人機，5臺小無人機，10艘小艇、10臺無人車，100個用戶。我們讓用戶隨機進行視頻通話模擬uRRLC切片，讓用戶隨機下載電影模擬eMBB、點擊節點尋址應用產生小數據包任務模擬eMTC切片，其中三種情形一次操作必須大于5分鐘，以便于我們統計它們對帶寬、計算和緩存的平均消耗，最終一共進行了50次測試。如圖2所示，uRRLC中計算消耗最大，帶寬消耗也相對較高;eMBB中帶寬消耗最大，緩存消耗也相對突出;eMTC消耗極大計算量。

五、結束語

在海陸空場景中，利用衛星、車、艦艇、無人機、可攜帶設備等，研究層次化和差異化智能網絡架構，設計集合計算與感知一體的分布式邊緣計算平臺，結合ML，實現邊緣計算加AI架構，實現智能化、多維數據感知、處理和存儲，任務調度和指派等網絡通信服務，提供3C資源協同優化服務，通過在真實環境中搭建測試平臺進行實驗，結果表明該架構在計算，帶寬及緩存上達到了均衡。

參? 考? 文? 獻

[1] Y. Zhang et al. “To offload or not to offload： an efficient code partition algorithm formobile cloud computing”， CLOUDNET， pp. 80- 86， 2012.

[2] J. Liu et al. “Delay-Optimal Computation Task Scheduling for Mobile-Edge Computing Systems，” IEEE ISIT， 2016.

[3] Z. Zhou et al. “Robust mobile crowd sensing： When deep learning meets edge computing，” IEEE Network， vol. 32， no. 4， pp. 54–60， July 2018.

[4] E. Li et al. “Edge intelligence： On-demand deep learning model co-inference with device-edge synergy，” ACM SIGCOMM Workshop， 2018.

[5] M. A. Kader， et al. “Leveraging big data analytics for cache-enabled wireless networks，” IEEE Globecom， 2015， pp. 1-6.

[6] B. N. Bharath et al. “Learning-based content caching with time-varying popularity pro?les，” IEEE Globecom， Dec. 48， 2017， pp. 1-6.

[7] Wang， G. et al. LRA-3C： Learning based resource allocation for communication-computing-caching systems [A]. IEEE GreenCom， IEEE CPSCom and IEEE SmartData[C]， 2019： 828-833.

[8] Xiao， P. et al. Implementation for UAVs Aided Edge Sensing System in Wireless Emergency Communications [A]. IEEE WCSP [C]，2019： 1-5.

韓笑雪（1984-），女，河北唐山，工學碩士，工程師，研究方向：計算機網絡;

王萬龍（1982-），男，江蘇江都，理學學士，工程師，研究方向：信息系統設計與開發;

孫 尚（1985-），男，山東淄博，工學學士，工程師，研究方向：信息系統設計與開發;

毛文梁（1993-），男，山東德州，工學碩士，助理工程師，研究方向：計算機網絡;

翟益平（1994-），男，湖南常德，工學學士，參謀，研究方向：計算機網絡。