基于決策融合的多衛星通信系統態勢分析技術

董彥磊，關俊鵬，張建君，張云佐

1.中國電子科技集團公司第五十四研究所，河北石家莊 050081；2.石家莊鐵道大學信息科學與技術學院，河北石家莊 050043)

信息技術領域是世界大國科技競爭的高地，數字經濟的蓬勃興起和智慧化社會的悄然來臨，帶來諸多嚴峻挑戰的同時也帶來千載難逢的發展機遇。無論是美國的Inmarsat，WGS，MUOS，AEHF，Spaceway，Starlink等[1-4]，還是中國的中星、亞太、天地一體化信息網絡等高低軌衛星通信系統[5-7]，均反映出衛星通信系統的高速發展。同時，隨著數字孿生城市等理念的提出[8]，物聯網、語義建模、人工智能等技術賦能與應用支撐平臺的深度和廣度全面拓展，功能、數據量和實時性大大增強，與數字孿生相關的大數據分析、知識學習、平行推演等能力更加成熟。從衛星通信系統發展趨勢來看[9-13]，高軌寬帶、高軌移動、低軌星座等多衛星通信系統融合使用是大勢所趨。通過對衛星通信系統的參數配置、設備故障信息、工作狀態、業務質量等數據進行分析，可以有效掌握系統運行態勢，評估系統性能，管理和優化衛星通信系統。雖然各衛星通信系統運維管理系統可以根據各自站內管理中心實時收集任務、資源和站型的運行狀態，作為各衛星通信系統的運行態勢進行呈現，但沒有涵蓋多衛星通信系統融合情境，并且由于底層設備不支持導致態勢感知不全面、不精確[14]。因此，借鑒數字孿生理論技術，構建體系化精準態勢，分析數字空間模型并進行態勢分析非常必要。

現行的衛星通信系統運控、網控和站控3級架構下，態勢分析主要位于運控級，能夠站在頂層視角把控全局，便于對衛星的信道設備、用戶的信道終端、衛星地面站信道設備等的健康狀態進行集中的分析處理，但所需處理的數據量非常龐大，通過AHP，BP神經網絡等傳統技術[15]進行決策分析導致實時性、精確度不高，需要引入態勢智能分析技術，對決策算法進行優化，高效處理海量數據，挖掘數據內在聯系與“知識”，精確識別復雜衛星通信系統的運行態勢，對未來趨勢進行預判，提升可信度，保障系統運維人員客觀、全面、準確地管控衛星通信系統。

本文提出一種衛星通信系統決策融合的運行態勢智能分析技術，首先基于數字孿生理論技術，建立體系化數字空間模型；其次在數據空間中提取數據特征，得到高質量數據樣本；進而使用4種決策分析算法結合歷史數據訓練結果對實時數據樣本進行分析，再通過決策融合分析方法，對大量衛星通信系統運行數據進行精確識別分析，并針對某真實衛星通信系統6項指標主題進行實驗，驗證了技術的有效性。

1 體系化數字空間模型

數字空間模型是對物理空間的實體進行虛擬化抽象，借鑒數字孿生技術理論，即將衛星通信系統的物理實體，在虛擬空間創建等價的數字空間模型，數字孿生理論中的虛擬空間本質是以計算、存儲、網絡傳輸設備為基礎構成的仿真平臺。數字孿生理論提出數字空間模型除了包括物理實體的仿真模型外，還包括采集到的物理實體歷史運行數據，以及采集到的實時物理實體運行數據，便于對真實衛星通信系統進行仿真算法分析。數字空間模型能夠根據物理實體運行的實時反饋信息對物理實體的運行狀態進行監控，能夠依據采集的物理實體的運行數據完善分析算法，從而對物理實體的后續運行和改進提供更加精確的決策。

為了將真實的衛星通信系統合理地映射到虛擬空間，需要根據多衛星通信系統融合運維的3級架構，創建體系化數字空間模型，包括5個層級，依次是板卡級、設備級、節點級、網絡級、應用級，不同層級包含的信息各有差異，如圖1所示。

圖1 體系化數字空間模型Fig.1 Systematic digital space model

通過分布于不同層級的數據采集單元以上報、采集、統計等方式將物理空間實體的信息體系化映射到數據空間。數據采集單元包括4型，分別為部署于板卡級的軟硬傳感部件，部署于設備級、節點級、網絡級和應用級的智能感知代理、部署于節點級的網絡探針、以及部署于節點級、網絡級、應用級的ICT融合器件。如圖2所示。

圖2 數據采集單元部署Fig.2 Data acquisition unit deployment

1)板卡級態勢信息映射

主要包括芯片狀態、計數器信息等，由板卡內置軟硬傳感部件提供。軟件傳感部件包括調度程序、計數器等，通過軟件打樁方式進行各單元的數據映射；硬件傳感部件包括溫度傳感器、轉速傳感器等，用于映射芯片、風扇等不同硬件單元的工作狀態數據，在板卡內監控單元存儲。

2)設備級態勢信息映射

主要包括配置參數、設備統計分析參數等，是對天線輻射單元、濾波、T/R功放、上下變頻、射頻分合路器、采樣處理等板卡內部以及板卡之間信息的匯總。依靠智能感知代理，周期性的將態勢數據存儲至本地，通過定義關聯規則，能夠融合分析設備內各板卡的態勢數據生成設備級態勢數據。

3)節點級態勢信息映射

主要包括可用度、通信頻度、QoS參數等。從天地一體化角度，通過智能感知代理和ICT融合器件收集天基衛星節點的工作頻率、軌道根數、波束覆蓋范圍、通信載荷狀態和故障信息統計、轉發器資源調度情況統一等信息；通過網絡探針、智能感知代理、ICT融合器件收集地基固定站點、機動站點、移動終端等節點型號、地址、業務種類、入網時間、退網時間、在網時間、工作狀態和故障信息統計等信息，提供節點級態勢數據存儲、查詢和計算服務。

4)網絡級態勢信息映射

主要包括業務服務、互聯互通、資源利用等。通過智能感知代理和ICT融合器件獲取高軌寬帶、高軌移動、低軌等多衛星通信系統的波形體制、節點互聯狀態、用戶接入狀態、資源利用和業務傳輸能力統計等信息，提供網絡級態勢數據存儲、查詢和計算服務。

5)應用級態勢信息映射

主要包括網絡拓撲、流量、服務保障、安全抗毀等。綜合利用智能感知代理、ICT融合器件，基于任務應用，反映用戶操作體驗、用戶速率、業務差異化保障等情況，提供系統應用級態勢感知和評估的數據源。

2 運行態勢智能分析方法

多衛星通信系統涵蓋高軌寬帶、高軌移動、低軌等多個異構衛星應用、網系、節點、設備、板卡體系，每秒鐘數據量在PB甚至更多，海量的態勢數據直接傳輸會占用大量的衛星傳輸資源，嚴重影響正常的通信業務。然而這些數據又是十分必要的，通過合理分析態勢數據能夠向運維管理人員提供大量“知識”，促進衛星通信系統的優化與效能提升。因此需要在態勢數據傳輸與分析之間找到平衡，在保障不占用大量傳輸資源的前提下，及時精確地呈現態勢分析結果。為實現此目的，需要引入ICT融合理念，其核心觀點是以計算存儲資源換取傳輸帶寬資源，即通過在體系化數據空間中，各層級分別進行態勢數據的特征提取與基于決策融合的分析評估，實時生成高價值精確的評估信息，之后再進行傳輸，能夠大幅度縮減數據傳輸量級，避免因態勢數據帶來的傳輸時延增大、數據丟失等傳輸壓力，運維管理人員依據評估信息，對物理空間網絡實體進行合理管控，促進系統更好地運行。運行態勢智能分析過程如圖3所示。

圖3 運行態勢智能分析過程Fig.3 Intelligent analysis process of operation situation

2.1 數據特征提取

數據特征提取是后續評估工作的基礎，在體系化數據空間中，數據質量各不相同，需要結合各級相關指標對數據進行特征提取工作，提取出的數據質量越好，后續評估的可信度越高。

衛星態勢數據種類繁多，包括定量數據和定性數據，定量數據是結構性的，由一定長度類型的字段組成；定性是非結構數據，數據字段僅由非數值的文字語言表征。為避免錯誤數據、不完整數據、非必要數據帶來的負面影響，首先需要進行數據整理工作。常用的數據整理方法包括數據檢測、平均值填補、樣本丟棄等。數據檢測方法通過在數據中引入邏輯規則，發現錯誤、重復、不完整等問題數據，并進行歸類；平均值填補、樣本丟棄等對檢測到的數據進行補充完善或處理，確保數據完整。

對于定量數據，如果同一實體有多個相同記錄，則僅保留重復數據中的一項；如果缺失少量字段使得不能完整地表達數據語義，則用歷史數據的均值來填充；如果缺失半數以上字段，則拋棄該數據樣本；如果少量數據出現錯誤，則采用分箱法，用錯誤噪聲數據指標出現的前后一段時間的指標平均值或邊界值來平滑修正；如果半數以上數據出現錯誤，則拋棄該數據樣本。

對于定性數據，可以通過調查問卷、專家打分等方式進行數字化，但人工因素影響會導致數據不可信，因此需要運用模糊集統計法，通過構建評估等級來量化定性數據，盡可能將人工影響因素降到最小。模糊集統計算法如下：

1)建立評估等級集合V={v1,v2,…,vm}，用模糊集bj=(bj1,bj2,…,bjm)表征定性指標，bjk為bj對vk的隸屬度，k=1～m，j=1～n；

2)bjk可以利用模糊統計法計算得到；

3)V={v1,v2,…,vm}的數值集D={d1,d2,…,dm}由專家設定；

海軍衛生學是軍事醫學教育課程體系中的一門主干課程，是海軍臨床醫學本科和海軍全科醫學專業的必修課。作為預防醫學的重要組成部分，本課程主要闡述海軍部隊平戰時所處的各種環境與指戰員健康的關系，以及利用有利環境因素、改善不利環境因素達到防治疾病、增進健康、提高戰斗力等目的的對策和措施，為學生提供今后從事海軍臨床醫學、海軍衛生管理等各領域工作必備的基本理論知識及專業技能。授課內容主要包括海軍環境衛生學、海軍營養與食品衛生學以及海軍勞動衛生學3部分。

完成數據整理后，需要對數據進行規范化和特征提取。規范化是指數據具有統一的量綱，例如：信息傳輸速率單位換算1 024 kB=1 MB，1 024 MB=1 GB，如果使用不同量綱數據進行運算會導致錯誤的結果，規范化即是將單位換算一致。但由于不同指標要求的量綱會有不同，例如話音通信情況要求指標為呼通率、呼損率等，因此無法將所有指標換算為統一量綱，需要分門別類，對不同類別指標分別進行規范化。如果指標為離散型，則對照指標體系的枚舉數值定義和數據源的定義進行轉換；如果指標為連續型，則對照指標體系的默認采用單位和數據源采用的單位進行計算轉換；如果指標為指標體系定義的數據模型，則對指標的語義進行轉換。

對于規范化的數據樣本，常采用概率統計的模式識別方法、規則推理方法等來進行特征提取。其中，概率統計的模式識別方法是對歷史數據等先驗知識進行訓練，得出數據特征，對數據信息進行分類或者預測，雖然原理簡單，但需要非常豐富的先驗知識，工作量較大。規則方法是運用邏輯規則對復雜不確定性的信息進行模糊量化處理，但對數據樣本質量要求較高，易受噪聲等錯誤數據影響。

在對多衛星通信系統運行態勢數據進行特征提取后，可基于數據特征進行板卡、設備、節點、網絡、應用各層級的故障定位、態勢預測等，例如通過對節點下所有設備關鍵數據的特征進行提取，可以找到節點故障的問題根源。節點級的數據融合與關聯可指導衛星和地球站故障的快速定位；或者話音業務呼通率下降問題，原因可能有：用戶的業務需求突然增加、通信鏈路受到干擾、衛星資源帶寬或功率資源不足、網控中心處理能力飽和、衛星有效載荷故障、關口站設備故障等，需要對各指標進行聯合分類，找出一個或多個制約因素，進而制定應對措施；在態勢預測方面，如對歷史通信流量數據進行模式識別，擬合出回歸曲線，預測未來的通信流量與業務增長，指導衛星通信系統網絡容量規劃設計。

2.2 決策融合分析

對提取特征后的數據進行分析的算法有很多，常用的有層次分析法、BP神經網絡等。因為沒有一種算法可以解決所有問題，不同算法往往善于分析不同的數據樣本，不存在所謂的最好算法、最差算法，在解決復雜系統中的問題時，多算法間能夠取長補短。在對各算法的適用范圍、優缺點、運行機制進行分析的基礎上，將各算法對不同指標主題的評估結果基于可信度進行決策融合，生成全面、精確的分析結果。決策融合分析過程如圖4所示。

圖4 決策融合分析過程Fig.4 Decision fusion analysis process

傳統的決策融合算法是對態勢評估結果取平均值，但這種方式忽略了不同算法針對某些方面訓練不足或專家主觀經驗設定待完善，給出的結果可能與實際偏差較大，在求平均值的過程中會影響整個結果的可信度。針對該問題提出基于決策融合的態勢評估，如果指標之間的好壞關系比較直觀容易確定時，AHP算法的結果可信度較高，如果指標對上層準則的影響度比較模糊時，BP神經網絡算法結果可信度較高[16-17]。

不同算法針對不同指標主題得出的分析結果的可信度確定過程如下。

1)設有m種算法，對n個主題進行評估，第i(i=1,2,…，m)個算法得出的結果向量為

Wi=(wi1,wi2,…,win)。

(1)

3)統計第i種算法的結果，如果全部結果都在置信區間以外，則可以判定該算法在本次分析中結果偏差較大，放棄該算法；如果在置信區間以外存在部分結果，若在置信空間外的結果大于50%，則丟棄結果，反之保留結果；如果所有的結果都在置信區間以內，認為該算法為優質算法，可進行后續計算。

4)假定篩選得到m種算法，算法的可信度通過對不同指標主題的歷史數據進行訓練確定。計算第i種算法相對于第j種指標主題的歷史Kj次分析結果與歷史融合分析結果的標準差σij，算法歷史分析結果與融合后的結果的標準差σij越小，算法的可信度越高，計算第i種算法相對n個指標主題的標準差σi：

(2)

5)考慮標準差可能為0的情況，計算第i種算法可信度：

(3)

(4)

6)設篩選共得到m種算法，則第j個指標主題的分析結果為

(5)

決策融合分析方法兼顧了不同算法分析結果的范圍性、優勢性和準確性，并且具有可擴展性，支持任意其他分析算法的擴展。

3 實驗結果

以某真實多衛星通信系統為例，驗證決策融合分析方法的可行性。6項指標主題在4種算法分析下的初步分析結果見表1。

表1 初步分析結果

經正態分布統計，對于6個指標，TOPSIS法對于抗干擾通信能力、全域互通能力、資源利用效率、快速組網能力4個指標評估結果分別為0.473，0.371，0.510，0.290均在置信區間以外，超過了50%，因此丟棄TOPSIS法分析結果。

訓練AHP算法、BP神經網絡法、模糊綜合評估法相對于6個評估指標的歷史評估結果與歷史融合評估結果的綜合標準差分別為0.027 9，0.001 9，0.004 8。

根據AHP算法、BP神經網絡法、模糊綜合評估法綜合標準差計算各算法可信度為0.781 8，0.981 0，0.954 5，歸一化后分別為0.287 7，0.361 0，0.351 2。

按照決策融合方法進行計算，結果如式(6)所示。

可以得出6個指標主題的最終結果分別為抗干擾通信能力0.6526；全域互通能力0.2146；機動傳

(6)

輸能力0.554 8；業務承載能力0.628 1；資源利用效率0.849 5；快速組網能力0.521 5。從實驗過程可以看出：1)算法可以根據正態分布置信區間，在多個決策算法中篩選優質算法，剔除不善于處理該樣本數據的算法，減小對結果的負面影響，例如TOPSIS的4個指標評估結果均在置信區間以外，屬于不善于處理該樣本數據的算法，被決策融合算法自動剔除；2)能夠依靠歷史結果數據對算法進行訓練，確定可信度權重，表1中的結果即為依靠歷史數據對4種算法訓練后的結果，之后再通過綜合標準差計算以及歸一化得到各算法的可信度，該可信度即可作為輸入，用于處理實時數據下的指標主題分析結果；3)能夠通過決策融合分析方法，在保留各優質算法特征信息基礎上，通過將可信度作為權重，能夠平衡各算法結果。因為每種算法可能善于處理特定的指標，例如AHP算法在處理抗干擾通信能力指標時結果最好，但處理全域互通能力時結果較差；BP神經網絡算法在處理抗干擾通信能力時結果較差，但處理全域互通能力指標時結果更優；模糊綜合評價法在處理資源利用效率指標時結果最好，但在處理抗干擾通信能力時效果最差。所以通過可信度的加權平均，兼顧了各算法評估結果的全面性、客觀性和準確性，對不同的指標主題均能得出較好的結果，使得最終結果更加客觀準確，具有參考價值。綜上所述，通過實驗分析證明了多衛星通信系統融合運行態勢分析技術的有效性。

4 結 語

本文結合衛星通信系統發展趨勢，重點解決多衛星通信系統融合運行態勢不全面、不精確等問題。

1)借鑒數字孿生理論技術，建立板卡級、設備級、節點級、網絡級、應用級5個層級體系化數字空間模型。通過部署于板卡級的軟硬傳感部件，部署于設備級、節點級、網絡級和應用級的智能感知代理、部署于節點級的網絡探針、以及部署于節點級、網絡級、應用級的ICT融合器件共4型分布于不同層級的數據采集單元，以上報、采集、統計等方式將物理空間實體的信息體系化映射到數據空間。

2)運用數據特征提取技術對數字空間數據樣本進行優化。首先對定性、定量數據進行數據整理，避免錯誤數據、不完整數據、非必要數據帶來的負面影響。其次對數據進行規范化，使數據具備統一量綱。最后采用概率統計的模式識別方法、規則推理方法等來進行特征提取，用于后續分析。

3)通過決策融合分析方法進行數據分析得到評估結果。首先對數據樣本運用多種算法進行初步分析。其次剔除分析結果處于置信區間外的算法。最后結合各算法對不同指標主題的歷史數據訓練結果計算得出可信度權重，再對各算法進行加權融合，生成全面、精確的分析結果。

4)實驗結果表明，基于決策融合分析，一是算法可以根據正態分布置信區間，在多個決策算法中篩選優質算法，剔除不善于處理該樣本數據的算法，減小對結果的負面影響。二是能夠依靠歷史結果數據對算法進行訓練，確定可信度權重。三是能夠通過決策融合分析方法，在保留各優質算法特征信息基礎上，通過將可信度作為權重，平衡各算法結果，對不同的指標主題均能得出較好的結果。

基于決策融合的多衛星通信系統態勢分析技術在數據體系化采集、定量與定性數據優化、基于可信度權重進行加權融合等方面進行了創新研究，通過決策融合得到的分析結果，可以幫助衛星通信系統運維人員更好的優化多衛星通信系統的運行狀態。但是在數據采集分析等方面仍不夠完善，存在數據被動式采集問題，數據采集單元缺少主動信道測試類設備，對故障的主動檢測評估能力弱。未來可以進一步完善態勢融合方法，例如設計更加精細的數據采集設備，研究更加高效的數據特征提取方法，進一步優化可信度權重，以提供更為有效的態勢分析結果。