基于神經網絡的導航衛星星間鏈路網絡態勢感知模型研究

王海學，孫劍偉，田 露

(中國電子科技集團 第十五研究所，北京 100083)

0 引言

隨著北斗三號正式組網成功，我國在航天領域又往前邁了堅實的一步。星間鏈路是提高衛星導航系統可靠性和定位精度的一項重要技術，星間鏈路可以在不依賴地面段的情況下，衛星之間通過星間鏈路相互測距，實現自主導航，提供應急情況下的定位服務。除此之外，星間鏈路還承擔著導航系統上下行業務信息的星地通信需求[1]。

導航星座的星間鏈路需要在可見范圍內與某顆衛星建立鏈路進行測量和傳輸數據信息，由于衛星上的網絡信道資源有限，因此信道復用是提升星上資源利用率的有效途徑。衛星導航星座通常采用時分體制星間鏈路，時分體制是信道復用的一種方式，它是指在一個超幀內，將時間劃分成若干個等同的時間片即時隙，在每個時隙內完成衛星間不同鏈路的測量與雙向數傳功能。本文所設計的星間鏈路態勢感知系統就是基于時分體制下設計的[2]。

目前對于星間鏈路網絡的研究主要集中在兩個方向。第一個方向是關于衛星建鏈拓撲以及路由方案的規劃，針對于流量分布不均勻、網絡擁塞、業務類型不同等問題提出了許多不同路由算法的切實可行的方案，并取得了較好的實驗結果[3-9]。第二個方向是對星間鏈路網絡狀態的評估，文獻[10]提出了復雜星間鏈路網絡規劃分級評估的方案，對復雜星間鏈路網絡規劃參數進行場景要素、節點核心特性以及測量、數傳服務關鍵要求等符合性分析的第一級快速評估方法，以及網絡仿真系統和業務服務指標體系的二級評估方法，該分級方法為星間鏈路網絡規劃管理的正確性評估提供了解決方案，文獻[11]構建了以OSI參考模型為依據的星間鏈路運行服務評價體系，提出了利用模糊數學理論對導航衛星星間鏈路運行服務進行評估的方法。對于星間鏈路網路的管理中，目前仍然存在以下兩方面的不足：

1)監視能力不足。星間鏈路網絡的監視需要依賴于衛星下傳的遙測信息。在時分體制下，遙測信息處理存在兩方面的困難。一方面是遙測數據在傳輸與接收過程中會受到天氣、磁場等隨機因素的情況下產生誤碼，影響數據的真實表達，同時由于衛星在遙測下傳采樣數據時，一個時隙內會出現數據采樣不完整的情況，建鏈的兩顆衛星在同一時隙內各業務收發計數不能完全統一，影響網絡指標的提取。另一方面是由于境外星的遙測數據需要經過境內中轉星才能到達地面，遙測的數據信息相比境內星滯后，導致無法完整地對整個星間鏈路網絡進行實時監視。這些因素均增加了星間鏈路網絡管理的困難性。

2)預測能力不足。目前星間鏈路網絡管理缺乏對網絡狀態的預測，導航系統的各項業務運行存在較強的規律性，反映在星間鏈路方面，其網絡狀態是可以進行預測的。對網絡狀態的預測不僅有利于對星間鏈路整體運行的監視評估，還有利于網絡中異常情況的及時發現，輔助做出正確決策規避風險。

因此建立對星間鏈路網絡的態勢感知模型非常重要。網絡態勢感知[12]是指在大規模網絡環境中，對能夠引起網絡態勢發生變化的因素進行獲取、理解、評估、顯示以及對未來發展趨勢的預測[13]。如果地面段掌握了星間鏈路網絡的態勢情況，可以對整體網絡進行監視并且綜合評判網絡運行狀況，提前預測出現的異常情況。

本文提出了基于神經網絡對導航衛星星間鏈路態勢感知研究。研究提出了構建網絡態勢感知的整體功能架構，明確了星間鏈路網絡態勢感知系統設計的流程；研究提出了對衛星網絡相關遙測數據的預處理方案，還原出衛星節點真實的遙測計數信息；研究提出了星間鏈路網絡態勢感知的網絡狀態指標提取方案，完成了監視型網絡狀態指標的計算以及利用數據挖掘方法的復雜分析型指標的提取；研究提出了對部分網絡狀態指標基于BP神經網絡的預測方案。通過實驗，對某狀態指標的預測準確率達到了98%左右，結果表明該間鏈路態勢感知模型具有較高的可行性，可以有效提升地面運行管理系統對星間鏈路的監視及管理能力。

1 星間鏈路網絡態勢感知模型架構

星間鏈路網絡態勢感知旨在為地面運行管理系統提供實時的星間鏈路狀態監測以及未來狀態的預測方案，支撐其他導航業務實現上注選星、故障診斷決策等多種服務要求，是確保星間鏈路高效運行的重要手段。

根據層次劃分的思想，星間鏈路網絡態勢感知系統可分解為遙測數據解析與預處理、星間鏈路網絡狀態指標提取、網絡狀態指標預測3個層次，其架構如圖1所示。

圖1 星間鏈路網絡態勢感知模型架構

遙測數據預處理主要是將衛星遙測下傳的狀態信息進行解析，同時根據業務數據規則對下傳遙測數據中因噪聲以及傳輸時導致的數據缺失問題進行處理，還原出完善的遙測信息；星間鏈路網絡狀態指標提取是將預處理的數據進行指標抽取，在該模塊下分為監視型指標的抽取以及分析型指標的計算；網絡狀態指標的預測主要是根據歷史信息結合遙測信息具有滯后性的特點預測當前時段的狀態以及未來時段的各種指標狀態信息，可以用于輔助決策。

2 星間鏈路網絡態勢感知實現方案

2.1 遙測數據解析及預處理

星間鏈路在運行過程中會產生大量信息，包括硬件模塊狀態信息、軟件系統狀態信息、衛星工作數據信息、衛星管理狀態信息、建鏈狀態信息等[14]。這些信息作為遙測信息下傳至地面段。這些遙測信息非常復雜，通過一定處理可以得到衛星的真實運行情況，可以成為星間鏈路狀態分析及監視處理的重要數據來源。

遙測數據通常是原始的測量與計數信息，衛星遙測數據從衛星發出至地面監測站接收的過程中，會受到天氣、磁場等多種隨機因素的耦合影響，會產生數據嚴重偏離真實值的誤碼，影響數據實際表達[15]。需要對這些遙測數據進一步工程化誤碼剔除方便對衛星的狀態信息進行獲取感知。

在時分體制下的導航衛星星座中，每個時隙為3秒。每個時隙又可分為接收與發送兩個狀態。在整個星座中，不同的衛星有不同的采樣周期和采樣節拍，遙測收發計數的采樣不能完全與一個時隙的接收與發送狀態相對應，導致一個時隙內各秒采樣的數據不完整甚至缺失，進而會使建鏈的兩顆衛星相鄰兩個時隙的業務數據接收與發送計數差值不能完全對應。因此除了對數據進行數據解析及誤碼剔除外，還需要利用網絡傳輸的對稱性和業務傳輸特性完善數據，最終還原出每個時隙網絡中每條鏈路上傳輸的各業務的傳輸幀數。

因此星間鏈路網絡態勢感知系統對數據預處理主要分為解析及誤碼剔除、與數據校驗及補齊處理兩個部分。

1)數據的解析及誤碼剔除；衛星下傳的數據為二進制數據，難以從二進制中獲得對星上各類狀態參數的表達，因此該階段主要是將衛星下傳的遙測數據根據接口規則通過編碼解析得到每個字段的工程數值，同時針對偏離實際值的誤碼進行閾值剔除，用于對數據做進一步的處理。

2)數據校驗及補齊處理；該階段主要是對遙測數據的采樣進行正確性分析及數據補充。首先將全網衛星的網絡相關遙測數據根據星上時映射到時隙列表，對每個時隙中收發狀態及采樣收發計數進行對應的數據篩選。其次針對上下行特征業務信息，根據其本身特點對網絡遙測數據進行推理補充處理，如遙控數據只可能由境內星傳遞給境外星，遙測下行數據只可能由境外衛星傳遞給境內衛星，通過業務分析判斷部分衛星在某時隙遙測數據的正確性進而推測與其建鏈的其它衛星對應采樣數據。分別對每個業務數據進行正確性分析后，最終遞歸所有參數信息根據其遙測特點得出所有遙測計數的正確值。

在上述預處理過程，解析得到每個衛星星間鏈路有關的參數信息，首先按每秒進行正確性處理，得出在一個小時內某個業務參數的正確數據達到86.564 7%。由于星間鏈路遙測參數每個時隙中的業務數據數三秒應為同一采樣數值，因此將三秒的數據映射整合為一個時隙的數據。最終在一個小時的遙測數據統計中，某參數的正確性數值達到99.124 1%，該數據表明對星上衛星參數的實際采樣數值有了較好的還原，對后續網絡狀態指標的監測將更符合實際衛星在軌運行的狀態信息。

2.2 星間鏈路網絡狀態指標的提取

星間鏈路運行監視中，需要依托于一個內容全面、指標科學的網絡狀態指標體系，在本文中網絡狀態的指標體系是根據遙測數據進行數據挖掘分析而來的。在龐大的遙測參數中，除其中已經包含的各種設備的工作狀態以及各類標志外，還需要更多的網絡狀態指標如擁塞度、發送速率、帶寬利用率、節點緩存占用率等。這些指標是需要通過進一步分析綜合得出，這類指標在下文統稱為計算指標。計算指標分為監視型指標和分析型指標。

2.2.1 監視型指標

監視型指標在實際應用中又可以稱為簡單計算型指標，是指這些指標往往可以根據人工經過簡單的分析計算而來，可以對星間鏈路網絡狀態進行直觀監視。本文以兩種指標帶寬利用率以及轉發率進行概述，簡要分析該指標的計算過程。

某設備帶寬利用率指標的提取主要是根據該設備所有隊列的當前轉發情況進行計算。假設該設備存在n個接收隊列，m個發送隊列，其中接收隊列當前可用標志可以用一維向量Vm和Vn表示，其中1代表該時段可發送/接收，0代表當前時段不可發送/接收。同時每個隊列當前的發送/接收數量統計分別用SendCounti,(i=1,…,m),以及RecvCountj,(j=1,…,n)。該設備帶寬為B。則在該時段當前設備的帶寬利用率W的計算見公式(1)：

(1)

轉發率則需要根據不同的頻率進行統計。假設當前時間為t1，頻率為n秒一次，當前數據轉發量為Ct。那么該時間段內的轉發率FRate見公式(2)：

(2)

通過人工規則進行推算可以完成其他星間鏈路網絡狀態指標的計算。

2.2.2 分析型指標

該類指標為網絡狀態的一些宏觀狀態，比如當前時段的擁塞程度、衛星節點健康狀態等。這些指標與星間鏈路網絡上所有軟硬件設備息息相關，任何軟硬件的狀態信息都會影響整個節點的擁塞度，由于軟硬件遙測信息眾多，往往不能通過一些簡單的計算得出。在實際應用中，衛星出于安全性以及可靠性的考慮，使得衛星遙測參數中存在部分冗余數據，會導致多個不同的參數反映一個狀態，這些參數應存在明顯的相關關系，有些參數很難通過人工確定其相關程度，因此需要利用一些算法如相關性分析等數據挖掘的方法找出與復雜性指標有關的各類遙測參數信息，再根據算法進行綜合提取。以擁塞程度為例，具體算法描述如下。

擁塞程度根據已知規則可以確定部分參數與該指標有關[17]，由于衛星星間鏈路是一個超復雜性系統，參數眾多，仍然有很多參數會對擁塞程度有影響。通過已知的相關部分參數和其他所有參數進行相關性分析，找出其它與擁塞程度相關度高的參數。假設已知相關性程度高的參數為Wi,(i=1…m)。通過相關性分析法找出的其他有影響的參數為Wj,(j=1…n)。最后綜合提取出擁塞度Busy。

具體算法如下：

步驟1：每個遙測參數取值范圍不同，對數據進行歸一化處理，消除部分數據取值區間不同所帶來的影響。假設遙測數據為datai，歸一化函數見公式:

(3)

步驟2：利用相關性分析法對每個已知有影響的指標如該時隙每秒的衛星接收與發送計數等和其他所有指標進行相關性分析。本文采用Pearson相關系數[16]進行相關性分析。由人工判定對狀態有影響的參數為Yj,j=1…n,其它待確定的參數為Xi,i=1…N-n。其兩者之間的相關性程度ρXY可由公式計算得出：

(4)

遙測參數眾多，部分利用Pearson相關系數得出的熱力圖如圖2所示，在圖2中，Param9，Param10為已知對擁塞程度有影響的參數，其余參數和其的相關性程度系數為圖方格內的數字。其中顏色越深相關性系數越大表示與該參數相關性程度越高。在圖2中，有兩種相關性關系，分別為隨著一個參數增加另一個參數也相應增加的正相關關系與一個參數增加另一個參數降低的負相關關系。兩種相關關系均會對最終的復雜網絡狀態指標產生影響，因此需要同時將兩種相關關系的參數納入復雜指標的提取中。

圖2 遙測參數相關性系數熱力圖

步驟3：篩選出指標在相關性程度為(-1～-0.6,0.6～1)之間的所有對擁塞程度有影響的數據。假設對擁塞程度有影響的數據總量為M。

步驟4：綜合提取擁塞度。在步驟1中所有參數均與已知有影響的指標有不同程度相關系數，則該參數對擁塞度總的貢獻程度為對每個已知相關參數的相關性程度系數求和取平均。而已知相關參數的貢獻度均為1。那么所有參數對應的貢獻度用ρXYk,k=1，…，M表示。那么擁塞程度Congestion的計算見公式：

(5)

經過以上簡單計算以及復雜指標提取方法的綜合處理，可以得到星間鏈路網絡態勢感知系統的部分網絡狀態指標見表1。

表1 網絡狀態指標

3 網絡狀態指標的預測

在對星間鏈路網絡進行管理的過程中，除了對星間鏈路網絡本身的狀態進行監視外，對網絡狀態進行預測同樣非常重要，主要體現在網絡管理以及業務管理[18]兩個層面。

在網絡管理層面。衛星分為境內星和境外星，境內星的遙測數據可以通過較少的時延傳輸到地面段進行狀態提取，而境外星的遙測數據則需要通過境內衛星進行中轉，時延較大。這導致了在處理當前時間的遙測數據時，境外星的數據要滯后，無法得到當前時間下整個星間鏈路網絡的狀態，因此網絡狀態指標的預測對當前境外星的網絡狀態監視能力提供了解決方案。

在業務管理層面。一方面，缺乏對網絡的全域感知可能導致管理人員無法及時發現在網絡運行中發生的緩變故障，等到故障發現時，可能已經造成導航業務無法正常運行，網絡狀態感知可以幫助地面管理人員及早發現問題，及時做出相應的決策，避免出現網絡癱瘓導致業務中斷的情況；另一方面，對于一些依托于星間鏈路進行傳輸，且具有較強實時性要求的業務數據，如北斗衛星全球短報文出站業務，如若選用固定傳輸路徑，可能會導致數據時延過大，如果通過星間鏈路網絡態勢感知，根據網絡實時的流量分布和擁塞狀態進行動態上注星的路徑選取，可以有效減少短報文傳輸所經過的節點數，從而進一步降低短報文的傳輸時延，提升業務性能[19]。

BP神經網絡是深度學習算法中的一種，是按照誤差逆向傳播算法訓練的多層前饋神經網絡。它的提出解決了多層模型中隱含層的連接權問題，有效的提升了神經網絡的自學習和自組織能力，它可以對輸入的多維樣本模型進行特征提取，尋找各個參數與輸出之間的潛在聯系[20]。

本文對星間鏈路網絡狀態指標的預測采用BP神經網絡[21]，相比于灰色預測等傳統的基于時間序列的預測算法，它可以解決星間鏈路網絡狀態預測所需要的多維特征即多個參數的輸入。尋找到最合適的預測模型。

本文以星間鏈路網絡中一個時隙內某下行業務數據的接收計數的預測為例。該遙測計數在一個時隙內的接收計數的主要因素來源于該時隙內其他星對該星的發送計數，因此輸入參數中包括時間信息、該時隙的收發標志。同時由于網絡傳輸時延等因素，上一時隙的計數值以及上幾個時隙內與該星建鏈的所有衛星的發送計數等都會影響最終某下行業務數據的接收計數。對所有有影響的指標進行整理，其利用神經網絡預測的基本結構如圖3所示。

圖3 遙測計數神經網絡結構圖

在本文中，輸入層是通過人工規則以及相關性程度分析所得的各個參數xi,i=1…m,輸出層為預測狀態遙測計數y。為了提升預測結果的正確率，本文借助經驗公式(6)來確定每層隱藏層神經元的個數。

(6)

式中,Cj表示第j層神經元的數量，M表示輸入的樣本數。In,Out表示輸入層和輸出層的神經元個數。α為變量，其范圍一般為2～10。在本文中經過靈敏度分析選擇5層神經元最終的效果較好。

每層神經元的計算值可由公式(7)計算得出。其中xjk表示第j層第k個神經元的計算值。在計算神經元值時采用Sigmod激活函數。w為每個輸入的權重,Wl表示l-1到l層的權重，b為偏置項。

(7)

z=xi*wi+b

(8)

最終神經網絡函數的目標函數見公式(9)：

(9)

訓練時使用梯度下降的方法更新參數，具體算法見公式(10)、(11)。其中α為學習率，其取值分別為0.02，0.2以及0.3。

(10)

(11)

最終通過Keras框架搭建出網絡訓練模型。并最終通過后續遙測網絡狀態指標進行驗證。

4 實驗結果與分析

4.1 實驗步驟及方法

本文按照衛星遙測計數下傳信息對網絡態勢感知中的某個遙測下行計數狀態指標進行分析，利用神經網絡預測算法和灰色預測算法進行對照實驗。驗證狀態指標預測的可行性，基本步驟如下：

步驟一：確定預測指標；星間鏈路狀態指標參數中，計數型指標與星間鏈路網絡業務相關程度較高且可直觀判斷正確性，因此選擇某遙測參數計數作為實驗對象。

步驟二：確定對該指標有影響的參數；參照第二節所述的相關性分析方法，確定影響該指標的所有參數。

步驟三：搭建神經網絡模型；根據第三節所述模型，利用Sklearn包的神經網絡函數搭建預測框架。

步驟四：搭建時序灰色預測模型；編寫灰色預測算法。

步驟五：對照實驗，并進行結果分析。

4.2 實驗結果分析

根據上述實驗步驟，利用網絡狀態模型的預測算法，對一個小時內的數據預測該某計數狀態的預測效果，其中80%的數據為訓練集，20%的數據為測試集。最終預測正確的成功率在87.26%，預測結果與實際結果之差見圖4。

圖4 計數值預測差值

根據圖4所示，每個點表示預測值與真實值差值計數，分別在0上下波動。在圖中顯示預測結果與實際結果差值較少，整體分散在(-3～3)之間，對數據進一步處理，分別對結果數據篩選出差值計數在1、2、3、5內的正確率見表2。

根據表2所示。差值在3以內的正確率達到了98.32%。可以較為準確的預測網絡的狀態指標。為了對預測算法的通用性進行測試，利用灰度預測算法進行對照實驗，分別選取2，3，4，5小時內的數據進行測試。對差值計數在3以內的數據結果統計如圖5所示。

表2 差值范圍內的正確率

圖5 多個小時的預測準確率對照

根據圖5所示，灰度預測算法的正確率在83%左右，同時隨著時間的增加由于歷史數據過多導致正確率降低。BP神經網絡預測網絡狀態隨著時間的延長準確率穩定在98%左右,這可以解決了境外星狀態滯后以及未來異常提前感知的問題。

5 結束語

為了更好地提升地面段對星間鏈路網絡的管理能力，解決星間鏈路網絡中存在的監視能力不足以及預測能力不足的問題，本文對星間鏈路網絡態勢感知模型進行研究。一方面針對于不同的網絡狀態指標，利用簡單計算法以及復雜指標數據挖掘等方法構建出監視型指標和分析型指標的完整星間鏈路狀態指標體系。另一方面利用BP神經網絡對網絡狀態進行預測，可以對未來的網絡狀態提前感知。經實驗測試,預測算法在某狀態指標計數相差3以內的正確率穩定在98%左右。可作為網絡態勢預測的支撐算法。為其他系統如故障分析檢測系統提供了有效的數據支撐，具有較高的可行性。在本文中網絡狀態計數預測完全正確的準確率在87%，仍然有很大的提升空間，未來可以采用更加準確的算法進行預測。