面向空天地一體化網絡的數字孿生技術架構及應用*

李媛，費澤松**，晁子云，黃靖軒，李斌，鄭重

（1.北京理工大學信息與電子學院，北京 100081；2.南京信息工程大學計算機學院，江蘇 南京 210044）

0 引言

隨著通信技術的快速發展，2020年2月，國際電信聯盟啟動了第六代移動通信技術（6G,the 6th Generation Mobile Networks）的研究計劃。相比于第五代移動通信技術（5G，the 5th Generation Mobile Networks）的70%陸地覆蓋率，6G要求陸地覆蓋率提升至99%以上，包括農村和偏遠地區[1]。2021年3月，國際電信聯盟提出在全球范圍內構建立體覆蓋[2]、泛在連接[3]的通信網。在這一背景下，空天地一體化網絡作為6G關鍵技術之一，通過集成地面、空中等多層次通信系統并統一網絡協議，旨在打破地理和技術的界限，實現全球范圍的高效、無縫的通信連接。6G時代的空天地一體化網絡不僅僅是地面基站、衛星、無人機等不同平臺的簡單組合，而是由地基網絡、天基網絡和空基網絡深度融合、協同工作，如圖1所示。通過多域網絡的深度融合，空天地一體化網絡可以有效地綜合利用各種無線資源，實施網絡控制和信息處理，以應對網絡服務的多樣化需求，實現“網絡一體化、功能服務化、應用定制化”的目標[3]。這對于實現全球覆蓋、支撐超高速率和超低延遲通信提供了切實可行的解決方案。更為重要的是，空天地一體化網絡在應對緊急情況、支持物聯網的大規模部署以及推動智慧城市的發展等方面，都顯示出不可替代的作用。

圖1 面向6G的空天地一體化網絡

在過去十幾年中，越來越多的國家和地區開始重視空天地融合網絡[4-5]，積極探索空天地一體化網絡的技術發展和應用領域。然而，建立空天地一體化網絡需要保障多層次的通信業務在任何位置與任意時刻的通信需求，需要具備數據動態轉發能力與持續傳輸能力。此外，空天地一體化的全域系統中，網絡更加異構，資源更加異質，服務更加異需。因此，空天地一體化網絡的相關研究仍然存在諸多挑戰，包括多源數據管理難度大、系統建設周期長、策略驗證成本高、網絡優化效果差等問題。這些挑戰不僅影響了網絡的效率和可靠性，也限制了其在廣泛場景下的應用能力。

在此背景下，數字孿生技術為解決上述難題提供了新的思路和可能性。數字孿生技術的核心在于創建一個精確的、動態的虛擬數字孿生網絡，孿生體能夠實時反映相應物理網絡系統的狀態和性能[6]。該技術的優勢在于能夠進行高效的數據融合分析、實時的狀態監控和低成本的推演驗證，從而顯著提高決策的效率和準確性。在各個領域，包括制造業、醫療保健和城市規劃等，數字孿生已被廣泛應用，并顯示出其強大的潛力。文獻[7]中，作者面向智能制造工廠提出了一種基于數字孿生的大數據虛實融合參考框架。以工業互聯網為載體，將虛擬空間與物理空間深度協調融合，有效推動了智能工廠的發展。在文獻[8]中，作者提出了一種基于遷移學習的多源數據融合的數字孿生建模方法，有效地利用和結合實驗數據和仿真數據，實時監測大尺寸或復雜曲面的結構強度。文獻[9]中，基于數字孿生的智慧城市可以有效融合不同來源的多領域城市數據，幫助補充智慧城市的新信息。虛擬數字城市可驗證各個功能單元的真實性、完整性、可追溯性和數據所有權，確保數據來源真實可靠。在文獻[10]中，作者提出了一種基于聯合神經網絡的疾病診斷算法。該算法可以很好地應用于數字孿生醫療系統，提高疾病診斷的準確性和速度。

數字孿生能夠描述孿生對象當前的運行狀態、診斷過去發生的問題、預測未來的變化趨勢[11]，這為空天地一體化網絡的網絡優化提供了支持。數字孿生技術不僅可以監控衛星、無人機等設備的生命周期，還可以基于歷史信息和通信知識感知系統狀態、無線環境并預測設備行為，從而優化物理空天地網絡中的通信策略。綜上所述，為了解決空天地一體化網絡的多源數據管理難度大、建設周期長、成本高等挑戰，本文提出構建面向空天地一體化多域異構網絡的數字孿生。首先，基于雙向動態交互采集物理世界的大量多源異構數據，分析并建立空天地一體化虛擬網絡。該虛擬網絡不僅包括地面基站、衛星和其他通信設備，還涵蓋了網絡操作的各個方面，支持測試驗證功能。然后，聯合態勢信息感知、預測等功能，對通信網絡的組網策略進行推演分析和優化。

1 空天地一體化的數字孿生技術架構

空天地一體化網絡的數字孿生技術架構如圖2所示。數字孿生技術架構包括兩部分，虛擬空天地一體化網絡和智能決策層。物理空天地一體化網絡和虛擬空天地一體化網絡經過虛實交互進行參數上傳與策略下發。虛擬網絡輸入載體與設備狀態、鏈路與電磁環境狀態、網絡與無線資源狀態數據發送至智能決策層，智能決策層根據不同的策略優化功能進行推演分析得到優化結果，再在虛擬網絡中測試驗證結果的有效性。

圖2 天地一體化網絡的數字孿生系統架構

1.1 虛擬空天地一體化網絡

虛擬空天地一體化網絡的準確孿生可以幫助實時監測和分析設備的運行狀態、預測設備的性能和故障，以及優化設備的運行策略，對基于數字孿生的空天地一體化通信網絡研究具有重要的基礎意義。因此，所構建的天地一體化數字孿生網絡的完整度、準確度和成熟度，極大影響著后續智能決策層中策略優化的性能。為了實現基于空天地一體化數字孿生的優化策略，需要從數字孿生的構建出發，明確空天地一體化網絡中需要孿生的對象。通過實現設備級、鏈路級和網絡級孿生來實現多維多域的天地一體化通信網絡虛擬構建，為基于數字孿生的天地一體化通信網絡優化奠定基礎。

（1）設備級孿生

天地一體化網絡的數字孿生系統對通信網絡設備進行了孿生。設備級孿生包括載體運行參數孿生、通信設備孿生以及無線資源孿生。載體運行參數的孿生是指對衛星、無人機等通信載體的高度、位置、姿態、軌道、速度等參數進行孿生。通信設備的孿生是指針對真實網絡設備建立虛擬仿真節點。虛擬仿真節點主要由空基、天基、地基設備的孿生體構成，每個通信設備的孿生包括硬件孿生和軟件孿生。硬件孿生是指對通信部分的基帶處理單元、射頻處理單元進行孿生，包括物理層協議孿生、MAC層協議孿生、編解碼功能模塊孿生、調制解調功能模塊孿生、功率控制功能模塊孿生等。軟件孿生是指對系統軟件和接口協議進行孿生。無線資源的孿生是指對時、頻、空以及功率域無線通信資源的孿生，例如帶寬、調制編碼方案、同步信號時頻配置方式、波束賦形碼本等。

（2）鏈路級孿生

天地一體化網絡的數字孿生系統對通信網絡的鏈路進行了孿生。該部分被劃分為信道孿生和電磁環境孿生。信道孿生是指基于大、小尺度參數的分布情況，針對網絡傳輸過程的信道沖激響應或信道頻率響應進行孿生。電磁環境孿生針對不同的鏈路類型（如空天鏈路、天地鏈路、空地鏈路）、敵方干擾情況、天氣環境、視距/非視距、移動性等多種通信電磁環境進行孿生。

（3）網絡級孿生

天地一體化網絡的數字孿生還需要對通信網絡的拓撲、路由等進行孿生。需要孿生的拓撲結構主要分為同構網絡拓撲和異構網絡拓撲。同構拓撲的孿生對象主要有地面網絡拓撲、空中網絡拓撲、星間網絡拓撲。異構拓撲的孿生對象是指多種網絡拓撲融合技術，網絡路由具體是指空天地一體化網絡的傳輸路徑規劃。在所構建的網絡拓撲中，需要準確映射不同路由上的路徑、節點數、路由協議、傳輸質量（吞吐量、丟包率、誤碼率、誤塊率等）和路由成本等。

1.2 智能決策層

智能決策層能夠針對特定場景下，給定空間范圍內通信節點部署、通信進程與趨勢進行推演分析，進而實現網絡優化、維護和安全等。如圖2所示，智能決策層包括數據分析，策略推演和綜合指標驗證三個模塊。下一節中，以網絡優化為例，具體闡述了智能決策層的作用。

2 數字孿生技術在空天地一體化網絡中的應用

基于上一節的數字孿生網絡架構，本節展示了其在空天地一體化網絡優化中的應用。面向空天地網絡，無線通信傳播環境感知和設備行為、業務預測將提升數字孿生的豐富性與可擴展性，進而提高空天地一體化網絡的自適應、自優化和自演進能力。

在數字孿生智能決策層的網絡優化模塊中，空天地一體化組網通信策略的優化流程如圖3所示，智能決策層的數據分析子模塊被劃分為了環境感知、業務預測兩部分。首先，基于虛擬網絡獲取的信道數據，孿生體結合數據分析子模塊的環境感知提取信道特征，對物理通信鏈路及電磁環境進行高精度感知。然后，基于設備的歷史流量數據，孿生體利用數據分析子模塊的業務預測部分預測未來時刻的業務流量與通信資源需求。最后，針對特定應用場景的目標策略，使用策略推演模塊進行推演分析。組網策略給出了兩個例子，鏈路切換和資源調度。推演分析完成后在虛擬網絡測試驗證和迭代優化。將最終的優化策略通過虛實交互下發給物理體，從而實現空天地一體化組網策略優化。

圖3 空天地一體化組網通信策略的優化流程

2.1 環境感知

無線通信的服務質量容易受到電磁傳播環境變化的影響，且不同場景之間的特征參量、鏈路級評估模型和物理層算法存在明顯差異。為滿足底層系統調度的實時動態感知與閉環反饋，需要對通信場景進行分類識別。因此，環境感知的核心功能是場景識別。場景識別算法有助于實時調整信道模型和傳輸模式等關鍵通信策略，進而提高通信的有效性和可靠性，以達到通信系統的關鍵指標要求。因此，對通信場景識別技術的研究具有重要的理論意義與應用價值。

如圖4所示，環境感知部分基于機器學習算法，先依據信道特征和環境類別標簽構建環境數據庫，再進行智能化的電磁環境感知。本模塊的環境類別標簽包括鏈路類型（衛星對地面、衛星對高空、衛星對衛星、高空對地面、地面對地面、高空對高空）、天氣狀況（有降雨、無降雨）、噪聲干擾（低噪聲干擾、高噪聲干擾）、相對移動性（靜止、低速、高速）以及可視距類型（視距條件、非視距條件）等。

圖4 基于隨機森林的環境感知流程

首先，構建環境數據庫。提取信道特征，本模塊采用的信道數據特征有路徑損耗、萊斯K因子、時延擴展、多普勒頻移。分別分析四種信道特征和五種環境類型的相關性，結果如圖5所示。相關系數越接近1，表明環境類型與信道特征相關性越強。再選取與每種環境類型相關性較強的特征來訓練環境識別數據庫。本文采用隨機森林算法構建環境識別數據庫，并通過大量信道數據樣本對模型迭代訓練以優化識別性能。隨機森林算法被廣泛應用于大規模數據集和高維數據的識別分類問題[12-14]，該算法先在原始數據集中隨機抽樣，構成多個不同的樣本數據集，再根據這些數據集構建多個不同的決策樹模型，最后根據這些決策樹模型的投票情況來獲取最終結果。隨后利用構建的環境數據庫來進行環境感知。先提取測試信道數據的四種信道特征，然后在數據庫中匹配每種環境對應的具體類型，并輸出結果。

圖5 信道特征和環境類型的相關性分析

環境感知中的各類環境綜合識別結果如表1所示。電磁環境識別的準確率較高，單個場景類型綜合識別準確率達到90%以上。相對移動性的識別準確率最高，因為移動性和易于計算的多普勒頻移強相關。經測試，對于給定場景，五種環境類型的整體識別正確率為82.3%，說明環境感知模塊具備較好的環境識別能力。

表1 各類環境識別準確率

2.2 業務預測

在空天地一體化網絡中，通信設備行為復雜抽象，使得業務流量預測困難。面向復雜、異構的空天地一體化網絡通信設備，數字孿生網絡的業務預測部分提取歷史動態業務流量數據的特征，聯合機器學習算法實現通信設備業務智能預測，具體步驟如圖6所示：

圖6 業務預測具體步驟

首先，基于數字孿生網絡中虛擬網絡給定的通信設備及其歷史流量數據，通過尺度不變特征變換（SIFT,Scale Invariant Feature Transform）技術[15]進行初步特征提取。再將提取的低維特征輸入至卷積神經網絡中。卷積神經網絡[16]通過卷積層、池化層、全連接層組合構成，可識別出時效性、重要性等抽象程度較高的高維特征，完成特征提取任務。最后，再對高維特征進行特征篩選得到關鍵特征。具體篩選過程為通過條件變分自編碼器[17]進行特征增強，通過堆疊自編碼器[18]進行特征降維，以加快特征預測部分網絡運行速度。最后將降維后的特征輸入至長短期記憶（LSTM,Long Short Term Memory）預測網絡[19]，進行設備流量參數預測，得到不同尺度下未來時刻的設備流量參數。

本模塊針對通信設備的傳輸數據量需求、業務重要性進行了預測。傳輸數據量需求是指通信設備在單位時間的流量需求大小，單位為Mbps，其預測結果如圖7所示。業務重要性是指當前通信設備需傳遞的信息的重要程度，越接近1，表明業務重要性等級越高，其預測結果如圖8所示。從第51秒開始，每一秒均基于當前時刻前50秒的數據進行預測。黑色線為實際值，紅色線為基于歷史數據的預測值。在第51秒至400秒內，兩條線高度重疊，且預測結果與實際結果量化誤差均小于5%，說明預測準確性較高。

圖7 傳輸數據量需求預測結果

圖8 業務重要性預測結果

2.3 策略推演

孿生網絡可推演網絡狀態變化趨勢，模擬驗證策略實施結果，最后下發優化策略到物理網絡，實現低本高效的網絡優化。下面給出了兩個具體的例子。

（1）天地路由切換策略

假設在對抗環境下，無人機A需要將探測業務傳輸至地面基站。而無人機B攜帶信號屏蔽器，持續發出干擾信號，并不斷靠近地面基站，將對無人機A 持續產生干擾。無人機A 到地面基站通信鏈路受到干擾，鏈路質量下降。在不切換鏈路的情況下，隨著干擾強度的增加，SNR逐漸下降，導致誤碼率增加，吞吐量下降。但若給定傳輸條件（誤碼率低于1%，吞吐量高于5 Mbps），則可在直接鏈路中斷前，由環境感知部分預先感知到無人機B干擾。在虛擬網絡中推演分析，數字孿生網絡獲知無人機A周圍的地面中繼，選擇一個滿足傳輸時延、切換時延、切換丟包率、切換信令開銷滿足業務要求的地面中繼，且無人機A通過該地面中繼與地面基站的鏈路空閑，則無人機A的傳輸數據傳可由地面中繼回傳至地面基站，繞過受干擾的直接鏈路，從而提高SNR，降低誤碼率。

該場景初始參數設置如表2 所示。隨干擾強度增強，直接鏈路的誤碼率和吞吐量的變化情況如圖9中正方形的藍色線和紅色線所示。基于環境感知和推演分析功能，在誤碼率高于1%前，進行鏈路切換。鏈路切換后的誤碼率和吞吐量的變化情況如圖9中圓形的藍色線和紅色線所示。顯然，在干擾影響無人機A與地面基站通信前，數字孿生技術幫助空天地一體化網絡切換了誤碼率更低、吞吐量更穩定的中繼鏈路，避免了傳輸中斷和數據丟失問題。

表2 天地路由切換場景初始參數

（2）資源調度策略

假設在對抗環境中，多個無人機向衛星傳輸數據。而衛星移動速度快，支持傳輸的時間很短，帶寬資源也十分有限。傳統方案基于導頻反饋獲得的歷史時刻鏈路質量和數據需求調度資源，存在資源調度過時的問題。而數字孿生網絡能夠通過業務預測部分獲取未來時刻無人機的傳輸數據量需求，及時調度時頻資源對無線通信進行優化。

該場景初始參數設置如表3 所示，結果如圖10 所示。基于數字孿生網絡的業務預測和推演分析功能，數字孿生網絡實時資源調度，衛星總接收速率有所提升，三個無人機的總業務完成比例的性能增益隨時間愈發明顯。相比于傳統資源調度策略，基于數字孿生技術的資源調度策略將總接收速率提高了23.32%。在給定的時間范圍內，傳統資源調度策略完成了87.38%的傳輸業務，基于數字孿生技術的資源調度策略完成了99.21%的傳輸業務。

表3 天地路由切換場景初始參數

圖10 資源調度策略優化結果

3 結束語

本文探討數字孿生技術在空天地一體化通信網絡中的應用。數字孿生技術可以實時監測設備的運行狀態、預測設備的性能，并優化設備的運行策略，具有重要的應用價值。在空天地一體化網絡的數字孿生技術的架構中，重點考慮了虛擬網絡與實際網絡的準確對應關系，并利用智能決策層對特定場景下的通信節點部署與通信進程進行預測和優化。這一架構思路為未來空天地一體化通信網絡的研究和應用提供了新的方向。在空天地一體化網絡的數字孿生技術應用中，探討了智能決策層中的數據分析和策略推演等多個子模塊。通過環境感知技術，可以實時獲取通信環境的動態變化，為通信策略的制定提供重要依據；通過業務預測技術，可以預測未來通信業務的發展趨勢和變化規律，為通信網絡的優化提供指導；通過策略推演技術，可以針對特定場景下的通信節點部署與通信進程進行推演分析，為通信策略的制定提供支持。

然而，當前空天地一體化通信網絡的數字孿生仍然面臨一系列挑戰。

1）異構網絡融合：面對多維多域的通信網絡，如何融合異構網絡，實現網絡間的高效協同工作依舊是亟需解決的技術問題；

2）動態環境建模：空天地一體化通信網絡處于復雜多變的電磁環境中，建立一個能夠實時更新收集、處理和分析多源異構數據，準確地反映通信環境的動態變化的數字孿生系統是一項技術難題；

3）策略優化遷移：如何提升空天地一體化網絡策略優化過程的可遷移性也是一個值得思考的問題。

未來，將進一步深入探索更加準確、高效的監測、預測和優化方法，為構建更加智能、高效的空天地一體化通信網絡奠定基礎。