王海學(xué),孫劍偉,田 露
(中國(guó)電子科技集團(tuán) 第十五研究所,北京 100083)
隨著北斗三號(hào)正式組網(wǎng)成功,我國(guó)在航天領(lǐng)域又往前邁了堅(jiān)實(shí)的一步。星間鏈路是提高衛(wèi)星導(dǎo)航系統(tǒng)可靠性和定位精度的一項(xiàng)重要技術(shù),星間鏈路可以在不依賴地面段的情況下,衛(wèi)星之間通過(guò)星間鏈路相互測(cè)距,實(shí)現(xiàn)自主導(dǎo)航,提供應(yīng)急情況下的定位服務(wù)。除此之外,星間鏈路還承擔(dān)著導(dǎo)航系統(tǒng)上下行業(yè)務(wù)信息的星地通信需求[1]。
導(dǎo)航星座的星間鏈路需要在可見(jiàn)范圍內(nèi)與某顆衛(wèi)星建立鏈路進(jìn)行測(cè)量和傳輸數(shù)據(jù)信息,由于衛(wèi)星上的網(wǎng)絡(luò)信道資源有限,因此信道復(fù)用是提升星上資源利用率的有效途徑。衛(wèi)星導(dǎo)航星座通常采用時(shí)分體制星間鏈路,時(shí)分體制是信道復(fù)用的一種方式,它是指在一個(gè)超幀內(nèi),將時(shí)間劃分成若干個(gè)等同的時(shí)間片即時(shí)隙,在每個(gè)時(shí)隙內(nèi)完成衛(wèi)星間不同鏈路的測(cè)量與雙向數(shù)傳功能。本文所設(shè)計(jì)的星間鏈路態(tài)勢(shì)感知系統(tǒng)就是基于時(shí)分體制下設(shè)計(jì)的[2]。
目前對(duì)于星間鏈路網(wǎng)絡(luò)的研究主要集中在兩個(gè)方向。第一個(gè)方向是關(guān)于衛(wèi)星建鏈拓?fù)湟约奥酚煞桨傅囊?guī)劃,針對(duì)于流量分布不均勻、網(wǎng)絡(luò)擁塞、業(yè)務(wù)類型不同等問(wèn)題提出了許多不同路由算法的切實(shí)可行的方案,并取得了較好的實(shí)驗(yàn)結(jié)果[3-9]。第二個(gè)方向是對(duì)星間鏈路網(wǎng)絡(luò)狀態(tài)的評(píng)估,文獻(xiàn)[10]提出了復(fù)雜星間鏈路網(wǎng)絡(luò)規(guī)劃分級(jí)評(píng)估的方案,對(duì)復(fù)雜星間鏈路網(wǎng)絡(luò)規(guī)劃參數(shù)進(jìn)行場(chǎng)景要素、節(jié)點(diǎn)核心特性以及測(cè)量、數(shù)傳服務(wù)關(guān)鍵要求等符合性分析的第一級(jí)快速評(píng)估方法,以及網(wǎng)絡(luò)仿真系統(tǒng)和業(yè)務(wù)服務(wù)指標(biāo)體系的二級(jí)評(píng)估方法,該分級(jí)方法為星間鏈路網(wǎng)絡(luò)規(guī)劃管理的正確性評(píng)估提供了解決方案,文獻(xiàn)[11]構(gòu)建了以O(shè)SI參考模型為依據(jù)的星間鏈路運(yùn)行服務(wù)評(píng)價(jià)體系,提出了利用模糊數(shù)學(xué)理論對(duì)導(dǎo)航衛(wèi)星星間鏈路運(yùn)行服務(wù)進(jìn)行評(píng)估的方法。對(duì)于星間鏈路網(wǎng)路的管理中,目前仍然存在以下兩方面的不足:
1)監(jiān)視能力不足。星間鏈路網(wǎng)絡(luò)的監(jiān)視需要依賴于衛(wèi)星下傳的遙測(cè)信息。在時(shí)分體制下,遙測(cè)信息處理存在兩方面的困難。一方面是遙測(cè)數(shù)據(jù)在傳輸與接收過(guò)程中會(huì)受到天氣、磁場(chǎng)等隨機(jī)因素的情況下產(chǎn)生誤碼,影響數(shù)據(jù)的真實(shí)表達(dá),同時(shí)由于衛(wèi)星在遙測(cè)下傳采樣數(shù)據(jù)時(shí),一個(gè)時(shí)隙內(nèi)會(huì)出現(xiàn)數(shù)據(jù)采樣不完整的情況,建鏈的兩顆衛(wèi)星在同一時(shí)隙內(nèi)各業(yè)務(wù)收發(fā)計(jì)數(shù)不能完全統(tǒng)一,影響網(wǎng)絡(luò)指標(biāo)的提取。另一方面是由于境外星的遙測(cè)數(shù)據(jù)需要經(jīng)過(guò)境內(nèi)中轉(zhuǎn)星才能到達(dá)地面,遙測(cè)的數(shù)據(jù)信息相比境內(nèi)星滯后,導(dǎo)致無(wú)法完整地對(duì)整個(gè)星間鏈路網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)監(jiān)視。這些因素均增加了星間鏈路網(wǎng)絡(luò)管理的困難性。
2)預(yù)測(cè)能力不足。目前星間鏈路網(wǎng)絡(luò)管理缺乏對(duì)網(wǎng)絡(luò)狀態(tài)的預(yù)測(cè),導(dǎo)航系統(tǒng)的各項(xiàng)業(yè)務(wù)運(yùn)行存在較強(qiáng)的規(guī)律性,反映在星間鏈路方面,其網(wǎng)絡(luò)狀態(tài)是可以進(jìn)行預(yù)測(cè)的。對(duì)網(wǎng)絡(luò)狀態(tài)的預(yù)測(cè)不僅有利于對(duì)星間鏈路整體運(yùn)行的監(jiān)視評(píng)估,還有利于網(wǎng)絡(luò)中異常情況的及時(shí)發(fā)現(xiàn),輔助做出正確決策規(guī)避風(fēng)險(xiǎn)。
因此建立對(duì)星間鏈路網(wǎng)絡(luò)的態(tài)勢(shì)感知模型非常重要。網(wǎng)絡(luò)態(tài)勢(shì)感知[12]是指在大規(guī)模網(wǎng)絡(luò)環(huán)境中,對(duì)能夠引起網(wǎng)絡(luò)態(tài)勢(shì)發(fā)生變化的因素進(jìn)行獲取、理解、評(píng)估、顯示以及對(duì)未來(lái)發(fā)展趨勢(shì)的預(yù)測(cè)[13]。如果地面段掌握了星間鏈路網(wǎng)絡(luò)的態(tài)勢(shì)情況,可以對(duì)整體網(wǎng)絡(luò)進(jìn)行監(jiān)視并且綜合評(píng)判網(wǎng)絡(luò)運(yùn)行狀況,提前預(yù)測(cè)出現(xiàn)的異常情況。
本文提出了基于神經(jīng)網(wǎng)絡(luò)對(duì)導(dǎo)航衛(wèi)星星間鏈路態(tài)勢(shì)感知研究。研究提出了構(gòu)建網(wǎng)絡(luò)態(tài)勢(shì)感知的整體功能架構(gòu),明確了星間鏈路網(wǎng)絡(luò)態(tài)勢(shì)感知系統(tǒng)設(shè)計(jì)的流程;研究提出了對(duì)衛(wèi)星網(wǎng)絡(luò)相關(guān)遙測(cè)數(shù)據(jù)的預(yù)處理方案,還原出衛(wèi)星節(jié)點(diǎn)真實(shí)的遙測(cè)計(jì)數(shù)信息;研究提出了星間鏈路網(wǎng)絡(luò)態(tài)勢(shì)感知的網(wǎng)絡(luò)狀態(tài)指標(biāo)提取方案,完成了監(jiān)視型網(wǎng)絡(luò)狀態(tài)指標(biāo)的計(jì)算以及利用數(shù)據(jù)挖掘方法的復(fù)雜分析型指標(biāo)的提取;研究提出了對(duì)部分網(wǎng)絡(luò)狀態(tài)指標(biāo)基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方案。通過(guò)實(shí)驗(yàn),對(duì)某狀態(tài)指標(biāo)的預(yù)測(cè)準(zhǔn)確率達(dá)到了98%左右,結(jié)果表明該間鏈路態(tài)勢(shì)感知模型具有較高的可行性,可以有效提升地面運(yùn)行管理系統(tǒng)對(duì)星間鏈路的監(jiān)視及管理能力。
星間鏈路網(wǎng)絡(luò)態(tài)勢(shì)感知旨在為地面運(yùn)行管理系統(tǒng)提供實(shí)時(shí)的星間鏈路狀態(tài)監(jiān)測(cè)以及未來(lái)狀態(tài)的預(yù)測(cè)方案,支撐其他導(dǎo)航業(yè)務(wù)實(shí)現(xiàn)上注選星、故障診斷決策等多種服務(wù)要求,是確保星間鏈路高效運(yùn)行的重要手段。
根據(jù)層次劃分的思想,星間鏈路網(wǎng)絡(luò)態(tài)勢(shì)感知系統(tǒng)可分解為遙測(cè)數(shù)據(jù)解析與預(yù)處理、星間鏈路網(wǎng)絡(luò)狀態(tài)指標(biāo)提取、網(wǎng)絡(luò)狀態(tài)指標(biāo)預(yù)測(cè)3個(gè)層次,其架構(gòu)如圖1所示。
圖1 星間鏈路網(wǎng)絡(luò)態(tài)勢(shì)感知模型架構(gòu)
遙測(cè)數(shù)據(jù)預(yù)處理主要是將衛(wèi)星遙測(cè)下傳的狀態(tài)信息進(jìn)行解析,同時(shí)根據(jù)業(yè)務(wù)數(shù)據(jù)規(guī)則對(duì)下傳遙測(cè)數(shù)據(jù)中因噪聲以及傳輸時(shí)導(dǎo)致的數(shù)據(jù)缺失問(wèn)題進(jìn)行處理,還原出完善的遙測(cè)信息;星間鏈路網(wǎng)絡(luò)狀態(tài)指標(biāo)提取是將預(yù)處理的數(shù)據(jù)進(jìn)行指標(biāo)抽取,在該模塊下分為監(jiān)視型指標(biāo)的抽取以及分析型指標(biāo)的計(jì)算;網(wǎng)絡(luò)狀態(tài)指標(biāo)的預(yù)測(cè)主要是根據(jù)歷史信息結(jié)合遙測(cè)信息具有滯后性的特點(diǎn)預(yù)測(cè)當(dāng)前時(shí)段的狀態(tài)以及未來(lái)時(shí)段的各種指標(biāo)狀態(tài)信息,可以用于輔助決策。
星間鏈路在運(yùn)行過(guò)程中會(huì)產(chǎn)生大量信息,包括硬件模塊狀態(tài)信息、軟件系統(tǒng)狀態(tài)信息、衛(wèi)星工作數(shù)據(jù)信息、衛(wèi)星管理狀態(tài)信息、建鏈狀態(tài)信息等[14]。這些信息作為遙測(cè)信息下傳至地面段。這些遙測(cè)信息非常復(fù)雜,通過(guò)一定處理可以得到衛(wèi)星的真實(shí)運(yùn)行情況,可以成為星間鏈路狀態(tài)分析及監(jiān)視處理的重要數(shù)據(jù)來(lái)源。
遙測(cè)數(shù)據(jù)通常是原始的測(cè)量與計(jì)數(shù)信息,衛(wèi)星遙測(cè)數(shù)據(jù)從衛(wèi)星發(fā)出至地面監(jiān)測(cè)站接收的過(guò)程中,會(huì)受到天氣、磁場(chǎng)等多種隨機(jī)因素的耦合影響,會(huì)產(chǎn)生數(shù)據(jù)嚴(yán)重偏離真實(shí)值的誤碼,影響數(shù)據(jù)實(shí)際表達(dá)[15]。需要對(duì)這些遙測(cè)數(shù)據(jù)進(jìn)一步工程化誤碼剔除方便對(duì)衛(wèi)星的狀態(tài)信息進(jìn)行獲取感知。
在時(shí)分體制下的導(dǎo)航衛(wèi)星星座中,每個(gè)時(shí)隙為3秒。每個(gè)時(shí)隙又可分為接收與發(fā)送兩個(gè)狀態(tài)。在整個(gè)星座中,不同的衛(wèi)星有不同的采樣周期和采樣節(jié)拍,遙測(cè)收發(fā)計(jì)數(shù)的采樣不能完全與一個(gè)時(shí)隙的接收與發(fā)送狀態(tài)相對(duì)應(yīng),導(dǎo)致一個(gè)時(shí)隙內(nèi)各秒采樣的數(shù)據(jù)不完整甚至缺失,進(jìn)而會(huì)使建鏈的兩顆衛(wèi)星相鄰兩個(gè)時(shí)隙的業(yè)務(wù)數(shù)據(jù)接收與發(fā)送計(jì)數(shù)差值不能完全對(duì)應(yīng)。因此除了對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)解析及誤碼剔除外,還需要利用網(wǎng)絡(luò)傳輸?shù)膶?duì)稱性和業(yè)務(wù)傳輸特性完善數(shù)據(jù),最終還原出每個(gè)時(shí)隙網(wǎng)絡(luò)中每條鏈路上傳輸?shù)母鳂I(yè)務(wù)的傳輸幀數(shù)。
因此星間鏈路網(wǎng)絡(luò)態(tài)勢(shì)感知系統(tǒng)對(duì)數(shù)據(jù)預(yù)處理主要分為解析及誤碼剔除、與數(shù)據(jù)校驗(yàn)及補(bǔ)齊處理兩個(gè)部分。
1)數(shù)據(jù)的解析及誤碼剔除;衛(wèi)星下傳的數(shù)據(jù)為二進(jìn)制數(shù)據(jù),難以從二進(jìn)制中獲得對(duì)星上各類狀態(tài)參數(shù)的表達(dá),因此該階段主要是將衛(wèi)星下傳的遙測(cè)數(shù)據(jù)根據(jù)接口規(guī)則通過(guò)編碼解析得到每個(gè)字段的工程數(shù)值,同時(shí)針對(duì)偏離實(shí)際值的誤碼進(jìn)行閾值剔除,用于對(duì)數(shù)據(jù)做進(jìn)一步的處理。
2)數(shù)據(jù)校驗(yàn)及補(bǔ)齊處理;該階段主要是對(duì)遙測(cè)數(shù)據(jù)的采樣進(jìn)行正確性分析及數(shù)據(jù)補(bǔ)充。首先將全網(wǎng)衛(wèi)星的網(wǎng)絡(luò)相關(guān)遙測(cè)數(shù)據(jù)根據(jù)星上時(shí)映射到時(shí)隙列表,對(duì)每個(gè)時(shí)隙中收發(fā)狀態(tài)及采樣收發(fā)計(jì)數(shù)進(jìn)行對(duì)應(yīng)的數(shù)據(jù)篩選。其次針對(duì)上下行特征業(yè)務(wù)信息,根據(jù)其本身特點(diǎn)對(duì)網(wǎng)絡(luò)遙測(cè)數(shù)據(jù)進(jìn)行推理補(bǔ)充處理,如遙控?cái)?shù)據(jù)只可能由境內(nèi)星傳遞給境外星,遙測(cè)下行數(shù)據(jù)只可能由境外衛(wèi)星傳遞給境內(nèi)衛(wèi)星,通過(guò)業(yè)務(wù)分析判斷部分衛(wèi)星在某時(shí)隙遙測(cè)數(shù)據(jù)的正確性進(jìn)而推測(cè)與其建鏈的其它衛(wèi)星對(duì)應(yīng)采樣數(shù)據(jù)。分別對(duì)每個(gè)業(yè)務(wù)數(shù)據(jù)進(jìn)行正確性分析后,最終遞歸所有參數(shù)信息根據(jù)其遙測(cè)特點(diǎn)得出所有遙測(cè)計(jì)數(shù)的正確值。
在上述預(yù)處理過(guò)程,解析得到每個(gè)衛(wèi)星星間鏈路有關(guān)的參數(shù)信息,首先按每秒進(jìn)行正確性處理,得出在一個(gè)小時(shí)內(nèi)某個(gè)業(yè)務(wù)參數(shù)的正確數(shù)據(jù)達(dá)到86.564 7%。由于星間鏈路遙測(cè)參數(shù)每個(gè)時(shí)隙中的業(yè)務(wù)數(shù)據(jù)數(shù)三秒應(yīng)為同一采樣數(shù)值,因此將三秒的數(shù)據(jù)映射整合為一個(gè)時(shí)隙的數(shù)據(jù)。最終在一個(gè)小時(shí)的遙測(cè)數(shù)據(jù)統(tǒng)計(jì)中,某參數(shù)的正確性數(shù)值達(dá)到99.124 1%,該數(shù)據(jù)表明對(duì)星上衛(wèi)星參數(shù)的實(shí)際采樣數(shù)值有了較好的還原,對(duì)后續(xù)網(wǎng)絡(luò)狀態(tài)指標(biāo)的監(jiān)測(cè)將更符合實(shí)際衛(wèi)星在軌運(yùn)行的狀態(tài)信息。
星間鏈路運(yùn)行監(jiān)視中,需要依托于一個(gè)內(nèi)容全面、指標(biāo)科學(xué)的網(wǎng)絡(luò)狀態(tài)指標(biāo)體系,在本文中網(wǎng)絡(luò)狀態(tài)的指標(biāo)體系是根據(jù)遙測(cè)數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘分析而來(lái)的。在龐大的遙測(cè)參數(shù)中,除其中已經(jīng)包含的各種設(shè)備的工作狀態(tài)以及各類標(biāo)志外,還需要更多的網(wǎng)絡(luò)狀態(tài)指標(biāo)如擁塞度、發(fā)送速率、帶寬利用率、節(jié)點(diǎn)緩存占用率等。這些指標(biāo)是需要通過(guò)進(jìn)一步分析綜合得出,這類指標(biāo)在下文統(tǒng)稱為計(jì)算指標(biāo)。計(jì)算指標(biāo)分為監(jiān)視型指標(biāo)和分析型指標(biāo)。
2.2.1 監(jiān)視型指標(biāo)
監(jiān)視型指標(biāo)在實(shí)際應(yīng)用中又可以稱為簡(jiǎn)單計(jì)算型指標(biāo),是指這些指標(biāo)往往可以根據(jù)人工經(jīng)過(guò)簡(jiǎn)單的分析計(jì)算而來(lái),可以對(duì)星間鏈路網(wǎng)絡(luò)狀態(tài)進(jìn)行直觀監(jiān)視。本文以兩種指標(biāo)帶寬利用率以及轉(zhuǎn)發(fā)率進(jìn)行概述,簡(jiǎn)要分析該指標(biāo)的計(jì)算過(guò)程。
某設(shè)備帶寬利用率指標(biāo)的提取主要是根據(jù)該設(shè)備所有隊(duì)列的當(dāng)前轉(zhuǎn)發(fā)情況進(jìn)行計(jì)算。假設(shè)該設(shè)備存在n個(gè)接收隊(duì)列,m個(gè)發(fā)送隊(duì)列,其中接收隊(duì)列當(dāng)前可用標(biāo)志可以用一維向量Vm和Vn表示,其中1代表該時(shí)段可發(fā)送/接收,0代表當(dāng)前時(shí)段不可發(fā)送/接收。同時(shí)每個(gè)隊(duì)列當(dāng)前的發(fā)送/接收數(shù)量統(tǒng)計(jì)分別用SendCounti,(i=1,…,m),以及RecvCountj,(j=1,…,n)。該設(shè)備帶寬為B。則在該時(shí)段當(dāng)前設(shè)備的帶寬利用率W的計(jì)算見(jiàn)公式(1):
(1)
轉(zhuǎn)發(fā)率則需要根據(jù)不同的頻率進(jìn)行統(tǒng)計(jì)。假設(shè)當(dāng)前時(shí)間為t1,頻率為n秒一次,當(dāng)前數(shù)據(jù)轉(zhuǎn)發(fā)量為Ct。那么該時(shí)間段內(nèi)的轉(zhuǎn)發(fā)率FRate見(jiàn)公式(2):
(2)
通過(guò)人工規(guī)則進(jìn)行推算可以完成其他星間鏈路網(wǎng)絡(luò)狀態(tài)指標(biāo)的計(jì)算。
2.2.2 分析型指標(biāo)
該類指標(biāo)為網(wǎng)絡(luò)狀態(tài)的一些宏觀狀態(tài),比如當(dāng)前時(shí)段的擁塞程度、衛(wèi)星節(jié)點(diǎn)健康狀態(tài)等。這些指標(biāo)與星間鏈路網(wǎng)絡(luò)上所有軟硬件設(shè)備息息相關(guān),任何軟硬件的狀態(tài)信息都會(huì)影響整個(gè)節(jié)點(diǎn)的擁塞度,由于軟硬件遙測(cè)信息眾多,往往不能通過(guò)一些簡(jiǎn)單的計(jì)算得出。在實(shí)際應(yīng)用中,衛(wèi)星出于安全性以及可靠性的考慮,使得衛(wèi)星遙測(cè)參數(shù)中存在部分冗余數(shù)據(jù),會(huì)導(dǎo)致多個(gè)不同的參數(shù)反映一個(gè)狀態(tài),這些參數(shù)應(yīng)存在明顯的相關(guān)關(guān)系,有些參數(shù)很難通過(guò)人工確定其相關(guān)程度,因此需要利用一些算法如相關(guān)性分析等數(shù)據(jù)挖掘的方法找出與復(fù)雜性指標(biāo)有關(guān)的各類遙測(cè)參數(shù)信息,再根據(jù)算法進(jìn)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(jù)已知規(guī)則可以確定部分參數(shù)與該指標(biāo)有關(guān)[17],由于衛(wèi)星星間鏈路是一個(gè)超復(fù)雜性系統(tǒng),參數(shù)眾多,仍然有很多參數(shù)會(huì)對(duì)擁塞程度有影響。通過(guò)已知的相關(guān)部分參數(shù)和其他所有參數(shù)進(jìn)行相關(guān)性分析,找出其它與擁塞程度相關(guān)度高的參數(shù)。假設(shè)已知相關(guān)性程度高的參數(shù)為Wi,(i=1…m)。通過(guò)相關(guān)性分析法找出的其他有影響的參數(shù)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(gè)遙測(cè)參數(shù)取值范圍不同,對(duì)數(shù)據(jù)進(jìn)行歸一化處理,消除部分?jǐn)?shù)據(jù)取值區(qū)間不同所帶來(lái)的影響。假設(shè)遙測(cè)數(shù)據(jù)為datai,歸一化函數(shù)見(jiàn)公式:
(3)
步驟2:利用相關(guān)性分析法對(duì)每個(gè)已知有影響的指標(biāo)如該時(shí)隙每秒的衛(wèi)星接收與發(fā)送計(jì)數(shù)等和其他所有指標(biāo)進(jìn)行相關(guān)性分析。本文采用Pearson相關(guān)系數(shù)[16]進(jìn)行相關(guān)性分析。由人工判定對(duì)狀態(tài)有影響的參數(shù)為Yj,j=1…n,其它待確定的參數(shù)為Xi,i=1…N-n。其兩者之間的相關(guān)性程度ρXY可由公式計(jì)算得出:
(4)
遙測(cè)參數(shù)眾多,部分利用Pearson相關(guān)系數(shù)得出的熱力圖如圖2所示,在圖2中,Param9,Param10為已知對(duì)擁塞程度有影響的參數(shù),其余參數(shù)和其的相關(guān)性程度系數(shù)為圖方格內(nèi)的數(shù)字。其中顏色越深相關(guān)性系數(shù)越大表示與該參數(shù)相關(guān)性程度越高。在圖2中,有兩種相關(guān)性關(guān)系,分別為隨著一個(gè)參數(shù)增加另一個(gè)參數(shù)也相應(yīng)增加的正相關(guān)關(guān)系與一個(gè)參數(shù)增加另一個(gè)參數(shù)降低的負(fù)相關(guān)關(guān)系。兩種相關(guān)關(guān)系均會(huì)對(duì)最終的復(fù)雜網(wǎng)絡(luò)狀態(tài)指標(biāo)產(chǎn)生影響,因此需要同時(shí)將兩種相關(guān)關(guān)系的參數(shù)納入復(fù)雜指標(biāo)的提取中。
圖2 遙測(cè)參數(shù)相關(guān)性系數(shù)熱力圖
步驟3:篩選出指標(biāo)在相關(guān)性程度為(-1~-0.6,0.6~1)之間的所有對(duì)擁塞程度有影響的數(shù)據(jù)。假設(shè)對(duì)擁塞程度有影響的數(shù)據(jù)總量為M。
步驟4:綜合提取擁塞度。在步驟1中所有參數(shù)均與已知有影響的指標(biāo)有不同程度相關(guān)系數(shù),則該參數(shù)對(duì)擁塞度總的貢獻(xiàn)程度為對(duì)每個(gè)已知相關(guān)參數(shù)的相關(guān)性程度系數(shù)求和取平均。而已知相關(guān)參數(shù)的貢獻(xiàn)度均為1。那么所有參數(shù)對(duì)應(yīng)的貢獻(xiàn)度用ρXYk,k=1,…,M表示。那么擁塞程度Congestion的計(jì)算見(jiàn)公式:
(5)
經(jīng)過(guò)以上簡(jiǎn)單計(jì)算以及復(fù)雜指標(biāo)提取方法的綜合處理,可以得到星間鏈路網(wǎng)絡(luò)態(tài)勢(shì)感知系統(tǒng)的部分網(wǎng)絡(luò)狀態(tài)指標(biāo)見(jiàn)表1。
表1 網(wǎng)絡(luò)狀態(tài)指標(biāo)
在對(duì)星間鏈路網(wǎng)絡(luò)進(jìn)行管理的過(guò)程中,除了對(duì)星間鏈路網(wǎng)絡(luò)本身的狀態(tài)進(jìn)行監(jiān)視外,對(duì)網(wǎng)絡(luò)狀態(tài)進(jìn)行預(yù)測(cè)同樣非常重要,主要體現(xiàn)在網(wǎng)絡(luò)管理以及業(yè)務(wù)管理[18]兩個(gè)層面。
在網(wǎng)絡(luò)管理層面。衛(wèi)星分為境內(nèi)星和境外星,境內(nèi)星的遙測(cè)數(shù)據(jù)可以通過(guò)較少的時(shí)延傳輸?shù)降孛娑芜M(jìn)行狀態(tài)提取,而境外星的遙測(cè)數(shù)據(jù)則需要通過(guò)境內(nèi)衛(wèi)星進(jìn)行中轉(zhuǎn),時(shí)延較大。這導(dǎo)致了在處理當(dāng)前時(shí)間的遙測(cè)數(shù)據(jù)時(shí),境外星的數(shù)據(jù)要滯后,無(wú)法得到當(dāng)前時(shí)間下整個(gè)星間鏈路網(wǎng)絡(luò)的狀態(tài),因此網(wǎng)絡(luò)狀態(tài)指標(biāo)的預(yù)測(cè)對(duì)當(dāng)前境外星的網(wǎng)絡(luò)狀態(tài)監(jiān)視能力提供了解決方案。
在業(yè)務(wù)管理層面。一方面,缺乏對(duì)網(wǎng)絡(luò)的全域感知可能導(dǎo)致管理人員無(wú)法及時(shí)發(fā)現(xiàn)在網(wǎng)絡(luò)運(yùn)行中發(fā)生的緩變故障,等到故障發(fā)現(xiàn)時(shí),可能已經(jīng)造成導(dǎo)航業(yè)務(wù)無(wú)法正常運(yùn)行,網(wǎng)絡(luò)狀態(tài)感知可以幫助地面管理人員及早發(fā)現(xiàn)問(wèn)題,及時(shí)做出相應(yīng)的決策,避免出現(xiàn)網(wǎng)絡(luò)癱瘓導(dǎo)致業(yè)務(wù)中斷的情況;另一方面,對(duì)于一些依托于星間鏈路進(jìn)行傳輸,且具有較強(qiáng)實(shí)時(shí)性要求的業(yè)務(wù)數(shù)據(jù),如北斗衛(wèi)星全球短報(bào)文出站業(yè)務(wù),如若選用固定傳輸路徑,可能會(huì)導(dǎo)致數(shù)據(jù)時(shí)延過(guò)大,如果通過(guò)星間鏈路網(wǎng)絡(luò)態(tài)勢(shì)感知,根據(jù)網(wǎng)絡(luò)實(shí)時(shí)的流量分布和擁塞狀態(tài)進(jìn)行動(dòng)態(tài)上注星的路徑選取,可以有效減少短報(bào)文傳輸所經(jīng)過(guò)的節(jié)點(diǎn)數(shù),從而進(jìn)一步降低短報(bào)文的傳輸時(shí)延,提升業(yè)務(wù)性能[19]。
BP神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)算法中的一種,是按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)。它的提出解決了多層模型中隱含層的連接權(quán)問(wèn)題,有效的提升了神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和自組織能力,它可以對(duì)輸入的多維樣本模型進(jìn)行特征提取,尋找各個(gè)參數(shù)與輸出之間的潛在聯(lián)系[20]。
本文對(duì)星間鏈路網(wǎng)絡(luò)狀態(tài)指標(biāo)的預(yù)測(cè)采用BP神經(jīng)網(wǎng)絡(luò)[21],相比于灰色預(yù)測(cè)等傳統(tǒng)的基于時(shí)間序列的預(yù)測(cè)算法,它可以解決星間鏈路網(wǎng)絡(luò)狀態(tài)預(yù)測(cè)所需要的多維特征即多個(gè)參數(shù)的輸入。尋找到最合適的預(yù)測(cè)模型。
本文以星間鏈路網(wǎng)絡(luò)中一個(gè)時(shí)隙內(nèi)某下行業(yè)務(wù)數(shù)據(jù)的接收計(jì)數(shù)的預(yù)測(cè)為例。該遙測(cè)計(jì)數(shù)在一個(gè)時(shí)隙內(nèi)的接收計(jì)數(shù)的主要因素來(lái)源于該時(shí)隙內(nèi)其他星對(duì)該星的發(fā)送計(jì)數(shù),因此輸入?yún)?shù)中包括時(shí)間信息、該時(shí)隙的收發(fā)標(biāo)志。同時(shí)由于網(wǎng)絡(luò)傳輸時(shí)延等因素,上一時(shí)隙的計(jì)數(shù)值以及上幾個(gè)時(shí)隙內(nèi)與該星建鏈的所有衛(wèi)星的發(fā)送計(jì)數(shù)等都會(huì)影響最終某下行業(yè)務(wù)數(shù)據(jù)的接收計(jì)數(shù)。對(duì)所有有影響的指標(biāo)進(jìn)行整理,其利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的基本結(jié)構(gòu)如圖3所示。
圖3 遙測(cè)計(jì)數(shù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖
在本文中,輸入層是通過(guò)人工規(guī)則以及相關(guān)性程度分析所得的各個(gè)參數(shù)xi,i=1…m,輸出層為預(yù)測(cè)狀態(tài)遙測(cè)計(jì)數(shù)y。為了提升預(yù)測(cè)結(jié)果的正確率,本文借助經(jīng)驗(yàn)公式(6)來(lái)確定每層隱藏層神經(jīng)元的個(gè)數(shù)。
(6)
式中,Cj表示第j層神經(jīng)元的數(shù)量,M表示輸入的樣本數(shù)。In,Out表示輸入層和輸出層的神經(jīng)元個(gè)數(shù)。α為變量,其范圍一般為2~10。在本文中經(jīng)過(guò)靈敏度分析選擇5層神經(jīng)元最終的效果較好。
每層神經(jīng)元的計(jì)算值可由公式(7)計(jì)算得出。其中xjk表示第j層第k個(gè)神經(jīng)元的計(jì)算值。在計(jì)算神經(jīng)元值時(shí)采用Sigmod激活函數(shù)。w為每個(gè)輸入的權(quán)重,Wl表示l-1到l層的權(quán)重,b為偏置項(xiàng)。
(7)
z=xi*wi+b
(8)
最終神經(jīng)網(wǎng)絡(luò)函數(shù)的目標(biāo)函數(shù)見(jiàn)公式(9):
(9)
訓(xùn)練時(shí)使用梯度下降的方法更新參數(shù),具體算法見(jiàn)公式(10)、(11)。其中α為學(xué)習(xí)率,其取值分別為0.02,0.2以及0.3。
(10)
(11)
最終通過(guò)Keras框架搭建出網(wǎng)絡(luò)訓(xùn)練模型。并最終通過(guò)后續(xù)遙測(cè)網(wǎng)絡(luò)狀態(tài)指標(biāo)進(jìn)行驗(yàn)證。
本文按照衛(wèi)星遙測(cè)計(jì)數(shù)下傳信息對(duì)網(wǎng)絡(luò)態(tài)勢(shì)感知中的某個(gè)遙測(cè)下行計(jì)數(shù)狀態(tài)指標(biāo)進(jìn)行分析,利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法和灰色預(yù)測(cè)算法進(jìn)行對(duì)照實(shí)驗(yàn)。驗(yàn)證狀態(tài)指標(biāo)預(yù)測(cè)的可行性,基本步驟如下:
步驟一:確定預(yù)測(cè)指標(biāo);星間鏈路狀態(tài)指標(biāo)參數(shù)中,計(jì)數(shù)型指標(biāo)與星間鏈路網(wǎng)絡(luò)業(yè)務(wù)相關(guān)程度較高且可直觀判斷正確性,因此選擇某遙測(cè)參數(shù)計(jì)數(shù)作為實(shí)驗(yàn)對(duì)象。
步驟二:確定對(duì)該指標(biāo)有影響的參數(shù);參照第二節(jié)所述的相關(guān)性分析方法,確定影響該指標(biāo)的所有參數(shù)。
步驟三:搭建神經(jīng)網(wǎng)絡(luò)模型;根據(jù)第三節(jié)所述模型,利用Sklearn包的神經(jīng)網(wǎng)絡(luò)函數(shù)搭建預(yù)測(cè)框架。
步驟四:搭建時(shí)序灰色預(yù)測(cè)模型;編寫(xiě)灰色預(yù)測(cè)算法。
步驟五:對(duì)照實(shí)驗(yàn),并進(jìn)行結(jié)果分析。
根據(jù)上述實(shí)驗(yàn)步驟,利用網(wǎng)絡(luò)狀態(tài)模型的預(yù)測(cè)算法,對(duì)一個(gè)小時(shí)內(nèi)的數(shù)據(jù)預(yù)測(cè)該某計(jì)數(shù)狀態(tài)的預(yù)測(cè)效果,其中80%的數(shù)據(jù)為訓(xùn)練集,20%的數(shù)據(jù)為測(cè)試集。最終預(yù)測(cè)正確的成功率在87.26%,預(yù)測(cè)結(jié)果與實(shí)際結(jié)果之差見(jiàn)圖4。
圖4 計(jì)數(shù)值預(yù)測(cè)差值
根據(jù)圖4所示,每個(gè)點(diǎn)表示預(yù)測(cè)值與真實(shí)值差值計(jì)數(shù),分別在0上下波動(dòng)。在圖中顯示預(yù)測(cè)結(jié)果與實(shí)際結(jié)果差值較少,整體分散在(-3~3)之間,對(duì)數(shù)據(jù)進(jìn)一步處理,分別對(duì)結(jié)果數(shù)據(jù)篩選出差值計(jì)數(shù)在1、2、3、5內(nèi)的正確率見(jiàn)表2。
根據(jù)表2所示。差值在3以內(nèi)的正確率達(dá)到了98.32%??梢暂^為準(zhǔn)確的預(yù)測(cè)網(wǎng)絡(luò)的狀態(tài)指標(biāo)。為了對(duì)預(yù)測(cè)算法的通用性進(jìn)行測(cè)試,利用灰度預(yù)測(cè)算法進(jìn)行對(duì)照實(shí)驗(yàn),分別選取2,3,4,5小時(shí)內(nèi)的數(shù)據(jù)進(jìn)行測(cè)試。對(duì)差值計(jì)數(shù)在3以內(nèi)的數(shù)據(jù)結(jié)果統(tǒng)計(jì)如圖5所示。
表2 差值范圍內(nèi)的正確率
圖5 多個(gè)小時(shí)的預(yù)測(cè)準(zhǔn)確率對(duì)照
根據(jù)圖5所示,灰度預(yù)測(cè)算法的正確率在83%左右,同時(shí)隨著時(shí)間的增加由于歷史數(shù)據(jù)過(guò)多導(dǎo)致正確率降低。BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)網(wǎng)絡(luò)狀態(tài)隨著時(shí)間的延長(zhǎng)準(zhǔn)確率穩(wěn)定在98%左右,這可以解決了境外星狀態(tài)滯后以及未來(lái)異常提前感知的問(wèn)題。
為了更好地提升地面段對(duì)星間鏈路網(wǎng)絡(luò)的管理能力,解決星間鏈路網(wǎng)絡(luò)中存在的監(jiān)視能力不足以及預(yù)測(cè)能力不足的問(wèn)題,本文對(duì)星間鏈路網(wǎng)絡(luò)態(tài)勢(shì)感知模型進(jìn)行研究。一方面針對(duì)于不同的網(wǎng)絡(luò)狀態(tài)指標(biāo),利用簡(jiǎn)單計(jì)算法以及復(fù)雜指標(biāo)數(shù)據(jù)挖掘等方法構(gòu)建出監(jiān)視型指標(biāo)和分析型指標(biāo)的完整星間鏈路狀態(tài)指標(biāo)體系。另一方面利用BP神經(jīng)網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)狀態(tài)進(jìn)行預(yù)測(cè),可以對(duì)未來(lái)的網(wǎng)絡(luò)狀態(tài)提前感知。經(jīng)實(shí)驗(yàn)測(cè)試,預(yù)測(cè)算法在某狀態(tài)指標(biāo)計(jì)數(shù)相差3以內(nèi)的正確率穩(wěn)定在98%左右??勺鳛榫W(wǎng)絡(luò)態(tài)勢(shì)預(yù)測(cè)的支撐算法。為其他系統(tǒng)如故障分析檢測(cè)系統(tǒng)提供了有效的數(shù)據(jù)支撐,具有較高的可行性。在本文中網(wǎng)絡(luò)狀態(tài)計(jì)數(shù)預(yù)測(cè)完全正確的準(zhǔn)確率在87%,仍然有很大的提升空間,未來(lái)可以采用更加準(zhǔn)確的算法進(jìn)行預(yù)測(cè)。