基于神經(jīng)網(wǎng)絡(luò)的導(dǎo)航衛(wèi)星星間鏈路網(wǎng)絡(luò)態(tài)勢感知模型研究

王海學(xué)，孫劍偉，田 露

(中國電子科技集團(tuán) 第十五研究所，北京 100083)

0 引言

隨著北斗三號正式組網(wǎng)成功，我國在航天領(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)星之間通過星間鏈路相互測距，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范圍內(nèi)與某顆衛(wèi)星建立鏈路進(jìn)行測量和傳輸數(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)星間不同鏈路的測量與雙向數(shù)傳功能。本文所設(shè)計(jì)的星間鏈路態(tài)勢感知系統(tǒng)就是基于時(shí)分體制下設(shè)計(jì)的[2]。

目前對于星間鏈路網(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，針對于流量分布不均勻、網(wǎng)絡(luò)擁塞、業(yè)務(wù)類型不同等問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)方向是對星間鏈路網(wǎng)絡(luò)狀態(tài)的評估，文獻(xiàn)[10]提出了復(fù)雜星間鏈路網(wǎng)絡(luò)規(guī)劃分級評估的方案，對復(fù)雜星間鏈路網(wǎng)絡(luò)規(guī)劃參數(shù)進(jìn)行場景要素、節(jié)點(diǎn)核心特性以及測量、數(shù)傳服務(wù)關(guān)鍵要求等符合性分析的第一級快速評估方法，以及網(wǎng)絡(luò)仿真系統(tǒng)和業(yè)務(wù)服務(wù)指標(biāo)體系的二級評估方法，該分級方法為星間鏈路網(wǎng)絡(luò)規(guī)劃管理的正確性評估提供了解決方案，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)評價(jià)體系，提出了利用模糊數(shù)學(xué)理論對導(dǎo)航衛(wèi)星星間鏈路運(yùn)行服務(wù)進(jìn)行評估的方法。對于星間鏈路網(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)星下傳的遙測信息。在時(shí)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(shù)據(jù)在傳輸與接收過程中會受到天氣、磁場等隨機(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)星在遙測下傳采樣數(shù)據(jù)時(shí)，一個(gè)時(shí)隙內(nèi)會出現(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數(shù)據(jù)需要經(jīng)過境內(nèi)中轉(zhuǎn)星才能到達(dá)地面，遙測的數(shù)據(jù)信息相比境內(nèi)星滯后，導(dǎo)致無法完整地對整個(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)測能力不足。目前星間鏈路網(wǎng)絡(luò)管理缺乏對網(wǎng)絡(luò)狀態(tài)的預(yù)測，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)測的。對網(wǎng)絡(luò)狀態(tài)的預(yù)測不僅有利于對星間鏈路整體運(yùn)行的監(jiān)視評估，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)。

因此建立對星間鏈路網(wǎng)絡(luò)的態(tài)勢感知模型非常重要。網(wǎng)絡(luò)態(tài)勢感知[12]是指在大規(guī)模網(wǎng)絡(luò)環(huán)境中，對能夠引起網(wǎng)絡(luò)態(tài)勢發(fā)生變化的因素進(jìn)行獲取、理解、評估、顯示以及對未來發(fā)展趨勢的預(yù)測[13]。如果地面段掌握了星間鏈路網(wǎng)絡(luò)的態(tài)勢情況，可以對整體網(wǎng)絡(luò)進(jìn)行監(jiān)視并且綜合評判網(wǎng)絡(luò)運(yùn)行狀況，提前預(yù)測出現(xiàn)的異常情況。

本文提出了基于神經(jīng)網(wǎng)絡(luò)對導(dǎo)航衛(wèi)星星間鏈路態(tài)勢感知研究。研究提出了構(gòu)建網(wǎng)絡(luò)態(tài)勢感知的整體功能架構(gòu)，明確了星間鏈路網(wǎng)絡(luò)態(tài)勢感知系統(tǒng)設(shè)計(jì)的流程；研究提出了對衛(wèi)星網(wǎng)絡(luò)相關(guān)遙測數(shù)據(jù)的預(yù)處理方案，還原出衛(wèi)星節(jié)點(diǎn)真實(shí)的遙測計(jì)數(shù)信息；研究提出了星間鏈路網(wǎng)絡(luò)態(tài)勢感知的網(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?。谎芯刻岢隽藢Σ糠志W(wǎng)絡(luò)狀態(tài)指標(biāo)基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測方案。通過實(shí)驗(yàn)，對某狀態(tài)指標(biāo)的預(yù)測準(zhǔn)確率達(dá)到了98%左右，結(jié)果表明該間鏈路態(tài)勢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)對星間鏈路的監(jiān)視及管理能力。

1 星間鏈路網(wǎng)絡(luò)態(tài)勢感知模型架構(gòu)

星間鏈路網(wǎng)絡(luò)態(tài)勢感知旨在為地面運(yùn)行管理系統(tǒng)提供實(shí)時(shí)的星間鏈路狀態(tài)監(jiān)測以及未來狀態(tài)的預(yù)測方案，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)勢感知系統(tǒng)可分解為遙測數(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)勢感知模型架構(gòu)

遙測數(shù)據(jù)預(yù)處理主要是將衛(wèi)星遙測下傳的狀態(tài)信息進(jìn)行解析，同時(shí)根據(jù)業(yè)務(wù)數(shù)據(jù)規(guī)則對下傳遙測數(shù)據(jù)中因噪聲以及傳輸時(shí)導(dǎo)致的數(shù)據(jù)缺失問題進(jìn)行處理，還原出完善的遙測信息；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)測主要是根據(jù)歷史信息結(jié)合遙測信息具有滯后性的特點(diǎn)預(yù)測當(dāng)前時(shí)段的狀態(tài)以及未來時(shí)段的各種指標(biāo)狀態(tài)信息，可以用于輔助決策。

2 星間鏈路網(wǎng)絡(luò)態(tài)勢感知實(shí)現(xiàn)方案

2.1 遙測數(shù)據(jù)解析及預(yù)處理

星間鏈路在運(yùn)行過程中會產(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]。這些信息作為遙測信息下傳至地面段。這些遙測信息非常復(fù)雜，通過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)來源。

遙測數(shù)據(jù)通常是原始的測量與計(jì)數(shù)信息，衛(wèi)星遙測數(shù)據(jù)從衛(wèi)星發(fā)出至地面監(jiān)測站接收的過程中，會受到天氣、磁場等多種隨機(jī)因素的耦合影響，會產(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]。需要對這些遙測數(shù)據(jù)進(jìn)一步工程化誤碼剔除方便對衛(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)差值不能完全對應(yīng)。因此除了對數(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ΨQ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)勢感知系統(tǒng)對數(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)星下傳的遙測數(shù)據(jù)根據(jù)接口規(guī)則通過編碼解析得到每個(gè)字段的工程數(shù)值，同時(shí)針對偏離實(shí)際值的誤碼進(jìn)行閾值剔除，用于對數(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；該階段主要是對遙測數(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)遙測數(shù)據(jù)根據(jù)星上時(shí)映射到時(shí)隙列表，對每個(gè)時(shí)隙中收發(fā)狀態(tài)及采樣收發(fā)計(jì)數(shù)進(jìn)行對應(yīng)的數(shù)據(jù)篩選。其次針對上下行特征業(yè)務(wù)信息，根據(jù)其本身特點(diǎn)對網(wǎng)絡(luò)遙測數(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，通過業(yè)務(wù)分析判斷部分衛(wèi)星在某時(shí)隙遙測數(shù)據(jù)的正確性進(jìn)而推測與其建鏈的其它衛(wèi)星對應(yīng)采樣數(shù)據(jù)。分別對每個(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)其遙測特點(diǎn)得出所有遙測計(jì)數(shù)的正確值。

在上述預(yù)處理過程，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，對后續(xù)網(wǎng)絡(luò)狀態(tài)指標(biāo)的監(jiān)測將更符合實(shí)際衛(wèi)星在軌運(yùn)行的狀態(tài)信息。

2.2 星間鏈路網(wǎng)絡(luò)狀態(tài)指標(biāo)的提取

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)遙測數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘分析而來的。在龐大的遙測參數(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)過簡單的分析計(jì)算而來，可以對星間鏈路網(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，簡要分析該指標(biāo)的計(jì)算過程。

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見公式(2)：

(2)

通過人工規(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)信息都會影響整個(gè)節(jié)點(diǎn)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(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)星遙測參數(shù)中存在部分冗余數(shù)據(jù)，會導(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)會對擁塞程度有影響。通過已知的相關(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)遙測參數(shù)取值范圍不同，對數(shù)據(jù)進(jìn)行歸一化處理，消除部分?jǐn)?shù)據(jù)取值區(qū)間不同所帶來的影響。假設(shè)遙測數(shù)據(jù)為datai，歸一化函數(shù)見公式:

(3)

步驟2：利用相關(guān)性分析法對每個(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)系均會對最終的復(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)之間的所有對擁塞程度有影響的數(shù)據(jù)。假設(shè)對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)對擁塞度總的貢獻(xiàn)程度為對每個(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)算見公式：

(5)

經(jīng)過以上簡單計(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)勢感知系統(tǒng)的部分網(wǎng)絡(luò)狀態(tài)指標(biāo)見表1。

表1 網(wǎng)絡(luò)狀態(tài)指標(biāo)

3 網(wǎng)絡(luò)狀態(tài)指標(biāo)的預(yù)測

在對星間鏈路網(wǎng)絡(luò)進(jìn)行管理的過程中，除了對星間鏈路網(wǎng)絡(luò)本身的狀態(tài)進(jìn)行監(jiān)視外，對網(wǎng)絡(luò)狀態(tài)進(jìn)行預(yù)測同樣非常重要，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)星的遙測數(shù)據(jù)可以通過較少的時(shí)延傳輸?shù)降孛娑芜M(jìn)行狀態(tài)提取，而境外星的遙測數(shù)據(jù)則需要通過境內(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)間的遙測數(shù)據(jù)時(shí)，境外星的數(shù)據(jù)要滯后，無法得到當(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)測對當(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，缺乏對網(wǎng)絡(luò)的全域感知可能導(dǎo)致管理人員無法及時(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，可能會導(dǎo)致數(shù)據(jù)時(shí)延過大，如果通過星間鏈路網(wǎng)絡(luò)態(tài)勢感知，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]。

本文對星間鏈路網(wǎng)絡(luò)狀態(tài)指標(biāo)的預(yù)測采用BP神經(jīng)網(wǎng)絡(luò)[21]，相比于灰色預(yù)測等傳統(tǒng)的基于時(shí)間序列的預(yù)測算法，它可以解決星間鏈路網(wǎng)絡(luò)狀態(tài)預(yù)測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)測為例。該遙測計(jì)數(shù)在一個(gè)時(shí)隙內(nèi)的接收計(jì)數(shù)的主要因素來源于該時(shí)隙內(nèi)其他星對該星的發(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)等都會影響最終某下行業(yè)務(wù)數(shù)據(jù)的接收計(jì)數(shù)。對所有有影響的指標(biāo)進(jìn)行整理，其利用神經(jīng)網(wǎng)絡(luò)預(yù)測的基本結(jié)構(gòu)如圖3所示。

圖3 遙測計(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)測狀態(tài)遙測計(jì)數(shù)y。為了提升預(yù)測結(jié)果的正確率，本文借助經(jīng)驗(yàn)公式(6)來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Keras框架搭建出網(wǎng)絡(luò)訓(xùn)練模型。并最終通過后續(xù)遙測網(wǎng)絡(luò)狀態(tài)指標(biāo)進(jìn)行驗(yàn)證。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)步驟及方法

本文按照衛(wèi)星遙測計(jì)數(shù)下傳信息對網(wǎng)絡(luò)態(tài)勢感知中的某個(gè)遙測下行計(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)測算法和灰色預(yù)測算法進(jìn)行對照實(shí)驗(yàn)。驗(yàn)證狀態(tài)指標(biāo)預(yù)測的可行性，基本步驟如下：

步驟一：確定預(yù)測指標(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，因此選擇某遙測參數(shù)計(jì)數(shù)作為實(shí)驗(yàn)對象。

步驟二：確定對該指標(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)測框架。

步驟四：搭建時(shí)序灰色預(yù)測模型；編寫灰色預(yù)測算法。

步驟五：對照實(shí)驗(yàn)，并進(jìn)行結(jié)果分析。

4.2 實(shí)驗(yàn)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)測算法，對一個(gè)小時(shí)內(nèi)的數(shù)據(jù)預(yù)測該某計(jì)數(shù)狀態(tài)的預(yù)測效果，其中80%的數(shù)據(jù)為訓(xùn)練集，20%的數(shù)據(jù)為測試集。最終預(yù)測正確的成功率在87.26%，預(yù)測結(jié)果與實(shí)際結(jié)果之差見圖4。

圖4 計(jì)數(shù)值預(yù)測差值

根據(jù)圖4所示，每個(gè)點(diǎn)表示預(yù)測值與真實(shí)值差值計(jì)數(shù)，分別在0上下波動。在圖中顯示預(yù)測結(jié)果與實(shí)際結(jié)果差值較少，整體分散在(-3～3)之間，對數(shù)據(jù)進(jìn)一步處理，分別對結(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)測網(wǎng)絡(luò)的狀態(tài)指標(biāo)。為了對預(yù)測算法的通用性進(jìn)行測試，利用灰度預(yù)測算法進(jìn)行對照實(shí)驗(yàn)，分別選取2，3，4，5小時(shí)內(nèi)的數(shù)據(jù)進(jìn)行測試。對差值計(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)測準(zhǔn)確率對照

根據(jù)圖5所示，灰度預(yù)測算法的正確率在83%左右，同時(shí)隨著時(shí)間的增加由于歷史數(shù)據(jù)過多導(dǎo)致正確率降低。BP神經(jīng)網(wǎng)絡(luò)預(yù)測網(wǎng)絡(luò)狀態(tài)隨著時(shí)間的延長準(zhǔn)確率穩(wěn)定在98%左右,這可以解決了境外星狀態(tài)滯后以及未來異常提前感知的問題。

5 結(jié)束語

為了更好地提升地面段對星間鏈路網(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)測能力不足的問題，本文對星間鏈路網(wǎng)絡(luò)態(tài)勢感知模型進(jìn)行研究。一方面針對于不同的網(wǎng)絡(luò)狀態(tài)指標(biāo)，利用簡單計(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)對網(wǎng)絡(luò)狀態(tài)進(jìn)行預(yù)測，可以對未來的網(wǎng)絡(luò)狀態(tài)提前感知。經(jīng)實(shí)驗(yàn)測試,預(yù)測算法在某狀態(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)勢預(yù)測的支撐算法。為其他系統(tǒng)如故障分析檢測系統(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)測完全正確的準(zhǔn)確率在87%，仍然有很大的提升空間，未來可以采用更加準(zhǔn)確的算法進(jìn)行預(yù)測。