低軌衛(wèi)星互聯(lián)網用戶切換管理：切換協(xié)議與算法

摘 要：隨著移動終端和應用的快速增長，無線網絡需要滿足邊遠地區(qū)、農村和城市地區(qū)無處不在的連接需求。相較于中高軌衛(wèi)星，低軌衛(wèi)星通常在５００ ～ ２ ０００ ｋｍ 運行，具有建設成本低、覆蓋范圍廣、功耗低、傳播延遲短等優(yōu)勢，低軌衛(wèi)星網絡已被廣泛認為是提供全球無縫覆蓋的潛在解決方案。然而，未來低軌衛(wèi)星網絡的規(guī)模大、動態(tài)性強，其用戶切換管理將是一個復雜的過程。針對低軌衛(wèi)星互聯(lián)網用戶切換管理的最新研究進行了全面總結，從低軌衛(wèi)星網絡的實際架構與切換管理挑戰(zhàn)出發(fā)，闡述了３ＧＰＰ 體制的切換管理協(xié)議，總結了切換管理的算法，探討了低軌衛(wèi)星互聯(lián)網中用戶切換管理的未來研究方向。

關鍵詞：低軌衛(wèi)星網絡；切換管理；切換協(xié)議；切換算法

中圖分類號：ＴＮ９２７． ２ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１１４（２０２４）０６－１１１０－０８

０ 引言

用戶對可靠的廣域網絡連接需求日益增長，受地面無線網絡覆蓋范圍的限制，通過大規(guī)模部署地面基站難以滿足該需求［１］。此外，地面網絡設施相對固定，在發(fā)生自然災害時會受到影響而無法工作。覆蓋范圍廣、吞吐量高的低軌衛(wèi)星網絡能夠有效解決上述問題［２］。近年來，ＳｐａｃｅＸ 和ＯｎｅＷｅｂ 等公司已經啟動了低軌巨型星座建設［３］。

在低軌衛(wèi)星通信場景中，衛(wèi)星移動速度快，用戶和衛(wèi)星之間連接呈現(xiàn)高度動態(tài)特性，用戶必須頻繁進行切換。特別在低軌巨型星座中，用戶可見的衛(wèi)星數量顯著增加，導致切換更頻繁復雜。用戶的切換管理對于低軌衛(wèi)星網絡至關重要。

本文從低軌衛(wèi)星網絡架構與切換管理挑戰(zhàn)出發(fā)，闡述了３ＧＰＰ 體制下的切換管理協(xié)議，總結了切換管理過程的算法，探討了低軌衛(wèi)星網絡中用戶切換管理的未來研究方向。

１ 低軌衛(wèi)星網絡架構與切換管理挑戰(zhàn)

１． １ 低軌衛(wèi)星網絡架構

３ＧＰＰ 自Ｒ１４ 階段就開始研究衛(wèi)星網絡與地面網絡融合的問題［４］，將非地面網絡和地面網絡納入一體化標準研究，推動衛(wèi)星網絡和地面網絡的深度融合發(fā)展。作為３ＧＰＰ Ｒ１７ 版本標準化工作的一部分，非地面網絡主要面向衛(wèi)星通信和低空通信，低軌衛(wèi)星網絡是其中最重要的組成部分。如圖１ 所示，低軌衛(wèi)星網絡包含以下幾個部分。

① 低軌衛(wèi)星：可搭載兩種不同類型的有效載荷，一是透明轉發(fā)載荷，實現(xiàn)頻率轉換和信號放大，以實現(xiàn)用戶和地面站之間的遠程通信；二是可再生處理載荷，對信號進行調制、編碼、解調、解碼，并進行星上數字交換，相當于在衛(wèi)星上部署部分或全部基站功能。透明傳輸的低軌衛(wèi)星沒有星間鏈路，信號需要通過星地鏈路傳輸。可再生載荷架構通常設計星間鏈路。低軌衛(wèi)星具有固定或靈活波束，在地面形成固定覆蓋或者靈活掃描覆蓋。

② 用戶設備：衛(wèi)星覆蓋范圍內的手持式或甚小孔徑終端。手持式終端通常采用全向天線，甚小孔徑終端通常采用口徑尺寸為０． ３ ～ １． ２ ｍ 的定向高增益天線。

③ 信關站：將低軌衛(wèi)星連接到公共數據網絡的地面站。在透明轉發(fā)有效載荷的情況下，需要配備地面基站處理設備。在再生有效載荷的情況下，地面站將接收到的信息中繼到核心網絡。

④ 用戶鏈路：負責連接用戶設備和衛(wèi)星。

⑤ 饋電鏈路：負責連接衛(wèi)星和信關站。

１． ２ 用戶切換管理挑戰(zhàn)

在蜂窩網絡中，小區(qū)中心信號強度相較于小區(qū)邊緣變化明顯，用戶可以較為容易地捕捉這種變化，然而這種信號強度變化在衛(wèi)星中有所減小，如圖２所示，由此導致衛(wèi)星波束重疊時信號強度差異小，用戶難以區(qū)分更好的小區(qū)。

且與單個地面基站相比，每顆衛(wèi)星覆蓋區(qū)域的用戶數量要大得多，在衛(wèi)星運動過程中，波束覆蓋邊緣的大量終端將同時觸發(fā)切換請求，海量終端給切換帶來了巨大的信令開銷，同一時刻觸發(fā)切換也增加了沖突概率。當前低軌衛(wèi)星多采用靈活的跳波束模式，衛(wèi)星運動加上波束跳變，導致用戶切換流程設計更加復雜。因此，用戶設備需要找到合適的切換準則和有效切換策略，以應對低軌衛(wèi)星網絡的切換管理挑戰(zhàn)。

２ 用戶切換協(xié)議

本節(jié)介紹基于３ＧＰＰ 體制標準的切換協(xié)議，包含３ＧＰＰ 組織提出的基本切換協(xié)議和條件切換協(xié)議，以及在此基礎上針對低軌衛(wèi)星網絡提出的基于深度學習的切換協(xié)議和組切換協(xié)議，這些切換協(xié)議可用于星間和星內切換。

２． １ 基本切換協(xié)議

３ＧＰＰ 定義的基本切換流程如圖３ 所示。切換包括３ 個步驟［５］：① 信息收集，用戶測量相鄰小區(qū)和當前小區(qū)的信號強度（也可以進行其他參數測量）；② 切換判決，當前服務基站根據第一階段的測量數據決定是否切換；③ 切換執(zhí)行，用戶釋放連接并接入到新的小區(qū)。

用戶設備接入衛(wèi)星服務小區(qū)后，執(zhí)行特定的下行鏈路信道測量。如果滿足網絡配置的某些條件（如Ａ３ 事件），用戶設備將向服務小區(qū)發(fā)送測量報告。有了這些信息，服務小區(qū)決定是否需要將用戶設備移交給新小區(qū)，隨后請求目標小區(qū)準備資源以分配給用戶設備。一旦目標小區(qū)確認要切換的用戶設備，切換執(zhí)行就會開始，用戶設備會釋放其與服務小區(qū)的連接。用戶設備通過隨機接入信道接入目標小區(qū)。與新小區(qū)成功同步后，用戶設備會向網絡發(fā)送確認通知。用戶設備在與服務小區(qū)斷開連接后會經歷一定的中斷時間，直到與目標小區(qū)建立新的連接（硬切換）。

低軌衛(wèi)星網絡場景下，由于小區(qū)邊緣信號強度不明顯，用戶終端無法分辨目標小區(qū)并及時執(zhí)行切換。系統(tǒng)級仿真結果表明［６］，即使在鄉(xiāng)村場景下，基本切換協(xié)議也無法保障用戶服務的連續(xù)性和魯棒性。通過將Ａ３ 事件的觸發(fā)時間設置為０ ｍｓ 且沒有切換滯后余量，可以獲得最佳性能表現(xiàn)。此配置切換失敗率為２０％ ，乒乓切換率等于３０％ 。

２． ２ 條件切換協(xié)議

３ＧＰＰ 在Ｒｅｌ１６ 中設計了條件切換，旨在通過更早地做出切換決策來增強移動切換的魯棒性。在服務小區(qū)條件仍然良好時，條件切換執(zhí)行早期切換準備，并且當目標小區(qū)鏈路可靠時，允許用戶設備稍后接入目標小區(qū)，如圖４ 所示。

條件切換包含準備事件和執(zhí)行事件，這兩個事件可以配置不同的參數，根據不同的測量值觸發(fā)切換。當滿足準備事件時，用戶設備將測量報告發(fā)送到衛(wèi)星服務小區(qū)，做好早期切換準備。如果衛(wèi)星目標小區(qū)接收來自服務小區(qū)的切換請求，服務小區(qū)將切換命令轉發(fā)到用戶設備。在此步驟中，用戶設備存儲切換命令，而不是直接接入目標小區(qū)。隨后，用戶繼續(xù)測量和監(jiān)測目標小區(qū)。當滿足執(zhí)行事件時，用戶設備將自主啟動切換執(zhí)行步驟。

條件切換在衛(wèi)星服務小區(qū)信號質量良好的情況下執(zhí)行切換流程，并通知所有滿足準備事件的小區(qū)為用戶預留資源。與基本切換相比，條件切換過程有效提高了用戶下行吞吐量，并且通過更早地觸發(fā)切換，將切換失敗和鏈路失敗的數量減少到零［７］。然而，條件切換會導致不必要切換和切換乒乓增加，造成額外的信令開銷和時延。

在條件切換的基礎上，一些研究改進了準備事件和執(zhí)行事件。文獻［８］利用衛(wèi)星運動的確定性以及用戶和地面小區(qū)中心的位置信息，結合測量信號強度修改了條件切換的執(zhí)行事件。文獻［９］修改了目標候選衛(wèi)星的監(jiān)測條件，并構建服務連續(xù)性性能圖模型，預測服務持續(xù)時間中不同的條件切換組合。上述方案降低了切換次數和失敗率。

２． ３ 基于深度強化學習的切換協(xié)議

隨著巨型低軌星座網絡中衛(wèi)星數量不斷增加，以及接入網絡設備數量飛速增長，低軌衛(wèi)星網絡擁塞的可能性隨之增加。低軌衛(wèi)星快速移動造成大量用戶終端在短時間內進行切換，來自大量用戶的過多切換控制信號會導致信令風暴，導致高沖突率和長時間的接入延遲，從而對網絡性能產生負面影響。

文獻［１０］提出了一種基于深度強化學習的新型切換協(xié)議，用于解決多用戶并發(fā)切換帶來的挑戰(zhàn)，流程如圖５ 所示。該協(xié)議通過訓練的智能體為所有用戶決定切換請求的發(fā)送時間?；谏疃葟娀瘜W習的切換協(xié)議跳過了測量報告，這種簡化消除了測量階段產生的傳播延遲，同時仍提供有效的切換決策。該協(xié)議在不同網絡條件下的接入時延、沖突率和切換成功率均優(yōu)于基本切換協(xié)議。

２． ４ 組切換協(xié)議

如前文所述，低軌衛(wèi)星切換場景中，大量切換請求并發(fā)是一個重要挑戰(zhàn)。文獻［１１］針對衛(wèi)星網絡的Ｘｎ 切換，提出一種安全的組切換協(xié)議。用戶由其位置信息聚類成組，服務衛(wèi)星從每個組中選擇一個以上的組頭，稱為組聚合。

切換過程中，非組聚合成員不向衛(wèi)星發(fā)送請求，而是公開廣播其秘密共享以通知組聚合成員其切換意圖。組聚合成員通過檢查哈希承諾來驗證正確性。在接收到超過給定閾值的足夠份額后，組聚合成員可以生成組切換憑證，并向源衛(wèi)星初始化組切換請求。源衛(wèi)星在收到組切換憑證后，驗證組切換憑證的正確性，再組聚合成員代表組用戶與目標衛(wèi)星通信以執(zhí)行組切換過程。

３ 切換管理算法

低軌衛(wèi)星網絡規(guī)模大、動態(tài)性強，其切換管理將是一個復雜的過程。本節(jié)總結了低軌衛(wèi)星網絡切換管理的算法。

３． １ 基于圖論的切換算法

得益于全球定位系統(tǒng)基礎設施的不斷完善，用戶很容易獲取其確切位置信息。由于低軌衛(wèi)星運動是可預測的，網絡控制中心可以通過精確星歷信息推算未來一段時間內的星地覆蓋關系，因此基于圖切換的算法應運而生，衛(wèi)星與用戶之間的覆蓋關系可以建模為有向圖、二分圖等圖數據結構。

文獻［１２］將衛(wèi)星切換建模為有向圖，如圖６ 所示。假設任何用戶對于其可見衛(wèi)星都有一定的服務期限，即對于每顆衛(wèi)星，用戶都能獲取其覆蓋開始時間和結束時間。這一覆蓋關系受最小仰角或建筑物遮擋的約束。如果將每個覆蓋周期視為節(jié)點，并且用戶在衛(wèi)星之間的切換可以看作是有向邊，那么用戶的衛(wèi)星切換過程可以建模為在有向圖中尋找路徑的過程，該路徑代表了所有可能的切換路徑。邊的權重可以由各類屬性組成，如仰角、剩余服務時間、剩余信道數量等。最終通過Ｄｉｊｋｓｔｒａ 或其他尋路算法，得到一條最優(yōu)切換路徑。

在有向圖的基礎上，一些研究拓展了基于圖論的方法。文獻［１３］將多輸入多輸出技術融入衛(wèi)星切換，提出了一種基于圖的二分切換策略，該策略使用ＫｕｈｎＭｕｎｋｒｅｓ 算法匹配地面站和衛(wèi)星，以最大限度地提高用戶通信質量并平衡衛(wèi)星負載。

文獻［１４］提出一種基于時間演進圖切換方案，與靜態(tài)圖不同的是，該方案考慮了用戶終端移動速度帶來的影響。具體而言，該方案推導了終端在不同運動速度下單顆衛(wèi)星對其平均覆蓋時長，并根據鏈路和網絡狀況調整時隙長度，及時更新拓撲圖。為提高計算效率，提出了適用于多邊權值動態(tài)變化的最短路徑實時更新算法，僅更新每個子圖的最短路徑樹中受影響的節(jié)點，相較于Ｄｉｊｋｓｔｒａ 算法降低了復雜度。

文獻［１５］將衛(wèi)星切換過程建模為多有向圖，圖中的節(jié)點表示相應用戶可以選擇訪問的衛(wèi)星，邊緣表示相鄰時隙之間可能的切換。每張圖從起始節(jié)點到結束節(jié)點的路徑是對應用戶的切換策略，路徑長度是用戶可以獲得的獎勵。切換過程中選擇同一顆衛(wèi)星被定義為用戶沖突，在所提出的多有向圖模型中將其表示為路徑沖突。為最小化切換次數，最大化接收功率，同時減少沖突次數，提出了一種基于多目標多智能體路徑查找的切換策略。

３． ２ 基于ＡＩ 的切換算法

ＡＩ 正在通信行業(yè)產生深遠而革命性的影響。機器學習（Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ，ＭＬ）是ＡＩ 的一個子集，它允許機器從大量數據中學習并在不需要顯式編程的情況下做出決策。深度學習是ＭＬ 的一個特殊子集，用于研究包含多個隱藏層的人工神經網絡。衛(wèi)星網絡相關的挑戰(zhàn)為ＡＩ 應用提供了一個誘人的領域［１６］，ＡＩ 自然可以用于低軌衛(wèi)星切換管理。

作為ＭＬ 的另一個子集，強化學習能夠訓練智能體自主地與動態(tài)環(huán)境實時交互并做出決策。馬爾可夫過程是強化學習的核心，衛(wèi)星切換可以建模為馬爾可夫決策過程：在馬爾可夫過程中，未來狀態(tài)的概率分布僅依賴于當前狀態(tài)，與過去狀態(tài)無關，即滿足無后效性。如圖７ 所示，智能體根據策略和現(xiàn)有狀態(tài)選擇下一時刻的動作，動作是每個切換時刻選擇的衛(wèi)星。根據切換決策發(fā)生的地點，智能體可以布置在用戶、衛(wèi)星或網絡控制中心。

現(xiàn)有衛(wèi)星切換研究中，最常用的強化學習算法是Ｑ 學習，這是典型的無模型強化學習。在Ｑ 學習中，數值模擬用于迭代訓練Ｑ 表，由Ｑ 表給出每個狀態(tài)下每個動作的獎勵，直到其收斂。在Ｑ 學習的基礎上，出現(xiàn)了一系列算法解決衛(wèi)星切換問題：深度Ｑ 學習［１７］、連續(xù)深度Ｑ 學習［１８］、雙深度Ｑ 學習［１９］、動量自適應學習率的深度Ｑ 學習［２０］。其中，深度Ｑ學習算法使用神經網絡來替代Ｑ 表，以減小狀態(tài)空間過大帶來的儲存開銷。連續(xù)深度Ｑ 學習是一種低復雜度的深度Ｑ 學習算法，能夠顯著降低狀態(tài)空間的維數，并以分布式的方案高效決策切換。雙深度Ｑ 學習算法通過雙Ｑ 網絡有效解決Ｑ 值過估計的問題。動量自適應學習率的深度Ｑ 學習是一種自適應學習率的算法，不僅可以提高決策準確性，還可以提高學習效率。與傳統(tǒng)固定學習率的深度Ｑ學習算法相比，具有更快的收斂速度。

上述切換算法只訓練一個智能體?？紤]到用戶之間的競爭和合作關系，以及分布式方案所帶來的優(yōu)點，基于多智能體的深度強化學習算法被運用在衛(wèi)星切換場景，如圖８ 所示。文獻［２１］提出一種多智能體深度Ｑ 學習算法，每個用戶是一個智能體，訓練后的用戶可以僅根據本地信息做出切換決策。該算法在滿足最小阻塞率的同時，有效保證了衛(wèi)星網絡的負載均衡。

文獻［２２］提出了一種集中自適應的巨型星座智能切換方案，考慮了傳播條件的動態(tài)性和低軌衛(wèi)星容量。該方案使用三態(tài)馬爾可夫模型描述星地之間動態(tài)變化的傳播條件，并提出一種多智能體連續(xù)滯后深度Ｑ 學習算法以最大化網絡效用，減少所提出的集中式切換方案的信令開銷和計算復雜度。

文獻［２３］使用分散馬爾可夫決策過程來描述具有有限突發(fā)業(yè)務的低軌衛(wèi)星網絡中的切換問題。為處理由大狀態(tài)空間和動作空間引起的高計算復雜性，使用具有完全分散框架的多智能體雙深度Ｑ 網絡來設計切換決策。

３． ３ 基于博弈論的切換算法

博弈論可對處于競爭環(huán)境下的不同決策者之間的行為進行解釋分析。博弈論有幾個要素：玩家、效用函數、行動、策略和均衡。在博弈過程中，每個參與者都有一個效用函數，并且總是選擇使自己效用最優(yōu)的策略。

文獻［２４］基于軟件定義衛(wèi)星網絡架構，提出了一種勢博弈的衛(wèi)星切換方案。該方案將切換定義為多個移動終端爭奪衛(wèi)星資源和可用信道的過程，并建立衛(wèi)星資源共享博弈模型。每個用戶（玩家）擁有一個效用函數，當所有用戶通過調整策略獲得其最佳效用函數時，認為系統(tǒng)達到納什均衡，換言之，任何用戶都無法通過改變策略來提高自身效用。當低軌衛(wèi)星繞地球運行或移動終端移動時，移動終端根據自身的效用函數選擇效益最大的衛(wèi)星進行切換；某些移動終端可能沒有任何可用信道或可用的衛(wèi)星，網絡控制中心會為其騰出相應的衛(wèi)星和信道。

文獻［２５］將多架飛機的低軌衛(wèi)星切換問題建模為局部合作博弈。在此博弈中，飛機之間的下行信道相互干擾，每架飛機與存在干擾關系的其他飛機合作確定要切換的衛(wèi)星，證明了所提局部合作博弈是一個精確的勢博弈。提出了一種收斂速率更快的改進分布式最佳響應算法和具有更多可能性的協(xié)作混合切換策略迭代算法來獲得切換決策的最優(yōu)解。

文獻［２６］分析了降雪環(huán)境對量子衛(wèi)星星地鏈路衰減的影響，提出一種基于演化博弈的多用戶量子衛(wèi)星切換方案。根據用戶的帶寬、衛(wèi)星剩余服務時間及鏈路衰減３ 個屬性定義效用函數，根據信道糾纏度、星間傳輸時延定義開銷函數，結合效用函數和開銷函數得到用戶的收益函數，建立了演化博弈切換模型。

３． ４ 基于聚類的切換算法

用戶聚類的核心思想是彼此靠近的用戶大概率同時觸發(fā)對同一衛(wèi)星的切換請求。通過聚類算法，將多個用戶劃分為組，組頭代表所有用戶向衛(wèi)星發(fā)起切換，如圖９ 所示。用戶分組切換能夠大幅度減小切換開銷。

文獻［２７］提出了一種新型的低地軌道衛(wèi)星網絡分組切換策略。該策略使用分層聚類，根據網絡負載和用戶屬性對用戶進行分組，設計了一種基于網絡流模型劃分限制衛(wèi)星選擇的算法，用戶組作為一個整體進行優(yōu)先排序，采用最短路徑快速算法以最小代價搜索增強路徑。

文獻［２８］使用譜聚類算法聚類用戶組。由于衛(wèi)星軌跡的確定性，用戶群組的切換存在相關性，基于先前群組的切換經驗提前進行切換時間預測，各組根據與前組的相關性預測目標衛(wèi)星和切換時間。

文獻［２９］利用模糊Ｃ 均值聚類，提出一種基于信道預留的低軌衛(wèi)星切換策略。對每個用戶，當即將到來的衛(wèi)星中沒有空閑信道時，用戶在隊列中等待，如果用戶等待時間超過指定閾值時間，用戶服務將被中斷；如果隊列大小超過指定閾值，系統(tǒng)使用模糊Ｃ 均值聚類將排隊用戶劃分為群組，組頭使用保留信道與其成員切換到即將到來的衛(wèi)星。該方案預留信道數量和分配給單個用戶的正常信道數量可變，提升了算法的靈活性。

４ 未來研究方向

４． １ 業(yè)務驅動的用戶切換管理

隨著接入低軌衛(wèi)星網絡的用戶設備數量增加，終端業(yè)務類型和需求呈現(xiàn)差異化。以３ＧＰＰ 定義的５Ｇ 典型場景為例，增強型移動寬帶為用戶終端提供無縫的連續(xù)網絡覆蓋和超高的數據傳輸速率；海量機器通信面向海量物聯(lián)網連接；超可靠低延遲通信要求網絡高可靠性和低延遲通信，滿足某些行業(yè)應用中對時延和可靠性的極高要求。

業(yè)務驅動的切換管理旨在滿足各類不同業(yè)務的需求。面向增強型移動寬帶的切換管理應該避免低仰角衛(wèi)星服務，提高星地之間的鏈路質量，為用戶終端提供可保障的傳輸速率。面向海量機器通信的切換管理需要降低切換管理過程的開銷，避免多用戶沖突。面向超可靠低延遲通信的切換管理可以采用多連接技術，多顆衛(wèi)星緩沖用戶下行數據以確保切換的高可靠性和業(yè)務無縫切換。總之，切換管理策略可以根據用戶類型和需求動態(tài)變化。

４． ２ 基于開放式接入網的切換管理

低軌衛(wèi)星網絡是一個具有嚴格規(guī)劃架構的封閉系統(tǒng)，衛(wèi)星網絡的各個節(jié)點可能由不同運營商提供，這些節(jié)點在優(yōu)化和接口管理方面缺乏靈活性。此外，現(xiàn)有低軌衛(wèi)星網絡在設計之初并未考慮ＡＩ 技術，因此其智能化應用是在傳統(tǒng)網絡架構上進行優(yōu)化和改造的。構建智能化網絡架構對基于ＡＩ 的切換管理具有重大意義。

開放式接入網（ＯｐｅｎＲＡＮ，ＯＲＡＮ）基于分解和虛擬化的組件，通過開放接口連接，可以在不同的供應商之間互操作。基于ＯＲＡＮ 的切換管理技術是未來值得研究的方向。ＯＲＡＮ 通過引入無線智能控制器充分發(fā)揮ＡＩ 的潛力。通過開放接口從所有網絡節(jié)點收集所需的近實時數據，利用收集到的數據來訓練ＡＩ／ ＭＬ 模型。在無線智能控制器中部署經過訓練的ＡＩ／ ＭＬ 模型，對ＯＲＡＮ 的集中單元和分布單元節(jié)點執(zhí)行細粒度控制以優(yōu)化切換管理。

４． ３ 跳波束模式下的用戶切換管理

為實現(xiàn)靈活的用戶服務區(qū)域覆蓋，低軌衛(wèi)星互聯(lián)網多采用靈活的多波束陣列天線載荷，采用跳波束模式服務多個用戶，對用戶切換管理帶來更大挑戰(zhàn)。用戶的切換算法與流程設計與波束的跳變策略緊密相關。

跳波束模式下的用戶切換管理既要考慮傳統(tǒng)的信號大小變化、衛(wèi)星服務時間等因素，還要考慮波束的跳變策略、波束停留時間、波束跳變時延、信令和業(yè)務信道設計等，切換流程變得更加復雜。單一的切換管理算法難以適配動態(tài)變化的波束跳變策略，需要研究基于ＡＩ 的用戶切換管理技術，以適配巨型低軌星座的發(fā)展。

５ 結束語

低軌衛(wèi)星網絡正經歷快速發(fā)展時期，提供無縫和高容量的全球通信服務，成為６Ｇ 及以后移動網絡不可或缺的一部分。衛(wèi)星運動速度高，使用低軌星座的用戶設備會經歷頻繁的切換。本文分析了高動態(tài)環(huán)境下低軌衛(wèi)星網絡切換管理的諸多挑戰(zhàn)，闡述了３ＧＰＰ 體制標準下低軌衛(wèi)星網絡切換管理協(xié)議，總結了現(xiàn)有衛(wèi)星切換管理算法，討論了未來低軌衛(wèi)星網絡切換管理的研究方向。

參考文獻

［１］ ＡＬ ＨＯＭＳＳＩ Ｂ，ＡＬＨＯＵＲＡＮＩ Ａ，ＷＡＮＧ Ｋ，ｅｔ ａｌ． ＮｅｘｔＧｅｎｅｒａｔｉｏｎ Ｍｅｇａ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ａｃｃｅｓｓ Ｅｑｕａｌｉｔｙ：Ｏｐｐｏｒｔｕｎｉｔｉｅｓ，Ｃｈａｌｌｅｎｇｅｓ，ａｎｄ Ｐｅｒｆｏｒｍａｎｃｅ ［Ｊ］． ＩＥＥＥＣｏｍｍｕｎｉｃａｔｉｏｎｓ Ｍａｇａｚｉｎｅ，２０２２，６０（４）：１８－２４．

［２］ 方一鳴，趙祥天，趙亞飛，等． 低軌衛(wèi)星信號捕獲與跟蹤技術綜述［Ｊ］． 無線電通信技術，２０２３，４９ （５）：８１６－８２５．

［３］ ＪＩ Ｓ Ｊ，ＺＨＯＵ Ｄ，ＳＨＥＮＧ Ｍ，ｅｔ ａｌ． Ｍｅｇａ Ｓａｔｅｌｌｉｔｅ Ｃｏｎｓｔｅｌｌａｔｉｏｎ Ｓｙｓｔｅｍ Ｏｐｔｉｍｉｚａｔｉｏｎ：Ｆｒｏｍ ａ Ｎｅｔｗｏｒｋ Ｃｏｎｔｒｏｌ Ｓｔｒｕｃｔｕｒｅ Ｐｅｒｓｐｅｃｔｉｖｅ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２２，２１（２）：９１３－９２７．

［４］ 王靜賢，張景，魏肖，等． 衛(wèi)星５Ｇ 融合網絡架構與關鍵技術研究［Ｊ］． 無線電通信技術，２０２１，４７（５）：５２８－５３４．

［５］ Ｇ？ＤＯＲ Ｇ，ＪＡＫ？ Ｚ，ＫＮＡＰＰ ？，ｅｔ ａｌ． Ａ Ｓｕｒｖｅｙ ｏｆ Ｈａｎｄｏｖｅｒ Ｍａｎａｇｅｍｅｎｔ ｉｎ ＬＴＥｂａｓｅｄ Ｍｕｌｔｉｔｉｅｒ ＦｅｍｔｏｃｅｌｌＮｅｔｗｏｒｋｓ：Ｒｅｑｕｉｒｅｍｅｎｔｓ，Ｃｈａｌｌｅｎｇｅｓ ａｎｄ Ｓｏｌｕｔｉｏｎｓ ［Ｊ］．Ｃｏｍｐｕｔｅｒ Ｎｅｔｗｏｒｋｓ，２０１５，７６：１７－４１．

［６］ ＪＵＡＮ Ｅ，ＬＡＵＲＩＤＳＥＮ Ｍ，ＷＩＧＡＲＤ Ｊ，ｅｔ ａｌ． ５Ｇ ＮｅｗＲａｄｉｏ Ｍｏｂｉｌｉｔｙ Ｐｅｒｆｏｒｍａｎｃｅ ｉｎ ＬＥＯｂａｓｅｄ ＮｏｎｔｅｒｒｅｓｔｒｉａｌＮｅｔｗｏｒｋｓ［Ｃ］∥２０２０ ＩＥＥＥ Ｇｌｏｂｅｃｏｍ Ｗｏｒｋｓｈｏｐｓ （ＧＣＷｋｓｈｐｓ）． Ｔａｉｐｅｉ：ＩＥＥＥ，２０２０：１－６．

［７］ ＪＵＡＮ Ｅ，ＬＡＵＲＩＤＳＥＮ Ｍ，ＷＩＧＡＲＤ Ｊ，ｅｔ ａｌ． ＰｅｒｆｏｒｍａｎｃｅＥｖａｌｕａｔｉｏｎ ｏｆ ｔｈｅ ５Ｇ ＮＲ Ｃｏｎｄｉｔｉｏｎａｌ Ｈａｎｄｏｖｅｒ ｉｎ ＬＥＯｂａｓｅｄ Ｎｏｎｔｅｒｒｅｓｔｒｉａｌ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０２２ ＩＥＥＥ ＷｉｒｅｌｅｓｓＣｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｎｅｔｗｏｒｋｉｎｇ Ｃｏｎｆｅｒｅｎｃｅ （ＷＣＮＣ）．Ａｕｓｔｉｎ：ＩＥＥＥ，２０２２：２４８８－２４９３．

［８］ ＪＵＡＮ Ｅ，ＬＡＵＲＩＤＳＥＮ Ｍ，ＷＩＧＡＲＤ Ｊ，ｅｔ ａｌ． ＬｏｃａｔｉｏｎＢａｓｅｄ Ｈａｎｄｏｖｅｒ Ｔｒｉｇｇｅｒｉｎｇ ｆｏｒ Ｌｏｗｅａｒｔｈ Ｏｒｂｉｔ ＳａｔｅｌｌｉｔｅＮｅｔｗｏｒｋｓ［Ｃ］∥２０２２ ＩＥＥＥ ９５ｔｈ Ｖｅｈｉｃｕｌａｒ ＴｅｃｈｎｏｌｏｇｙＣｏｎｆｅｒｅｎｃｅ：（ＶＴＣ２０２２ －Ｓｐｒｉｎｇ）． Ｈｅｌｓｉｎｋｉ：ＩＥＥＥ，２０２２：１－６．

［９］ ＷＡＮＧ Ｆ，ＪＩＡＮＧ Ｄ Ｄ，ＷＡＮＧ Ｚ Ｈ，ｅｔ ａｌ． Ｓｅａｍｌｅｓｓ Ｈａｎｄｏｖｅｒ ｉｎ ＬＥＯ Ｂａｓｅｄ Ｎｏｎｔｅｒｒｅｓｔｒｉａｌ Ｎｅｔｗｏｒｋｓ：ＳｅｒｖｉｃｅＣｏｎｔｉｎｕｉｔｙ ａｎｄ Ｏｐｔｉｍｉｚａｔｉｏｎ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎＣｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２３，７１（２）：１００８－１０２３．

［１０］ＬＥＥ Ｊ，ＰＡＲＫ Ｃ，ＰＡＲＫ Ｓ，ｅｔ ａｌ． Ｈａｎｄｏｖｅｒ ＰｒｏｔｏｃｏｌＬｅａｒｎｉｎｇ ｆｏｒ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ：Ａｃｃｅｓｓ Ｄｅｌａｙ ａｎｄＣｏｌｌｉｓｉｏｎ Ｍｉｎｉｍｉｚａｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＷｉｒｅｌｅｓｓＣｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２４，２３（７）：７６２４－７６３７．

［１１］ＺＨＡＮＧ Ｂ Ｈ，ＨＵ Ｐ，ＡＺＩＲＡＮＩ Ａ Ａ，ｅｔ ａｌ． Ｓｅｃｕｒｅ ａｎｄ Ｅｆｆｉｃｉｅｎｔ Ｇｒｏｕｐ Ｈａｎｄｏｖｅｒ Ｐｒｏｔｏｃｏｌ ｉｎ ５Ｇ ＮｏｎｔｅｒｒｅｓｔｒｉａｌＮｅｔｗｏｒｋｓ［Ｃ］∥ＩＣＣ ２０２４ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ． Ｄｅｎｖｅｒ：ＩＥＥＥ，２０２４：５０６３－５０６８．

［１２］ＷＵ Ｚ Ｆ，ＪＩＮ Ｆ Ｌ，ＬＵＯ Ｊ Ｘ，ｅｔ ａｌ． Ａ Ｇｒａｐｈｂａｓｅｄ ＳａｔｅｌｌｉｔｅＨａｎｄｏｖｅｒ Ｆｒａｍｅｗｏｒｋ ｆｏｒ ＬＥＯ Ｓａｔｅｌｌｉｔｅ ＣｏｍｍｕｎｉｃａｔｉｏｎＮｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０１６，２０（８）：１５４７－１５５０．

［１３］ ＦＥＮＧ Ｌ，ＬＩＵ Ｙ Ｆ，ＷＵ Ｌ，ｅｔ ａｌ． Ａ Ｓａｔｅｌｌｉｔｅ ＨａｎｄｏｖｅｒＳｔｒａｔｅｇｙ Ｂａｓｅｄ ｏｎ ＭＩＭＯ Ｔｅｃｈｎｏｌｏｇｙ ｉｎ ＬＥＯ ＳａｔｅｌｌｉｔｅＮｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｌｅｔｔｅｒｓ，２０２０，２４（７）：１５０５－１５０９．

［１４］胡欣，宋航宇，劉帥軍，等． 基于時間演進圖的ＬＥＯ 星間切換實時預測及更新方法［Ｊ］． 通信學報，２０１８，３９（１０）：４３－５１．

［１５］ＪＩＡＮＧ Ｚ Ｙ，ＬＩ Ｗ，ＷＡＮＧ Ｘ Ｔ，ｅｔ ａｌ． Ａ ＬＥＯ ＳａｔｅｌｌｉｔｅＨａｎｄｏｖｅｒ Ｓｔｒａｔｅｇｙ Ｂａｓｅｄ ｏｎ Ｇｒａｐｈ ａｎｄ ＭｕｌｔｉｏｂｊｅｃｔｉｖｅＭｕｌｔｉａｇｅｎｔ Ｐａｔｈ Ｆｉｎｄｉｎｇ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ａｅｒｏｓｐａｃｅ Ｅｎｇｉｎｅｅｒｉｎｇ，２０２３，２０２３（１）：１１１１５５７．

［１６］ＭＡＨＢＯＯＢ Ｓ，ＬＩＵ Ｌ Ｊ． Ｒｅｖｏｌｕｔｉｏｎｉｚｉｎｇ Ｆｕｔｕｒｅ Ｃｏｎｎｅｃｔｉｖｉｔｙ：Ａ Ｃｏｎｔｅｍｐｏｒａｒｙ Ｓｕｒｖｅｙ ｏｎ ＡＩｅｍｐｏｗｅｒｅｄ ＳａｔｅｌｌｉｔｅＢａｓｅｄ Ｎｏｎｔｅｒｒｅｓｔｒｉａｌ Ｎｅｔｗｏｒｋｓ ｉｎ ６Ｇ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｕｒｖｅｙｓ ＆ Ｔｕｔｏｒｉａｌｓ，２０２４，２６（２）：１２７９－１３２１．

［１７］ＷＡＮＧ Ｊ，ＭＵ Ｗ，ＬＩＵ Ｙ Ｎ，ｅｔ ａｌ． Ｄｅｅｐ ＲｅｉｎｆｏｒｃｅｍｅｎｔＬｅａｒｎｉｎｇｂａｓｅｄ Ｓａｔｅｌｌｉｔｅ Ｈａｎｄｏｖｅｒ Ｓｃｈｅｍｅ ｆｏｒ ＳａｔｅｌｌｉｔｅＣｏｍｍｕｎｉｃａｔｉｏｎｓ［Ｃ］∥２０２１ １３ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅｏｎ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ （ＷＣＳＰ）． Ｃｈａｎｇｓｈａ：ＩＥＥＥ，２０２１：１－６．

［１８］ＬＩＵ Ｈ Ｔ，ＷＡＮＧ Ｙ Ｃ，ＷＡＮＧ Ｙ Ｘ． Ａ Ｓｕｃｃｅｓｓｉｖｅ ＤｅｅｐＱＬｅａｒｎｉｎｇ Ｂａｓｅｄ Ｄｉｓｔｒｉｂｕｔｅｄ Ｈａｎｄｏｖｅｒ Ｓｃｈｅｍｅ ｆｏｒ Ｌａｒｇｅｓｃａｌｅ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０２２ ＩＥＥＥ ９５ｔｈＶｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｎｆｅｒｅｎｃｅ：（ＶＴＣ２０２２Ｓｐｒｉｎｇ）．Ｈｅｌｓｉｎｋｉ：ＩＥＥＥ，２０２２：１－６．

［１９］ＷＵ Ｄ Ｆ，ＨＵＡＮＧ Ｃ Ｈ，ＹＩＮ Ｙ Ｂ，ｅｔ ａｌ． ＬＢＤＤＱＮ ｆｏｒＨａｎｄｏｖｅｒ Ｄｅｃｉｓｉｏｎ ｉｎ ＳａｔｅｌｌｉｔｅＴｅｒｒｅｓｔｒｉａｌ Ｉｎｔｅｇｒａｔｅｄ Ｎｅｔｗｏｒｋｓ［Ｊ］． Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｍｏｂｉｌｅ Ｃｏｍｐｕｔｉｎｇ，２０２１，２０２１（１）：５８７１１１４．

［２０］ＹＡＮＧ Ｊ Ｙ，ＸＩＡＯ Ｚ Ｙ，ＣＵＩ Ｈ Ｘ，ｅｔ ａｌ． ＤＱＮＡＬｒＭＢａｓｅｄＩｎｔｅｌｌｉｇｅｎｔ Ｈａｎｄｏｖｅｒ Ｍｅｔｈｏｄ ｆｏｒ ＳａｔｅｌｌｉｔｅＧｒｏｕｎｄＩｎｔｅｇｒａｔｅｄ Ｎｅｔｗｏｒｋ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＣｏｇｎｉｔｉｖｅＣｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｎｅｔｗｏｒｋｉｎｇ，２０２３，９（４）：９７７－９９０．

［２１］ ＨＥ Ｓ Ｘ，ＷＡＮＧ Ｔ Ｙ，ＷＡＮＧ Ｓ Ｗ． Ｌｏａｄａｗａｒｅ ＳａｔｅｌｌｉｔｅＨａｎｄｏｖｅｒ Ｓｔｒａｔｅｇｙ Ｂａｓｅｄ ｏｎ Ｍｕｌｔｉａｇｅｎｔ ＲｅｉｎｆｏｒｃｅｍｅｎｔＬｅａｒｎｉｎｇ［Ｃ］∥ ＧＬＯＢＥＣＯＭ ２０２０ － ２０２０ ＩＥＥＥ ＧｌｏｂａｌＣｏｍｍｕｎｉｃａｔｉｏｎｓ Ｃｏｎｆｅｒｅｎｃｅ． Ｔａｉｐｅｉ：ＩＥＥＥ，２０２０：１－６．

［２２］ＬＩＵ Ｈ Ｔ，ＷＡＮＧ Ｙ Ｃ，ＬＩ Ｐ Ｘ，ｅｔ ａｌ． Ａ Ｍｕｌｔｉａｇｅｎｔ ＤｅｅｐＲｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ Ｂａｓｅｄ Ｈａｎｄｏｖｅｒ Ｓｃｈｅｍｅ ｆｏｒＭｅｇａｃｏｎｓｔｅｌｌａｔｉｏｎ Ｕｎｄｅｒ Ｄｙｎａｍｉｃ Ｐｒｏｐａｇａｔｉｏｎ Ｃｏｎｄｉｔｉｏｎｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｗｉｒｅｌｅｓｓ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２４，２３（１０）：１３５７９－１３５９６．

［２３］ＹＡＮＧ Ｆ，ＷＵ Ｗ Ｊ，ＧＡＯ Ｙ，ｅｔ ａｌ． ＭｕｌｔｉａｇｅｎｔＦｉｎｇｅｒｐｒｉｎｔｓｅｎｈａｎｃｅｄ Ｄｉｓｔｒｉｂｕｔｅｄ Ｉｎｔｅｌｌｉｇｅｎｔ ＨａｎｄｏｖｅｒＡｌｇｏｒｉｔｈｍ ｉｎ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓｏｎ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ，２０２４，７３（１０）：１５２５５－１５２６９．

［２４］ＷＵ Ｙ，ＨＵ Ｇ Ｙ，ＪＩＮ Ｆ Ｌ，ｅｔ ａｌ． Ａ Ｓａｔｅｌｌｉｔｅ ＨａｎｄｏｖｅｒＳｔｒａｔｅｇｙ Ｂａｓｅｄ ｏｎ ｔｈｅ Ｐｏｔｅｎｔｉａｌ Ｇａｍｅ ｉｎ ＬＥＯ ＳａｔｅｌｌｉｔｅＮｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０１９，７：１３３６４１－１３３６５２．

［２５］ ＷＡＮＧ Ｙ Ｌ，ＱＩＮ Ｘ Ｈ，ＴＡＮＧ Ｚ Ｘ，ｅｔ ａｌ． ＱｏＳｃｅｎｔｒｉｃＨａｎｄｏｖｅｒ ｆｏｒ Ｃｉｖｉｌ Ａｖｉａｔｉｏｎ Ａｉｒｃｒａｆｔ Ａｃｃｅｓｓ ｉｎ ＵｌｔｒａｄｅｎｓｅＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０２２ ＩＥＥＥ／ ＣＩＣ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｃｈｉｎａ （ＩＣＣＣ）． Ｆｏｓｈａｎ：ＩＥＥＥ，２０２２：１０８５－１０８９．

［２６］薛長春，聶敏，楊光，等． 降雪干擾下基于演化博弈的低軌量子衛(wèi)星多用戶切換策略［Ｊ］． 光學學報，２０２３，４３：２４８－２５６．

［２７］ＹＡＮＧ Ｌ，ＹＡＮＧ Ｘ Ｍ，ＢＵ Ｚ Ｙ． Ａ Ｇｒｏｕｐ ＨａｎｄｏｖｅｒＳｔｒａｔｅｇｙ ｆｏｒ Ｍａｓｓｉｖｅ Ｕｓｅｒ Ｔｅｒｍｉｎａｌｓ ｉｎ ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｎｅｔｗｏｒｋｓ［Ｃ］∥２０２２ ＩＥＥＥ ９６ｔｈ Ｖｅｈｉｃｕｌａｒ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏｎｆｅｒｅｎｃｅ （ＶＴＣ２０２２－Ｆａｌｌ）． Ｌｏｎｄｏｎ：ＩＥＥＥ，２０２２：１－６．

［２８］ＺＨＵ Ｋ，ＨＵＡ Ｃ Ｑ，ＧＵ Ｐ Ｗ Ｌ，ｅｔ ａｌ． Ｕｓｅｒ Ｃｌｕｓｔｅｒｉｎｇ ａｎｄＰｒｏａｃｔｉｖｅ Ｇｒｏｕｐ Ｈａｎｄｏｖｅｒ Ｓｃｈｅｄｕｌｉｎｇ ｉｎ ＬＥＯ ＳａｔｅｌｌｉｔｅＮｅｔｗｏｒｋｓ［Ｃ］∥２０２０ ＩＥＥＥ Ｃｏｍｐｕｔｉｎｇ，Ｃｏｍｍｕｎｉｃａｔｉｏｎｓａｎｄ ＩｏＴ Ａｐｐｌｉｃａｔｉｏｎｓ（ＣｏｍＣｏｍＡｐ）． Ｂｅｉｊｉｎｇ：ＩＥＥＥ，２０２０：１－６．

［２９］ＢＵＫＨＡＲＩ Ｓ Ｕ，ＹＵ Ｌ Ｗ，ＤＩ Ｘ Ｑ，ｅｔ ａｌ． Ｆｕｚｚｙ ＣｍｅａｎＣｌｕｓｔｅｒｉｎｇ Ｂａｓｅｄ：ＬＥＯ Ｓａｔｅｌｌｉｔｅ Ｈａｎｄｏｖｅｒ［Ｃ］∥Ｄａｔａ Ｓｃｉｅｎｃｅ：４ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｆ Ｐｉｏｎｅｅｒｉｎｇ ＣｏｍｐｕｔｅｒＳｃｉｅｎｔｉｓｔｓ，Ｅｎｇｉｎｅｅｒｓ ａｎｄ Ｅｄｕｃａｔｏｒｓ． Ｚｈｅｎｇｚｈｏｕ：ＩＥＥＥ，２０１８：３４７－３５８．

作者簡介：

黃輅辰 男，（２０００—），碩士研究生。主要研究方向：衛(wèi)星互聯(lián)網、切換管理。

肖麗霞 女，（１９８７—），博士，研究員。主要研究方向：新型編碼調制、智能信號處理、低功耗無源物聯(lián)網、衛(wèi)星互聯(lián)網。

姚 壯 男，（１９９６—），博士研究生。主要研究方向：衛(wèi)星互聯(lián)網、資源分配、跳波束設計。

（*通信作者）周家喜 男，（１９８０—），博士，教授。主要研究方向：無線通信、衛(wèi)星互聯(lián)網、網絡空間安全。

基金項目：國家重點研發(fā)計劃（２０２１ＹＦＢ２９００５０２）