孫雪苗　趙洪華　胡谷雨

摘? 要： 合理分配衛(wèi)星通信資源是衛(wèi)星通信組網(wǎng)規(guī)劃的重要內(nèi)容。為了提高資源利用率，提出一種基于半監(jiān)督圖卷積神經(jīng)網(wǎng)絡(luò)的組網(wǎng)規(guī)劃方法?；诂F(xiàn)有衛(wèi)星通信系統(tǒng)的網(wǎng)絡(luò)管理架構(gòu)，根據(jù)衛(wèi)星與地球站的可互通條件構(gòu)建系統(tǒng)模型，將半監(jiān)督圖卷積方法應(yīng)用于地球站組網(wǎng)規(guī)劃。最后進行了仿真實驗，結(jié)果表明，所提方法可以根據(jù)設(shè)定的優(yōu)化目標(biāo)對地球站進行快速組網(wǎng)，提高用戶體驗和網(wǎng)絡(luò)資源利用率。

關(guān)鍵詞： 衛(wèi)星通信; 組網(wǎng)規(guī)劃; 半監(jiān)督; 圖卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP393? ? ? ? ? 文獻標(biāo)識碼：A? ? ?文章編號：1006-8228（2022）04-17-04

Semi-supervised graph convolutional neural network based

Earth station networking method

Sun Xuemiao Zhao Honghua Hu Guyu

（Command and Control Engineering College， Army Engineering University of PLA， Nanjing， Jiangsu 210007， China）

Abstract： Rational allocation of satellite communication resources is an important element of satellite communication network planning. In order to improve resource utilization， a network planning method based on semi-supervised graph convolutional neural network is proposed. Based on the network management architecture of the existing satellite communication system， a system model is constructed according to the interoperability conditions between satellites and earth stations. The semi-supervised graph convolution method is applied to the network planning of earth stations. The simulation results show that the proposed method can quickly network the earth station according to the set optimization goal， and improve the user experience and the utilization of network resources.

Key words： satellite communications; network planning; semi-supervised; graphical convolutional neural networks

0 引言

近年來，隨著衛(wèi)星通信業(yè)務(wù)需求急劇增加，業(yè)務(wù)種類日益多樣化，快速增長的業(yè)務(wù)需求與有限的衛(wèi)星通信資源之間矛盾日益凸顯，衛(wèi)星通信資源的規(guī)劃利用成為一個實際難題[1]。

以機器學(xué)習(xí)[2]與深度學(xué)習(xí)[3]為代表的人工智能方法逐漸應(yīng)用于各種領(lǐng)域，組網(wǎng)規(guī)劃也在尋求更加智能合理高效的方法。文獻[4]對現(xiàn)有的衛(wèi)星地球站組網(wǎng)規(guī)劃問題形式化建模，以地球站間盡可能多的一跳通信為目標(biāo)，使用社團發(fā)現(xiàn)方法（community detection）對此問題求解，結(jié)果表明，社團發(fā)現(xiàn)方法確實在地球站組網(wǎng)規(guī)劃方面有效，但在該文獻中為了使用社團方法，對組網(wǎng)規(guī)劃模型只考慮了簡單的約束條件，而組網(wǎng)規(guī)劃是個很復(fù)雜的問題，不過社團發(fā)現(xiàn)的方法仍為此類問題的求解提供了思路。

本文基于半監(jiān)督圖卷積神經(jīng)網(wǎng)絡(luò)（Semi-GCN，Semi-Supervised with Graph Convolutional Networks）方法[5-6]，提出一種新的組網(wǎng)規(guī)劃方法用于解決衛(wèi)星地球站的智能組網(wǎng)問題，支持各類衛(wèi)星通信資源的統(tǒng)一管理分配[7]。

1 系統(tǒng)模型

為了更好地描述衛(wèi)星通信地球站組網(wǎng)的問題，我們建立了面向衛(wèi)星的地球站組網(wǎng)規(guī)劃模型，并制定了組網(wǎng)目標(biāo)。

1.1 對象建模

在系統(tǒng)模型中，各型號地球站可形式化為：

其中Position為一個二元組（X_i，Y_i），表示地球站ES_i所在的地理位置經(jīng)度和緯度坐標(biāo)。假設(shè)每個地球站只有一幅單頻段天線，同一個地球站的信道單元（CU）共用該地球站的天線和射頻線路，天線所支持的射頻工作頻段為ES_RF，在實際系統(tǒng)中具體可以劃分為C，Ku，Ka等頻段;ES_Polar代表地球站的天線極化方式，可劃分為線極化和圓極化兩種模式，具體地，線極化模式可根據(jù)實際通信需求調(diào)整為水平和垂直極化，圓極化模式可調(diào)為左旋圓極化和右旋圓極化。G_t表示地球站的信號發(fā)送幅度增益（dB），其數(shù)值等于發(fā)射機功放增益和天線發(fā)射增益之和。Gr為地球站天線的信號接收增益（dB）。P_max為地球站功率放大器的最大輸出功率（W），{CU}為地球站[ESi]支持的CU集合。具體地，地球站ES_i的第j個CU可表示為CU_ij={Mode， Rate， Vs}]，[Mode表示CU可以支持的傳輸體制集合，Rate表示CU所支持的信號傳輸速率集合;Vs為地球站的接收靈敏度（mV）。735EF330-3615-4D53-B292-BA567E9EE863

在該模型中，所討論的通信衛(wèi)星均為同步衛(wèi)星，各衛(wèi)星可以形式化為：

假設(shè)衛(wèi)星均為多波束衛(wèi)星，且只有一副天線，其中S_RF表示其支持的射頻頻段，S_Polar為該天線的極化方式，支持的點波束數(shù)量為K個。Area表示衛(wèi)星波束的覆蓋地理范圍，因此衛(wèi)星覆蓋范圍是各個波束覆蓋范圍的并集Area=Area₁∪Area₂∪…Area_K，{Tp}為衛(wèi)星透明轉(zhuǎn)發(fā)器。

面向衛(wèi)星地球站通信的組網(wǎng)規(guī)劃問題，目標(biāo)是根據(jù)各用戶通信需求，通過子網(wǎng)劃分實現(xiàn)對地球站進行分配。各子網(wǎng)可以形式化為：

其中[ES]表示子網(wǎng)內(nèi)的地球站集合;Mode為子網(wǎng)的傳輸體制;{Rate}為收發(fā)地球站下的CU共有使用的數(shù)據(jù)傳輸速率集合，單位為Mbit/s;Sat是對子網(wǎng)進行服務(wù)的通信衛(wèi)星。

1.2 條件建模

基于對衛(wèi)星地球站的對象建模，對于? ES_i，ES_j， 兩者可以進行組網(wǎng)的約束條件為：

首先，加入到同一個網(wǎng)絡(luò)內(nèi)的地球站地理位置需要位于同一顆衛(wèi)星的覆蓋范圍內(nèi)。

加入到同一個網(wǎng)絡(luò)內(nèi)的地球站天線必須朝向同一顆通信衛(wèi)星，收發(fā)地球站，衛(wèi)星三者天線均支持相同的射頻頻段。

收發(fā)地球站的天線極化方式需要與該衛(wèi)星天線極化方式相同。

表示加入到同一個網(wǎng)絡(luò)中的CU需達到信號可接收條件，假設(shè)地球站發(fā)射信號電平均為Vt0，則該信號電平+發(fā)送幅度增益+接收天線增益-傳輸損耗至少應(yīng)達到地球站的接收靈敏度門限，單位為dB. 其中A_ij和A_ji表示星地鏈路上下行總的傳輸損耗，通常包括自由空間損耗、大氣衰減和天線跟蹤損耗等，主要受天氣和傳輸距離的影響。

收發(fā)地球站使用的CU需要采用同一種傳輸體制，即信道編碼、調(diào)制解調(diào)、多址接入方式等相同。

收發(fā)地球站使用的CU需要采用同一檔的信息傳輸速率。

在組網(wǎng)過程中，根據(jù)一定周期時間內(nèi)各個地球站之間的通信流量的大小，可以構(gòu)建通信關(guān)聯(lián)矩陣B_N×N，矩陣中元素[bij]表示地球站[i]向地球站j的發(fā)送流量，單位為MB。將可以一跳通信的地球站集合為τ，其流量占比采用式⑽計算：

2 基于半監(jiān)督圖卷積神經(jīng)網(wǎng)絡(luò)的組網(wǎng)方法

本文以提升地球站一跳通信流量的占比為組網(wǎng)目標(biāo)，根據(jù)圖的同質(zhì)性[8]，相鄰的節(jié)點往往具有相似的特征表示，使用Semi-GCN對地球站劃分，將地球站看作節(jié)點，地球站的通信矩陣看作節(jié)點間的信息，將波束看作節(jié)點標(biāo)簽，在標(biāo)記節(jié)點上訓(xùn)練GCN網(wǎng)絡(luò)，需要部分節(jié)點帶有標(biāo)簽信息，從全部地球站中隨機選擇30%的地球站，為它們優(yōu)先選擇一跳通信流量占比高的最優(yōu)衛(wèi)星波束。再經(jīng)由GCN模型分類后，可以得到地球站的最優(yōu)分群組網(wǎng)。最終，面向衛(wèi)星的地球站組網(wǎng)規(guī)劃問題可以歸結(jié)為一個半監(jiān)督分類問題。

本文采用兩層的GCN，利用譜圖理論[9]，借助圖的拉普拉斯矩陣特征值和特征向量研究圖的性質(zhì)，在分類操作前，為了加強網(wǎng)絡(luò)學(xué)習(xí)時的數(shù)值穩(wěn)定性，對拉普拉斯矩陣[L]進行歸一化處理：

則當(dāng)前地球站組網(wǎng)場景下，半監(jiān)督圖卷積神經(jīng)網(wǎng)路的模型為：

其中y_L為帶標(biāo)簽的節(jié)點。

3 仿真與分析

本文仿真分析了提出的基于Semi-GCN的組網(wǎng)規(guī)劃方法的性能，首先介紹了用到的仿真場景和實驗參數(shù)，將Semi-GCN與Cplex和基于遺傳算法[10]（Genetic Algorithm，GA）的組網(wǎng)方法在組網(wǎng)時間，一跳通信占比進行對比。所有的實驗在一臺裝有Intel Corei7-8700 CPU和8GB內(nèi)存的臺式電腦上完成，采用python3.7進行模擬。

3.1 仿真參數(shù)設(shè)置

在仿真過程中，仿真參數(shù)如表1所示，為了簡化問題，我們在仿真過程中，假設(shè)：①每個地球站的功放增益和接收天線增益都足夠大，即滿足信號可接受條件;②每個通信波束對應(yīng)一個轉(zhuǎn)發(fā)器，且轉(zhuǎn)發(fā)器帶寬容量相同。

3.2 實驗結(jié)果

針對該問題，還沒有其他已知的方法用來對比，因此我們將所提出的Semi-GCN與Cplex組網(wǎng)方法和GA的組網(wǎng)方法進行對比。

首先，我們對不同組網(wǎng)方法的時間進行了對比，如表2所示，在不同組網(wǎng)方法下得到最終組網(wǎng)方案的所需要的時間，組網(wǎng)的時間是衡量組網(wǎng)的重要指標(biāo)，實驗結(jié)果表明，無論在小規(guī)模地球站（100個ES）或大規(guī)模地球站組網(wǎng)條件下（10000個ES），Semi-GCN在時間成本上均優(yōu)于Cplex和GA，尤其在大規(guī)模組網(wǎng)條件下時間成本遠遠小于其他兩種方法，且增長趨勢遠低于其他兩種方法。

圖1展示了使用不同算法得到最終組網(wǎng)方案中一跳通信流量在總流量中的占比，在該指標(biāo)中，可以看到Semi-GCN的一跳通信流量占比低于但接近Cplex方法和但遠高于GA，隨著組網(wǎng)規(guī)模增大，一跳通信占比越高，用戶通信體驗就會更好。在地球站規(guī)模達到10000的時候，Semi-GCN方法比僅比最高占比Cplex方法低不到2%，但是Cplex方法在進行規(guī)劃求解的時候，由于地球站的位置需要和衛(wèi)星波束范圍對比，在約束條件中需要使用到平方項，但Cplex無法對含有平方項的約束條件求解，本文采用一次項的約束條件替代，所以部分地球站的位置與衛(wèi)星波束的范圍會有些許差異。所以對于該指標(biāo)，本文所提出的基于Semi-GCN的方法在大規(guī)模地球站計算下得出的解略低于Cplex組網(wǎng)方法，但對于地球站位置的約束更為精確。

4 總結(jié)

針對當(dāng)前衛(wèi)星通信系統(tǒng)無法調(diào)節(jié)通信業(yè)務(wù)增加而衛(wèi)星資源受限的問題，本文從優(yōu)化衛(wèi)星資源利用率和提高Qos的角度出發(fā)，對地球站組網(wǎng)的可互通條件進行了形式化約束，建立了衛(wèi)星通信地球站組網(wǎng)規(guī)劃模型，提出一種基于Semi-GCN的地球站組網(wǎng)方法，能夠有效進行地球站智能組網(wǎng)規(guī)劃。735EF330-3615-4D53-B292-BA567E9EE863

在實際通信場景，用戶間的衛(wèi)星流量是動態(tài)變化的，因此未來的研究方向，可以進一步考慮采用在線學(xué)習(xí)方法進行不同流量條件下的學(xué)習(xí)，設(shè)計適用于復(fù)雜組網(wǎng)場景的動態(tài)組網(wǎng)方案。

參考文獻（References）：

[1] 張洪太，王敏，崔萬照，等.衛(wèi)星通信技術(shù)[M].北京：北京理工大學(xué)出版社，2018

[2] Mitchell T M . Machine Learning[M]. McGraw-Hill，2003

[3] Lecun Y，? Bengio Y，? Hinton G. Deep learning[J].Nature，2015，521（7553）：436

[4] Liu S，? Hu X，? Wang W. Deep Reinforcement LearningBased Dynamic Channel Allocation Algorithm in Multibeam Satellite Systems[J]. IEEE Access，2018：15733-15742

[5] Kip F T N， Welling M. Semi-Supervised Classification withGraph Convolutional Networks[J].2016

[6] Shuman D I，? Narang S K，? Frossard P， et al. The EmergingField of Signal Processing on Graphs： Extending High-Dimensional Data Analysis to Networks and Other Irregular Domains[J]. IEEE Signal Processing Magazine，2013，30（3）：83-98

[7] 趙洪華，謝均，袁偉偉，等.一種衛(wèi)星通信網(wǎng)絡(luò)組網(wǎng)規(guī)劃方法：中國，201810092414.X[P].2018-07-13

[8] Bruna J，? Zaremba W，? Szlam A， et al. Spectral Networksand Locally Connected Networks on Graphs[J].2013.

[9] Diestel R. Graph Theory[J]. Mathematical Gazette，2000，173（502）：67-128

[10] 席裕庚，柴天佑.遺傳算法綜述[J].控制理論與應(yīng)用，1996（6）：697-708735EF330-3615-4D53-B292-BA567E9EE863