3C融合的空天地海一體化通信系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

韓笑雪　王萬龍　孫尚　毛文梁　翟益平

【摘要】? ? 綜合考慮物理環(huán)境域、社群交互域以及內(nèi)容資源域，在空天地海一體化網(wǎng)絡(luò)中，利用多元化終端設(shè)備，例如艦艇、無人機(jī)、車輛，結(jié)合衛(wèi)星通信技術(shù)，實(shí)現(xiàn)多元化業(yè)務(wù)的安全、高效、低時(shí)延的傳輸、存儲(chǔ)及計(jì)算的協(xié)同優(yōu)化是當(dāng)前研究重點(diǎn)。本文考慮天地海一體化通信需求中通信—計(jì)算—緩存（3C）協(xié)同優(yōu)化場(chǎng)景提出了一個(gè)高可靠的通信系統(tǒng)架構(gòu)，并利用SDN、機(jī)器學(xué)習(xí)（ML）、邊緣計(jì)算技術(shù)等技術(shù)進(jìn)行了實(shí)現(xiàn)，實(shí)驗(yàn)結(jié)果表明了該架構(gòu)的可行性。

【關(guān)鍵字】? ? 3C融合? ? 空天地海協(xié)同通信? ? 通信系統(tǒng)? ? 分布式架構(gòu)

一、介紹

作為5G通信技術(shù)發(fā)展的一個(gè)重要方向，層次化云服務(wù)的異構(gòu)云無線接入網(wǎng)絡(luò)不僅可以滿足無線業(yè)務(wù)對(duì)高速計(jì)算或大容量存儲(chǔ)等服務(wù)的要求，還可以擴(kuò)展通信覆蓋范圍，增加傳輸速率，降低傳輸時(shí)延，提高網(wǎng)絡(luò)容量和用戶服務(wù)質(zhì)量。歐洲電信標(biāo)準(zhǔn)化協(xié)會(huì)在5G標(biāo)準(zhǔn)中提出了多接入邊緣計(jì)算（MEC）的解決方案，MEC通過在移動(dòng)網(wǎng)絡(luò)邊緣部署大量的分布式邊緣服務(wù)器，對(duì)網(wǎng)絡(luò)邊緣側(cè)產(chǎn)生的大量數(shù)據(jù)進(jìn)行分析、計(jì)算與存儲(chǔ)，達(dá)到降低回程鏈路流量、緩解核心網(wǎng)擁堵的目的。

近年來，大計(jì)算任務(wù)處理問題突出，計(jì)算卸載/遷移是一個(gè)非常有效的手段，其過程極為復(fù)雜， 需首先判斷是否要進(jìn)行計(jì)算任務(wù)的卸載/遷移，然后針對(duì)要進(jìn)行卸載/遷移的計(jì)算任務(wù)確定需要卸載/遷移的比例。[1]對(duì)于單個(gè)任務(wù)請(qǐng)求節(jié)點(diǎn)，利用一維搜索算法綜合考慮了計(jì)算應(yīng)用的緩存隊(duì)列狀態(tài)、用戶節(jié)點(diǎn)計(jì)算資源的可用情況，在不考慮能耗的前提下最小化卸載/遷移機(jī)制所產(chǎn)生的時(shí)延。

然而在空天地海一體化網(wǎng)絡(luò)中，由于不同設(shè)備、用戶節(jié)點(diǎn)具有不同的物理特征以及通信—存儲(chǔ)—計(jì)算（3C）能力，例如衛(wèi)星、艦艇、車輛等具有強(qiáng)算力，而人員所攜帶設(shè)備所具備的存儲(chǔ)和算力較小。因此，如何面向空天地海一體化網(wǎng)絡(luò)中的多樣化業(yè)務(wù)需求，結(jié)合衛(wèi)星通信技術(shù)，設(shè)計(jì)高效3C協(xié)同一體化方案，以滿足海量連接、低時(shí)延、高可靠的通信技術(shù)，仍然是亟待解決的問題。

與此同時(shí)，人工智能在增強(qiáng)傳統(tǒng)無線通信網(wǎng)絡(luò)的3C一體化發(fā)揮了重要作用。例如，在數(shù)據(jù)感知及處理方面，利用邊緣服務(wù)器對(duì)收集到的數(shù)據(jù)進(jìn)行大數(shù)據(jù)分析和處理，構(gòu)建出圣母院的3D圖像。為了解決傳統(tǒng)算法魯棒性較差的問題，邊緣計(jì)算逐漸轉(zhuǎn)向智能化發(fā)展，即通過機(jī)器學(xué)習(xí)（ML），特別是深度學(xué)習(xí)的方法替代傳統(tǒng)方案來解決邊緣計(jì)算中的問題，如智能邊緣的提出。[4]此外，通過利用大數(shù)據(jù)技術(shù)處理和分析海量數(shù)據(jù)，一種結(jié)合ML的內(nèi)容流行度預(yù)測(cè)算法，通過動(dòng)態(tài)優(yōu)化內(nèi)容緩存策略來降低用戶內(nèi)容下載時(shí)延。同時(shí)，考慮到用戶密集和用戶需求隨著時(shí)間的非靜態(tài)和瞬時(shí)特性，可以基于ML的方法來實(shí)現(xiàn)時(shí)變的內(nèi)容流行度預(yù)測(cè)，從而實(shí)現(xiàn)動(dòng)態(tài)內(nèi)容部署策略。為了滿足空天地海一體化網(wǎng)絡(luò)中所需求的區(qū)域管理、安全監(jiān)控、應(yīng)急事件等任務(wù)，如何利用人工智能實(shí)現(xiàn)對(duì)傳統(tǒng)算法的魯棒性和適應(yīng)性的提升也具有重要意義。因此，本文基于上述技術(shù)融合的通信系統(tǒng)架構(gòu)設(shè)計(jì)與實(shí)現(xiàn)進(jìn)行嘗試，為未來通信通信系統(tǒng)可行性方案。

二、需求及場(chǎng)景

本研究?jī)?nèi)容將綜合考慮區(qū)域管理、安全監(jiān)控、應(yīng)急事件等空天地海一體化網(wǎng)絡(luò)業(yè)務(wù)需求的不同，以及船艦、車輛、無人機(jī)、衛(wèi)星等高速移動(dòng)的網(wǎng)絡(luò)節(jié)點(diǎn)的物理屬性，結(jié)合衛(wèi)星通信技術(shù)，利用端邊云協(xié)同的系統(tǒng)架構(gòu)，研究和設(shè)計(jì)相應(yīng)的資源管理機(jī)制，為實(shí)現(xiàn)海量連接、低時(shí)延、高可靠的空天地海一體化應(yīng)用提供理論支撐和技術(shù)支持。

（一）層次化、差異化智能組網(wǎng)

本研究擬利用衛(wèi)星、車載通信，無人機(jī)、船舶艦艇、海上浮標(biāo)、可攜帶設(shè)備等組成層次化智能的空天地海一體化網(wǎng)絡(luò)平臺(tái)。該平臺(tái)分為三層，第一層為衛(wèi)星，主要用于環(huán)境感知與數(shù)據(jù)收集、目標(biāo)識(shí)別與追蹤等服務(wù);第二層為邊緣云平臺(tái)，可通過協(xié)同工作提供3C服務(wù)，包括高性能車、無人機(jī)和船舶等，提供數(shù)據(jù)處理與存儲(chǔ)（如數(shù)據(jù)清洗、分類、壓縮等），決策與任務(wù)指派（如路徑規(guī)劃，高速目標(biāo)鎖定等）;第三層為小帶有感知器的小無人機(jī)、車、可攜帶設(shè)備、浮標(biāo)等，主要用于提供遠(yuǎn)程外網(wǎng)連接，管理通道等功能。

（二）協(xié)同緩存下的高效內(nèi)容共享及數(shù)據(jù)

在空天地海一體化網(wǎng)絡(luò)中，網(wǎng)元的能力在通信及存儲(chǔ)等方面的差異化更加凸顯。通過預(yù)先在具有大存儲(chǔ)能力的網(wǎng)元上緩存熱門資源，可以實(shí)現(xiàn)在能力差異化的終端之間進(jìn)行高效數(shù)據(jù)共享，以提高其接收服務(wù)的效率，降低延遲。本文將研究利用編碼緩存和非正交多址接入技術(shù)，設(shè)計(jì)面向協(xié)同緩存與高效內(nèi)容的共享機(jī)制，提高頻譜資源利用率。

（三）協(xié)同計(jì)算下的高效數(shù)據(jù)傳輸

針對(duì)設(shè)備節(jié)點(diǎn)感知并收集的海量數(shù)據(jù)，需要進(jìn)一步計(jì)算分析以實(shí)現(xiàn)數(shù)據(jù)的優(yōu)化分級(jí)和處理，例如對(duì)冗雜數(shù)據(jù)的篩選、對(duì)信息的敏感程度進(jìn)行分類等。本研究?jī)?nèi)容將針對(duì)空天地一體化中存在的節(jié)點(diǎn)異質(zhì)性、計(jì)算能力差異性等特點(diǎn)，研究如何結(jié)合用戶物理位置、社交關(guān)系合理調(diào)度網(wǎng)絡(luò)中的設(shè)備計(jì)算能力，結(jié)合移動(dòng)邊緣計(jì)算技術(shù)，通過多用戶協(xié)同計(jì)算補(bǔ)償某獨(dú)立節(jié)點(diǎn)的計(jì)算能力缺失，并實(shí)現(xiàn)高效數(shù)據(jù)傳輸。

（四）人工智能增強(qiáng)下的3C協(xié)同

本文將考慮差異化節(jié)點(diǎn)存在下的3C協(xié)同， 在這種情況下，海量用戶群體以及多維能力變量使得優(yōu)化問題十分復(fù)雜。人工智能是解決復(fù)雜優(yōu)化問題的有效手段，能夠有效實(shí)現(xiàn)數(shù)據(jù)特征提取、數(shù)據(jù)分類等，并解決高維變量的聯(lián)合優(yōu)化。本文將基于以上研究?jī)?nèi)容，進(jìn)一步考慮如何利用ML增強(qiáng)系統(tǒng)的智能化和魯棒性，提高相關(guān)算法、模型在不同環(huán)境、不同應(yīng)用場(chǎng)景中的可遷移性。

（五）協(xié)同組網(wǎng)下面向分級(jí)化業(yè)務(wù)的動(dòng)態(tài)頻譜管理

針對(duì)空天地海一體化網(wǎng)絡(luò)及應(yīng)用場(chǎng)景，海量設(shè)備（例如艦艇、可攜帶設(shè)備、浮標(biāo)等）有不同的業(yè)務(wù)需求和服務(wù)目標(biāo)，本文將設(shè)計(jì)基于用戶設(shè)備協(xié)同的動(dòng)態(tài)無線頻譜管理方法，根據(jù)業(yè)務(wù)等級(jí)、通信鏈路狀況等信息，進(jìn)一步實(shí)現(xiàn)頻譜的自適應(yīng)動(dòng)態(tài)頻譜管理和調(diào)度，從而有效提升網(wǎng)絡(luò)整體的頻譜效率。

三、系統(tǒng)架構(gòu)及實(shí)現(xiàn)

如圖1所示，為基于分布式架構(gòu)的通信系統(tǒng)設(shè)計(jì)，該系統(tǒng)無線接入點(diǎn)采用5G系統(tǒng)，其中核心網(wǎng)（NC）與中心交換機(jī)屬于同一層，實(shí)現(xiàn)其與SDN控制器共享MEC資源，它們被一同放置在了一臺(tái)大無人機(jī)上，大無人機(jī)上具有衛(wèi)星信號(hào)接收機(jī)，通過衛(wèi)星與遠(yuǎn)程控制中心相連。集中單元（CU）與代理器共享MEC，分布式單元（DU）與虛擬化接入點(diǎn)共享MEC，有源天線單元（AUU）分別放到了船、車、無人機(jī)、用戶設(shè)備上，由此形成了一個(gè)三層的3C協(xié)同空天地海一體化通信系統(tǒng)。

在該系統(tǒng)中的ML算法主要用于識(shí)別業(yè)務(wù)切片，以及低時(shí)延（uRRLC），大帶寬（eMBB）和巨量連接（eMTC），SDN控制器主要依據(jù)識(shí)別的業(yè)務(wù)、場(chǎng)景設(shè)備狀態(tài)、服務(wù)需求等進(jìn)行切片配置，路由優(yōu)化及船、車、無人機(jī)等協(xié)同調(diào)度，由于其中的算法過于復(fù)雜，不在本研究的范圍。

四、系統(tǒng)測(cè)試

本研究通過在某湖邊搭建測(cè)試平臺(tái)進(jìn)行實(shí)驗(yàn)，其中一個(gè)遠(yuǎn)程中心，一臺(tái)大無人機(jī)，5臺(tái)小無人機(jī)，10艘小艇、10臺(tái)無人車，100個(gè)用戶。我們讓用戶隨機(jī)進(jìn)行視頻通話模擬uRRLC切片，讓用戶隨機(jī)下載電影模擬eMBB、點(diǎn)擊節(jié)點(diǎn)尋址應(yīng)用產(chǎn)生小數(shù)據(jù)包任務(wù)模擬eMTC切片，其中三種情形一次操作必須大于5分鐘，以便于我們統(tǒng)計(jì)它們對(duì)帶寬、計(jì)算和緩存的平均消耗，最終一共進(jìn)行了50次測(cè)試。如圖2所示，uRRLC中計(jì)算消耗最大，帶寬消耗也相對(duì)較高;eMBB中帶寬消耗最大，緩存消耗也相對(duì)突出;eMTC消耗極大計(jì)算量。

五、結(jié)束語

在海陸空?qǐng)鼍爸?，利用衛(wèi)星、車、艦艇、無人機(jī)、可攜帶設(shè)備等，研究層次化和差異化智能網(wǎng)絡(luò)架構(gòu)，設(shè)計(jì)集合計(jì)算與感知一體的分布式邊緣計(jì)算平臺(tái)，結(jié)合ML，實(shí)現(xiàn)邊緣計(jì)算加AI架構(gòu)，實(shí)現(xiàn)智能化、多維數(shù)據(jù)感知、處理和存儲(chǔ)，任務(wù)調(diào)度和指派等網(wǎng)絡(luò)通信服務(wù)，提供3C資源協(xié)同優(yōu)化服務(wù)，通過在真實(shí)環(huán)境中搭建測(cè)試平臺(tái)進(jìn)行實(shí)驗(yàn)，結(jié)果表明該架構(gòu)在計(jì)算，帶寬及緩存上達(dá)到了均衡。

參? 考? 文? 獻(xiàn)

[1] Y. Zhang et al. “To offload or not to offload： an efficient code partition algorithm formobile cloud computing”， CLOUDNET， pp. 80- 86， 2012.

[2] J. Liu et al. “Delay-Optimal Computation Task Scheduling for Mobile-Edge Computing Systems，” IEEE ISIT， 2016.

[3] Z. Zhou et al. “Robust mobile crowd sensing： When deep learning meets edge computing，” IEEE Network， vol. 32， no. 4， pp. 54–60， July 2018.

[4] E. Li et al. “Edge intelligence： On-demand deep learning model co-inference with device-edge synergy，” ACM SIGCOMM Workshop， 2018.

[5] M. A. Kader， et al. “Leveraging big data analytics for cache-enabled wireless networks，” IEEE Globecom， 2015， pp. 1-6.

[6] B. N. Bharath et al. “Learning-based content caching with time-varying popularity pro?les，” IEEE Globecom， Dec. 48， 2017， pp. 1-6.

[7] Wang， G. et al. LRA-3C： Learning based resource allocation for communication-computing-caching systems [A]. IEEE GreenCom， IEEE CPSCom and IEEE SmartData[C]， 2019： 828-833.

[8] Xiao， P. et al. Implementation for UAVs Aided Edge Sensing System in Wireless Emergency Communications [A]. IEEE WCSP [C]，2019： 1-5.

韓笑雪（1984-），女，河北唐山，工學(xué)碩士，工程師，研究方向：計(jì)算機(jī)網(wǎng)絡(luò);

王萬龍（1982-），男，江蘇江都，理學(xué)學(xué)士，工程師，研究方向：信息系統(tǒng)設(shè)計(jì)與開發(fā);

孫 尚（1985-），男，山東淄博，工學(xué)學(xué)士，工程師，研究方向：信息系統(tǒng)設(shè)計(jì)與開發(fā);

毛文梁（1993-），男，山東德州，工學(xué)碩士，助理工程師，研究方向：計(jì)算機(jī)網(wǎng)絡(luò);

翟益平（1994-），男，湖南常德，工學(xué)學(xué)士，參謀，研究方向：計(jì)算機(jī)網(wǎng)絡(luò)。