面向非合作無人機(jī)通信網(wǎng)絡(luò)的通聯(lián)拓?fù)渫评砑夹g(shù)

宋葉輝 丁國如 徐承龍 孫佳琛 湯 鵬

(陸軍工程大學(xué)通信工程學(xué)院 南京 210007)

1 引言

隨著6G等通信技術(shù)的發(fā)展以及無人機(jī)技術(shù)的日益成熟，憑借著機(jī)動性強(qiáng)、易部署和荷載拓展性廣等優(yōu)勢，無人機(jī)在各領(lǐng)域得到了廣泛應(yīng)用[1–3]。隨著控制和組網(wǎng)技術(shù)的不斷進(jìn)步，無人機(jī)集群的發(fā)展前景也正吸引著越來越多的關(guān)注。特別需要注意的是，無人機(jī)集群在軍事領(lǐng)域的應(yīng)用正在不斷深入拓展，有望催生新的作戰(zhàn)形態(tài)，比如利用無人機(jī)集群實(shí)施協(xié)同偵察、干擾以及攻擊等任務(wù)，甚至可配合有人機(jī)構(gòu)成混合編隊形成新質(zhì)作戰(zhàn)力量。因此，不管是從管理還是對抗的角度來看，都有必要對無人機(jī)集群形成有效的網(wǎng)絡(luò)空間態(tài)勢感知。而通聯(lián)拓?fù)渥鳛榭坍嬀W(wǎng)絡(luò)內(nèi)節(jié)點(diǎn)通聯(lián)關(guān)系和信息交互的一種有效表示手段，是網(wǎng)絡(luò)空間態(tài)勢感知中的重要一環(huán)，在一定程度上反映著網(wǎng)絡(luò)的演化機(jī)制和功能行為發(fā)展。因此，掌握無人機(jī)通信網(wǎng)絡(luò)的拓?fù)涫抢斫?、解釋和預(yù)測無人機(jī)集群行為的前提性條件。

無人機(jī)通信網(wǎng)絡(luò)的基礎(chǔ)在于無線網(wǎng)絡(luò)，其拓?fù)浣Y(jié)構(gòu)關(guān)乎著無人機(jī)通信網(wǎng)絡(luò)的壽命、連通性和穩(wěn)健性?！峨娮訉怪苿贆C(jī)理》[4]一書指出，摧毀10%的關(guān)鍵節(jié)點(diǎn)就足以摧毀對手的信息網(wǎng)絡(luò)。可見，網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)更是蘊(yùn)含著不可忽視的情報價值。但在非合作條件下，關(guān)于拓?fù)涞南闰炛R顯然是缺乏的，這將極大地制約著我們對目標(biāo)無線網(wǎng)絡(luò)的刻畫和更進(jìn)一步對目標(biāo)通信行為的分析。不過，無線網(wǎng)絡(luò)的通信介質(zhì)決定了信息交互勢必會產(chǎn)生電磁信號，而這些物理層面的信息是可以被監(jiān)測到的，且難以被加密篡改。這些信息都潛在反映著目標(biāo)網(wǎng)絡(luò)內(nèi)的通聯(lián)關(guān)系甚至組織架構(gòu)，對其進(jìn)行分析和推理具有廣闊的前景與巨大的應(yīng)用價值。

2 國內(nèi)外研究現(xiàn)狀

網(wǎng)絡(luò)是一個由特定實(shí)體和它們之間的交互所組成的系統(tǒng)[5]。不同類型的網(wǎng)絡(luò)會呈現(xiàn)出不同的特性，但哪怕是同一類型的網(wǎng)絡(luò)，其拓?fù)浣Y(jié)構(gòu)的不同也會導(dǎo)致網(wǎng)絡(luò)演化出不同的動力學(xué)行為和系統(tǒng)功能[6,7]。文獻(xiàn)[8]認(rèn)為，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)及其動力學(xué)之間存在相互作用。類似地，文獻(xiàn)[9]認(rèn)為觀測結(jié)果由具有潛在底層結(jié)構(gòu)的網(wǎng)絡(luò)運(yùn)行而產(chǎn)生，并強(qiáng)調(diào)網(wǎng)絡(luò)拓?fù)渫评硎蔷W(wǎng)絡(luò)科學(xué)中的一個突出問題。但在實(shí)際情況下，我們易于獲取網(wǎng)絡(luò)的性能數(shù)據(jù)，而很難通過觀測直接得到網(wǎng)絡(luò)結(jié)構(gòu)及其動力學(xué)規(guī)律。基于這樣的認(rèn)識，文獻(xiàn)[10]指出，根據(jù)觀測得到的時間序列數(shù)據(jù)恢復(fù)潛在的網(wǎng)絡(luò)結(jié)構(gòu)和動力學(xué)規(guī)律是一個非常重要的任務(wù)。這在網(wǎng)絡(luò)科學(xué)領(lǐng)域是一個典型的網(wǎng)絡(luò)重構(gòu)問題[11]：根據(jù)系統(tǒng)的運(yùn)行表現(xiàn)來推斷網(wǎng)絡(luò)中哪些節(jié)點(diǎn)存在著連邊，而不需要知道系統(tǒng)的演化動力學(xué)。常見方法主要有：基于相關(guān)性的方法[12,13]、基于信息論的方法[14]、基于格蘭杰因果檢驗的方法[15]、基于壓縮感知的方法[16]、基于驅(qū)動響應(yīng)的方法[17]和基于圖神經(jīng)網(wǎng)絡(luò)的方法[18]等。

在計算機(jī)領(lǐng)域，網(wǎng)絡(luò)拓?fù)鋵W(wǎng)絡(luò)管理、運(yùn)營和安全而言具有重要的指導(dǎo)意義，相關(guān)工作豐富而成熟。為區(qū)分本文研究的拓?fù)渫评?，我們暫且將其稱為合作網(wǎng)絡(luò)拓?fù)渫评?。合作網(wǎng)絡(luò)拓?fù)渫评硎腔诰W(wǎng)絡(luò)內(nèi)部的測量，即數(shù)據(jù)的采集是要參與到目標(biāo)網(wǎng)絡(luò)本身當(dāng)中去的。另外，測量的指標(biāo)主要包括網(wǎng)絡(luò)運(yùn)行產(chǎn)生的延遲、丟包率、吞吐量和路由信息等。合作網(wǎng)絡(luò)拓?fù)渫评淼姆诸惙绞接泻芏?，在這里根據(jù)測量方式的不同簡單將其分為兩類。第1種方法是基于內(nèi)部節(jié)點(diǎn)的測量或者是反饋消息的工具，如Ping，Traceroute[19]等。這一類延伸出來，形成了基于協(xié)議的路由器級拓?fù)浒l(fā)現(xiàn)方法[20]。第2種方法是基于網(wǎng)絡(luò)斷層掃描[21–25]，其基本思想是利用在目的節(jié)點(diǎn)上探測到的損耗和延遲之間的相關(guān)性來推斷網(wǎng)絡(luò)結(jié)構(gòu)。網(wǎng)絡(luò)斷層掃描在計算機(jī)領(lǐng)域被稱為非合作拓?fù)渫评矸椒?，因為它是利用終端主機(jī)進(jìn)行端到端的數(shù)據(jù)包探測，而不需要網(wǎng)絡(luò)內(nèi)部節(jié)點(diǎn)的額外合作。但對比只依靠外部被動感知的拓?fù)渫评?，網(wǎng)絡(luò)斷層掃描依然屬于合作網(wǎng)絡(luò)拓?fù)渫评淼姆懂牎?/p>

下面，對本文所關(guān)心的與本方向密切相關(guān)的國內(nèi)外研究做一個現(xiàn)狀梳理和總結(jié)。

2.1 國外研究現(xiàn)狀

國外的相關(guān)研究起步相對較早。2002年，Partridge等人[26]創(chuàng)造性地想到利用信號處理的技術(shù)來實(shí)現(xiàn)網(wǎng)絡(luò)流量分析和拓?fù)浒l(fā)現(xiàn)。他們設(shè)想存在一個監(jiān)測器可以在外部捕獲得到目標(biāo)網(wǎng)絡(luò)中每個節(jié)點(diǎn)的流量信息，主要是包傳輸?shù)臅r間信息和節(jié)點(diǎn)身份信息(下面簡稱為通信事件)；然后，他們將節(jié)點(diǎn)的通信事件編碼成信號，即將包傳輸?shù)拈_始時間視為信號產(chǎn)生時刻，傳輸持續(xù)時間視為信號幅值；進(jìn)一步，他們選擇對編碼信號計算Lomb周期圖以實(shí)現(xiàn)流量分析，并利用基于Lomb周期圖的頻譜相干性來捕捉多個信號之間的相關(guān)性，完成拓?fù)浒l(fā)現(xiàn)。此項工作富有想象力和活力，非合作場景下僅利用通信事件來實(shí)現(xiàn)拓?fù)渫评硎且粋€非常重要的設(shè)想，也是未來很多工作的基礎(chǔ)認(rèn)識。

2013年，來自洛克希德馬丁先進(jìn)技術(shù)實(shí)驗室的Tilghman等人[27]首次提出將格蘭杰因果分析應(yīng)用到無線網(wǎng)絡(luò)拓?fù)渫评淼膯栴}中。他們認(rèn)為節(jié)點(diǎn)之間的通信行為具有因果性，可通過對兩兩節(jié)點(diǎn)之間的通信狀態(tài)時間序列做格蘭杰因果關(guān)系檢驗來發(fā)現(xiàn)節(jié)點(diǎn)間的通聯(lián)關(guān)系。這一工作從因果分析的角度出發(fā)，為后續(xù)研究提供了新思路。2016年，佐治亞理工學(xué)院的Moore等人[28,29]開始提出利用多維霍克斯過程來建模無線網(wǎng)絡(luò)中的通信事件，以實(shí)現(xiàn)拓?fù)浒l(fā)現(xiàn)等功能。他們的工作是從事件點(diǎn)過程的角度出發(fā)，在統(tǒng)計分析中發(fā)現(xiàn)節(jié)點(diǎn)的通聯(lián)關(guān)系，給后續(xù)研究的開展以啟發(fā)性。

2018年，加州大學(xué)洛杉磯分校的Laghate等人[30]在頻譜共享的研究背景下，提出可利用非對稱格蘭杰因果關(guān)系對常見通信協(xié)議的響應(yīng)機(jī)制進(jìn)行建模，實(shí)現(xiàn)有向鏈路的發(fā)現(xiàn)。他們的工作是在Tilghman等人工作的基礎(chǔ)上進(jìn)行了改進(jìn)，需要對響應(yīng)和機(jī)會接入進(jìn)行區(qū)分，并利用離散時間馬爾可夫鏈對響應(yīng)的因果結(jié)構(gòu)進(jìn)行了建模說明。值得注意的是，他們的工作盡管宣稱使用的是非對稱格蘭杰因果，但實(shí)際上已經(jīng)與轉(zhuǎn)移熵的概念不謀而合了。2019年，錫拉丘茲大學(xué)的Sharma等人[31]正式在論文中提出利用轉(zhuǎn)移熵來解決通聯(lián)拓?fù)渫评韱栴}。除此之外，他們工作的創(chuàng)新點(diǎn)在于使用兩步法引入條件轉(zhuǎn)移熵的檢驗來降低虛假鏈路的出現(xiàn)。

2019年，博洛尼亞大學(xué)的Testi等人[32]提出了一種用于非合作無線網(wǎng)絡(luò)拓?fù)渫评淼男驴蚣?，并首次嘗試?yán)脵C(jī)器學(xué)習(xí)的技術(shù)解決拓?fù)渫评淼膯栴}。在2021年，在分布式感知的框架[33]下，他們結(jié)合信源估計、盲源分離和測量關(guān)聯(lián)等技術(shù)實(shí)現(xiàn)了各節(jié)點(diǎn)流量模式的分離，在此基礎(chǔ)上，再基于時間特征的二元分類來推斷各節(jié)點(diǎn)間通聯(lián)關(guān)系的存在與否。他們的工作初步完善了本領(lǐng)域在全流程技術(shù)方面的不足，且首次將神經(jīng)網(wǎng)絡(luò)引入其中具有一定的引領(lǐng)性。但在非合作場景下，如何解決神經(jīng)網(wǎng)絡(luò)的訓(xùn)練問題仍值得進(jìn)一步研究。

2.2 國內(nèi)研究現(xiàn)狀

國內(nèi)其實(shí)也有研究人員較早對這個問題進(jìn)行思考和研究。2009年，36所的楊紅娃等人[34]從網(wǎng)絡(luò)對抗的角度出發(fā)，首次提出了基于偵察信號發(fā)現(xiàn)戰(zhàn)場干線網(wǎng)拓?fù)涞恼w思路。他們在戰(zhàn)場干線網(wǎng)的背景下，梳理總結(jié)了網(wǎng)絡(luò)拓?fù)渫茢嗟?大流程，并對支撐拓?fù)渫茢嗟年P(guān)鍵技術(shù)和解決途徑進(jìn)行了初步的介紹和展望。對于干線鏈路的識別，在無法破解或者解碼分組恢復(fù)得到物理地址的情況下，他們認(rèn)為可以基于數(shù)據(jù)幀和響應(yīng)幀之間存在的顯著時間接續(xù)特征來推斷鏈路的存在與否。他們的工作對后面的相關(guān)研究具有一定的引領(lǐng)性，但很遺憾未見有后續(xù)論文和工作產(chǎn)出。

2018年，國防科技大學(xué)的Niu等人[35]從覆蓋的角度出發(fā)，在已知節(jié)點(diǎn)數(shù)目、位置部署和分布范圍大小的情況下，研究了靜態(tài)無線自組織網(wǎng)絡(luò)在特定連通性下的臨界傳輸距離，再根據(jù)節(jié)點(diǎn)間的物理距離來判斷是否具有連通性。因此，他們工作的重點(diǎn)是推理出所有潛在可通聯(lián)的物理鏈路。但需要注意的是，在實(shí)際中，兩個節(jié)點(diǎn)之間存在物理鏈路不一定代表這兩個節(jié)點(diǎn)一定會使用該鏈路進(jìn)行信息傳遞。接著在2020年，Niu等人[36]在認(rèn)知物聯(lián)網(wǎng)的背景下又研究了干擾源之間的通聯(lián)關(guān)系推理問題，主要是基于數(shù)據(jù)幀和確認(rèn)幀之間存在的關(guān)聯(lián)規(guī)則進(jìn)行解決的。

2019年，針對CSMA/CA(Carrier Sense Multiple Access with Collision Avoidance，帶有沖突避免的載波偵聽多址接入)網(wǎng)絡(luò)，信息工程大學(xué)的李盛祥等人[37]通過定義會話原子的概念來推斷無線網(wǎng)絡(luò)的拓?fù)洹Ｔ谒麄兊姆桨咐?，會話原子是一個包含僅由兩個不同節(jié)點(diǎn)發(fā)出的幀的集合，通過對不同節(jié)點(diǎn)之間的會話原子個數(shù)進(jìn)行判決以實(shí)現(xiàn)鏈路的重構(gòu)。但需要注意的是，會話原子的劃分準(zhǔn)確性受估計得到的最小幀間隔影響較大，且在沖突碰撞較明顯的情況下，劃分的效果將難以保證。同年，電子信息控制重點(diǎn)實(shí)驗室的唐建強(qiáng)等人[38]針對CSMA/CA無線自組織網(wǎng)絡(luò)的拓?fù)渫评韱栴}展開了研究。他們認(rèn)為如果節(jié)點(diǎn)A的允許發(fā)送(Clear To Send, CTS)幀-確認(rèn)(Acknowledgment, ACK)幀和節(jié)點(diǎn)B的請求發(fā)送(Request To Send, RTS)幀-數(shù)據(jù)(Data)幀多次滿足CSMA/CA協(xié)議中的時間間隔，則可判定節(jié)點(diǎn)A和節(jié)點(diǎn)B之間存在通信鏈路。很顯然，他們的工作需要提前獲知無線幀的類型，并且容易受幀類型識別準(zhǔn)確率的影響。除此之外，這兩項工作都高度依賴對CSMA/CA協(xié)議的分析，在未來其他場景下的可拓展性可能較差。

2019年，電子科技大學(xué)的梁爽[39]在對802.11協(xié)議進(jìn)行研究與分析的基礎(chǔ)上，認(rèn)為物理層的功率信息與節(jié)點(diǎn)的傳輸行為是相關(guān)聯(lián)的。他首先利用主成分分析法對累積功率信息矩陣進(jìn)行數(shù)據(jù)壓縮，然后基于判定規(guī)則得出發(fā)送方輻射源，最后通過相關(guān)性分析實(shí)現(xiàn)對多組通聯(lián)關(guān)系的識別。同年，陸軍工程大學(xué)的Liu等人[40]基于超短波電臺通信規(guī)則推理電臺之間的通信關(guān)系。進(jìn)一步，他們從頻譜監(jiān)測數(shù)據(jù)挖掘的角度出發(fā)，針對跳頻通信網(wǎng)絡(luò)提出了一種基于改進(jìn)型DBSCAN(Density-Based Spatial Clustering of Applications with Noise)的通聯(lián)關(guān)系識別方法[41,42]。他們研究發(fā)現(xiàn)通信個體產(chǎn)生的頻譜信號是具有聚類特征的，因此考慮利用跳頻周期、平均功率和信號的出現(xiàn)時間等物理量來推斷電臺的通信關(guān)系。

2020年，國防科技大學(xué)的邵豪等人[43]提出在壓縮感知的框架下解決無線通信網(wǎng)的拓?fù)渫评韱栴}。他們的工作需要區(qū)分Data幀和ACK幀，并基于Data幀和ACK幀之間的時間接續(xù)關(guān)系設(shè)定一個合適的時間窗口，在該窗口內(nèi)確定各節(jié)點(diǎn)的通信狀態(tài)：Data幀或ACK幀的發(fā)與不發(fā)。然后，利用壓縮感知模型對多個時間窗口的節(jié)點(diǎn)狀態(tài)序列進(jìn)行建模，并通過多次迭代篩選的重構(gòu)算法實(shí)現(xiàn)對節(jié)點(diǎn)間鏈接關(guān)系的恢復(fù)。同年，電子科技大學(xué)的祝晟瑋[44]提出利用卷積神經(jīng)網(wǎng)絡(luò)來識別節(jié)點(diǎn)間的通聯(lián)關(guān)系類型，如廣播、輪詢和作為參照的“不定”等。他首先將節(jié)點(diǎn)的通斷序列圖像化，標(biāo)簽為通聯(lián)關(guān)系的類型，然后以此作為學(xué)習(xí)模型的輸入，最后通過訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)達(dá)到實(shí)現(xiàn)目標(biāo)通聯(lián)關(guān)系類型識別的目的。但通聯(lián)關(guān)系類型的識別仍屬于粗顆粒度的分析，難以實(shí)現(xiàn)對目標(biāo)網(wǎng)絡(luò)的通聯(lián)拓?fù)溥M(jìn)行具體刻畫。

2021年，南京航天航空大學(xué)的Liu等人[45,46]考慮了樣本不可靠場景下的無線網(wǎng)絡(luò)拓?fù)涓兄獑栴}，并進(jìn)一步提出可利用多傳感器的空間分集來應(yīng)對無線信道的隨機(jī)性。他們的工作是基于多維霍克斯過程對節(jié)點(diǎn)的通信事件進(jìn)行建模，并分別從硬融合和軟融合的角度提出了4種分布式傳感器的協(xié)作拓?fù)涓兄椒ā?/p>

本文作者從2019年開始就對這一問題進(jìn)行了持續(xù)關(guān)注與研究。考慮拓?fù)渫评淼挠行?，我們提出了一種快速拓?fù)渫评硭惴╗47]，通過挖掘不同批次的拓?fù)湫畔磉_(dá)到提高推理效率的目的。進(jìn)一步，考慮到無人機(jī)通信網(wǎng)絡(luò)的時變性，我們通過拓展多維霍克斯過程進(jìn)行事件建模，并結(jié)合滑動時間窗機(jī)制，應(yīng)用最大加權(quán)似然估計來提高算法對樣本時效性的敏感度[48]。

2.3 研究現(xiàn)狀總結(jié)與分析

面向非合作無線網(wǎng)絡(luò)的通聯(lián)拓?fù)渫评硌芯侩m然與網(wǎng)絡(luò)重構(gòu)問題一脈相承，但由于具體研究領(lǐng)域的特殊性，又有很多新挑戰(zhàn)亟需研究解決。挑戰(zhàn)意味著機(jī)遇，近幾年的相關(guān)工作相繼涌現(xiàn)也從側(cè)面證明了這個方向的重要性和可行性。成果產(chǎn)出的同時也促使我們重新思考模型和機(jī)理是否清晰合理，增量將出自何處，未來應(yīng)用又該在哪里落腳。通過文獻(xiàn)調(diào)研，可以發(fā)現(xiàn)現(xiàn)有研究總體上仍處于起步階段[49]，缺乏對問題的系統(tǒng)梳理和總結(jié)，對系統(tǒng)模型和推理機(jī)理的理解與表述還不夠清晰，研究尚未形成體系?，F(xiàn)有工作間的可參考價值尚未凸顯，原因主要集中在場景多樣、方法混雜、仿真數(shù)據(jù)各異等。這導(dǎo)致現(xiàn)有方法在同一數(shù)據(jù)維度下的對比甚少，對進(jìn)一步的研究難以起到更深層次的促進(jìn)作用。

除此之外，現(xiàn)有工作一般直接假設(shè)用于推理的樣本完美可信，而較少考慮感知過程中存在的問題與挑戰(zhàn)，且缺乏對感知系統(tǒng)的功能設(shè)計；現(xiàn)有工作利用的數(shù)據(jù)類型較為單一，基本集中在狀態(tài)時間序列，推理方法難以有新維度的突破；現(xiàn)有工作研究的網(wǎng)絡(luò)規(guī)模都較小，且大多預(yù)設(shè)目標(biāo)網(wǎng)絡(luò)的通聯(lián)拓?fù)浔３朱o態(tài)不變。

3 面向非合作無線網(wǎng)絡(luò)的通聯(lián)拓?fù)渫评砟Ｐ秃蜋C(jī)理

3.1 系統(tǒng)模型

考慮一個非合作的物理場景，主要由一個感知系統(tǒng)和一個非合作的目標(biāo)無線網(wǎng)絡(luò)構(gòu)成，如圖1所示。目標(biāo)網(wǎng)絡(luò)G(V,E)包含U個節(jié)點(diǎn)，其通聯(lián)拓?fù)淇捎舌徑泳仃嘇 ∈RU×U進(jìn)行表示。其中，當(dāng)節(jié)點(diǎn)vj到vi之間存在通聯(lián)鏈路時，aij取值才為非零。

圖1 非合作場景示意圖

在本文中，感知系統(tǒng)不局限于集中式或者分布式等特定形式，重點(diǎn)在于感知系統(tǒng)與目標(biāo)無線網(wǎng)絡(luò)之間不存在合作的關(guān)系，即目標(biāo)節(jié)點(diǎn)不會主動將自己的運(yùn)行信息上報給感知系統(tǒng)，感知系統(tǒng)對目標(biāo)無線網(wǎng)絡(luò)所采用的通信規(guī)范也未知。因此，在非合作場景下，感知系統(tǒng)通過解析信號獲取地址等信息面臨著巨大的挑戰(zhàn)，即使通過侵入的方式成功接入到目標(biāo)網(wǎng)絡(luò)還是難以繞開認(rèn)證、鑒權(quán)以及加密等難題[38]。

因此，主要考慮感知系統(tǒng)從網(wǎng)絡(luò)外部對其實(shí)施非侵入式的觀測，以獲取物理層面的通信特征，比如信號傳輸?shù)拈_始時間、停止時間、持續(xù)時長、平均功率以及所用頻點(diǎn)等信息。相比于基于解析的信號內(nèi)容或者基于特定的先驗知識進(jìn)行推理的方法，利用這些易于被感知獲取的通信特征來實(shí)現(xiàn)通聯(lián)拓?fù)渫评砘蛟S具有更大的潛力和普適性，而不會被具體的場景所局限。

3.1.1 感知系統(tǒng)構(gòu)建

從系統(tǒng)的角度考慮通聯(lián)拓?fù)涞耐评韱栴}，給出感知系統(tǒng)的整體框架，并梳理總結(jié)相關(guān)的關(guān)鍵技術(shù)。如圖2所示，考慮將整個系統(tǒng)分為3個子系統(tǒng)進(jìn)行設(shè)計：射頻采樣子系統(tǒng)、數(shù)據(jù)預(yù)處理子系統(tǒng)和推理子系統(tǒng)。

圖2 感知系統(tǒng)框架圖

射頻采樣子系統(tǒng)根據(jù)需求主要負(fù)責(zé)對部署范圍內(nèi)的電磁信號進(jìn)行感知，以實(shí)現(xiàn)從時、空、頻、能等各域構(gòu)建起對電磁環(huán)境的基本認(rèn)知。

數(shù)據(jù)預(yù)處理子系統(tǒng)是基于射頻采樣子系統(tǒng)提供的原始數(shù)據(jù)信息進(jìn)行預(yù)處理，以滿足推理子系統(tǒng)所需的物料要求，現(xiàn)一般為各節(jié)點(diǎn)發(fā)射信號的時間信息。該子系統(tǒng)主要完成3個方面的工作：信號處理、目標(biāo)消歧和網(wǎng)系消歧。信號處理主要完成的是信號分選和感知決策這兩方面的工作。信號分選是將混雜信號進(jìn)行分離，感知決策是將分離出的信號進(jìn)行判決得出狀態(tài)時間序列。目標(biāo)消歧的主要目標(biāo)是先實(shí)現(xiàn)目標(biāo)節(jié)點(diǎn)與通信特征信息的關(guān)聯(lián)，再完成跟狀態(tài)時間序列的關(guān)聯(lián)：首先通過位置信息、載波頻率、出現(xiàn)時間和星座圖等通信特征的相似性度量完成對目標(biāo)節(jié)點(diǎn)的消歧，確保目標(biāo)節(jié)點(diǎn)的唯一性，再將目標(biāo)節(jié)點(diǎn)和狀態(tài)時間序列進(jìn)行匹配關(guān)聯(lián)。網(wǎng)系消歧是根據(jù)通信規(guī)范將節(jié)點(diǎn)區(qū)分為不同的網(wǎng)絡(luò)，選出感興趣的目標(biāo)網(wǎng)絡(luò)。哪怕是混合制式的網(wǎng)絡(luò)，也可以先進(jìn)行子網(wǎng)絡(luò)的拓?fù)渫评?，再根?jù)網(wǎng)間節(jié)點(diǎn)進(jìn)行關(guān)聯(lián)整合。

推理子系統(tǒng)的主要目標(biāo)是反演得到目標(biāo)無線網(wǎng)絡(luò)的通聯(lián)拓?fù)?。根?jù)文獻(xiàn)調(diào)研，目前研究的方法主要集中在因果分析、轉(zhuǎn)移熵和多維霍克斯過程等。這些方法都基于各節(jié)點(diǎn)發(fā)射信號的時序信息，除了霍克斯過程是直接利用信號出現(xiàn)或消失的時間戳信息外，其他方法一般都需要基于整個狀態(tài)時間序列?，F(xiàn)有方法一般都會基于物料先給出通聯(lián)關(guān)系強(qiáng)度的估計值，然后進(jìn)行決策才得出通聯(lián)拓?fù)?。決策過程根據(jù)推理方法不同一般分為閾值決策和顯著性檢驗兩種方式，目前如何精準(zhǔn)決策依舊是推理的一個痛點(diǎn)。最后，根據(jù)需要可增加對通聯(lián)拓?fù)涞目梢暬故?、性能分析甚至?shù)據(jù)挖掘應(yīng)用等功能。

3.1.2 問題概述

該研究問題的挑戰(zhàn)和機(jī)遇的關(guān)鍵都在于非合作的約束條件。具體來說，該問題主要分為兩個方面：

(1)狀態(tài)時間序列獲取問題。雖然相比于通過解析信號來直接獲取目標(biāo)節(jié)點(diǎn)間的交互內(nèi)容，基于外部觀測得到各節(jié)點(diǎn)在物理層面的通信特征顯然更容易實(shí)現(xiàn)。但對這些數(shù)據(jù)進(jìn)行預(yù)處理獲取推理所需的狀態(tài)時間序列同樣具有難度，主要集中在節(jié)點(diǎn)識別、信號分選、節(jié)點(diǎn)與信號的關(guān)聯(lián)、信號有無的決策等；

(2)推理問題。僅利用預(yù)處理得到的狀態(tài)時間序列對目標(biāo)無線網(wǎng)絡(luò)的通聯(lián)拓?fù)溥M(jìn)行反演更是一個嶄新的挑戰(zhàn)。這首先需要解決通信特征與通聯(lián)關(guān)系之間是否存在內(nèi)在聯(lián)系的問題；其次需要尋找適用于解決該問題的推理算法或者理論；最后需要去考慮提升算法在各個場景下的性能問題，如動態(tài)場景、非理想感知場景甚至樣本缺失場景等。

目前，雖然尚未有研究人員在同一個框架下整合所有相關(guān)的技術(shù)進(jìn)行研究，但涉及第1個問題的關(guān)鍵技術(shù)研究比較豐富?，F(xiàn)梳理如下：針對節(jié)點(diǎn)識別，主要有輻射源個體識別[50]和非合作定位技術(shù)[51,52]等；針對信號分選[53]，有聚類分析、參數(shù)估計、盲源分離[54]和網(wǎng)臺分選等領(lǐng)域的研究；針對節(jié)點(diǎn)與信號的關(guān)聯(lián)，需要在節(jié)點(diǎn)識別和信號分選的基礎(chǔ)上進(jìn)行匹配，具體場景下可以利用匹配算法[55]或者關(guān)聯(lián)規(guī)則算法[56]進(jìn)行解決；針對信號有無的決策，常見的頻譜感知方法有能量檢測、匹配濾波器檢測和循環(huán)平穩(wěn)檢測等。

最后，推理問題可重新表述為：針對具有通聯(lián)拓?fù)銩 ∈RU×U的目標(biāo)無線網(wǎng)絡(luò)，基于感知判決得到的狀態(tài)時間序列Xu,vu ∈V，利用合適的理論和算法推理得到A?∈RU×U，以盡可能吻合A ∈RU×U。

3.2 推理機(jī)理

本小節(jié)將基于3.1節(jié)的工作，繼續(xù)對通聯(lián)拓?fù)渫评淼臋C(jī)理進(jìn)行分析，主要從網(wǎng)絡(luò)層次建模、網(wǎng)絡(luò)構(gòu)建理解以及具體協(xié)議分析3個方面展開闡述，以達(dá)到厘清機(jī)理的目的。

3.2.1 網(wǎng)絡(luò)層次建模

對無線網(wǎng)絡(luò)進(jìn)行層次建模有助于我們從一個機(jī)理的高度來理解網(wǎng)絡(luò)的運(yùn)行和功能實(shí)現(xiàn)，為通聯(lián)拓?fù)涞耐评淼於ㄒ粋€認(rèn)知上的基礎(chǔ)。

圖3顯示，無線網(wǎng)絡(luò)的基礎(chǔ)是物理域內(nèi)的客觀現(xiàn)實(shí)存在，信息流動則依賴信息域內(nèi)的標(biāo)準(zhǔn)與規(guī)范，而無線網(wǎng)絡(luò)的最終實(shí)現(xiàn)和應(yīng)用則取決于最上層的認(rèn)知域。認(rèn)知域主要考慮人的因素，使用人員參與到網(wǎng)絡(luò)運(yùn)行的最直接方式是生成信息，通過信息流動去達(dá)到使用的目的。信息域則主要考慮機(jī)器邏輯，通過構(gòu)建支撐網(wǎng)絡(luò)實(shí)現(xiàn)互聯(lián)互通的標(biāo)準(zhǔn)體系，對網(wǎng)絡(luò)各層之間的信息流動進(jìn)行協(xié)議規(guī)范，以實(shí)現(xiàn)控制信息和信息流在物理域的運(yùn)行。同時值得關(guān)注的是，網(wǎng)絡(luò)內(nèi)信息交互形成的網(wǎng)絡(luò)通聯(lián)拓?fù)湟彩切畔⒂騼?nèi)一種重要組成部分，信息流在一定程度上反映著認(rèn)知域內(nèi)的特征圖譜。而物理域則主要考慮物質(zhì)基礎(chǔ)，通過物理實(shí)體將信息轉(zhuǎn)化成物理世界可運(yùn)行的信號進(jìn)行現(xiàn)實(shí)傳輸，通過支持信息傳遞來滿足使用者的應(yīng)用目的。

圖3 無線網(wǎng)絡(luò)的抽象模型

重要的是，物理域的客觀存在意味著是可以被觀測描述的。因此，對于無線網(wǎng)絡(luò)的分析適宜首先從物理域的信號層面入手，再延伸到對信息域內(nèi)機(jī)器邏輯以及信息交互等特征的數(shù)據(jù)發(fā)掘，最后實(shí)現(xiàn)對無線網(wǎng)絡(luò)使用者行為的分析和刻畫。

3.2.2 網(wǎng)絡(luò)構(gòu)建理解

在本小節(jié)，我們嘗試從網(wǎng)絡(luò)構(gòu)建的角度來理解信息交互的機(jī)制。開放系統(tǒng)互連參考模型將網(wǎng)絡(luò)劃分為7層，以協(xié)議的形式對各層的功能進(jìn)行描述和規(guī)范，確保上下層和對等層都能正確通信。進(jìn)一步，我們可以通過數(shù)據(jù)封裝的過程來直觀理解信息是如何進(jìn)行傳遞的。為便于理解，我們可以將圖4的開放系統(tǒng)1和開放系統(tǒng)2簡單視為兩位用戶。如圖4所示，當(dāng)發(fā)送進(jìn)程需要發(fā)送用戶1的數(shù)據(jù)時，數(shù)據(jù)首先是通過應(yīng)用層的接口進(jìn)入到應(yīng)用層。應(yīng)用層會將用戶1的數(shù)據(jù)加上報頭AH，封裝成應(yīng)用層協(xié)議數(shù)據(jù)單元，然后將其通過應(yīng)用層與表示層之間的接口傳送到表示層。同理，其余幾層也會進(jìn)行同樣的處理，直到數(shù)據(jù)鏈路層將封裝完畢的數(shù)據(jù)通過物理層傳送到相應(yīng)接收進(jìn)程的物理層。如果數(shù)據(jù)傳輸都沒有錯誤，對于接收進(jìn)程而言，需要從數(shù)據(jù)鏈路層到應(yīng)用層依次進(jìn)行類似的解封裝工作，直到接收進(jìn)程接收到相應(yīng)的數(shù)據(jù)。最終，用戶2從接收進(jìn)程的數(shù)據(jù)中理解出用戶1所要傳遞的信息，本次信息傳遞結(jié)束。

圖4 數(shù)據(jù)封裝過程示意圖

因此，在網(wǎng)絡(luò)中，信息交互的最終落腳點(diǎn)都是物理層面的信號傳輸。而對于物理傳輸媒介為無線信道的網(wǎng)絡(luò)而言，對物理層信號發(fā)射行為的監(jiān)測可以為發(fā)現(xiàn)用戶間信息交互的行為提供反演的可能。這也將是我們認(rèn)為可實(shí)現(xiàn)非合作通聯(lián)拓?fù)渫评淼闹匾A(chǔ)。

3.2.3 具體協(xié)議分析

在物理層的上一層就是數(shù)據(jù)鏈路層，所以選擇數(shù)據(jù)鏈路層的協(xié)議進(jìn)行分析可以盡可能地兼顧到上面各層的通信行為。數(shù)據(jù)鏈路層主要由邏輯鏈路控制(Logical Link Control, LLC)和MAC兩個子層構(gòu)成。我們主要考慮從MAC層協(xié)議入手，因為MAC層協(xié)議相比LLC層協(xié)議更接近物理層，而且這一協(xié)議規(guī)范了信道接入機(jī)制。針對MAC層協(xié)議，我們選擇對經(jīng)典的CSMA/CA協(xié)議[57]展開討論和分析。

圖5描述了源節(jié)點(diǎn)和目的節(jié)點(diǎn)利用分布式協(xié)調(diào)功能(Distributed Coordination Function, DCF)進(jìn)行通信的過程。如果源節(jié)點(diǎn)需要發(fā)送數(shù)據(jù)，在監(jiān)測到信道持續(xù)空閑一個分布式幀間間隔(Distributed Interframe Space, DIFS)后，它需要首先發(fā)出一個RTS去預(yù)約信道，此時除了目的節(jié)點(diǎn)外的其他所有節(jié)點(diǎn)監(jiān)聽到RTS后會推遲自己的信道接入。而目的節(jié)點(diǎn)如果在空閑狀態(tài)下接收到RTS，則會發(fā)出CTS，此時除了源節(jié)點(diǎn)外的其他所有節(jié)點(diǎn)監(jiān)聽到CTS后則同樣會推遲接入，其中CTS距離RTS一般間隔一個短幀間間隔(Short Interframe Space,SIFS)。而當(dāng)源節(jié)點(diǎn)接收到目的節(jié)點(diǎn)的CTS后會立即發(fā)出Data，接著如果目的節(jié)點(diǎn)正確接收Data后會回復(fù)一個ACK。至此，一個成功的通信過程結(jié)束。

圖5 利用DCF進(jìn)行成功通信的示意圖

由圖5可知，在協(xié)議層面，無線網(wǎng)絡(luò)中的節(jié)點(diǎn)交互在時序上存在著一定的規(guī)律。除此之外，通信行為本身也天然存在著響應(yīng)的機(jī)制以確保信息的正確傳遞，如圖6所示。這在軍事通信網(wǎng)中較為常見，比如下級對上級的指示命令會通過重復(fù)等形式進(jìn)行回復(fù)，以確保對上級意圖的正確理解。

圖6 通信行為示意圖

基于這樣的認(rèn)識，本文考慮通過分析激勵與響應(yīng)之間的機(jī)制和規(guī)律來發(fā)現(xiàn)無線網(wǎng)絡(luò)的通聯(lián)拓?fù)?。從信息交互的時效性考慮，我們認(rèn)為響應(yīng)不可避免地存在延遲，但這種延遲應(yīng)該越短越好，而且響應(yīng)天然存在于激勵事件之后。受此啟發(fā)，可通過挖掘節(jié)點(diǎn)通信行為之間的因果性來實(shí)現(xiàn)拓?fù)渫评淼哪繕?biāo)。

4 推理方法介紹

現(xiàn)有工作的共識是通過挖掘不同節(jié)點(diǎn)在時序上存在的潛在規(guī)律或者因果性來實(shí)現(xiàn)通聯(lián)拓?fù)渫评怼?/p>

4.1 相關(guān)性分析

相關(guān)性分析憑借其簡單易操作的特性通常被用作處理和分析時間序列的一種工具。通過前一小節(jié)可知，節(jié)點(diǎn)之間的響應(yīng)是存在延遲的。因此，可以通過對兩兩節(jié)點(diǎn)之間的狀態(tài)時間序列做互相關(guān)度量，用該相關(guān)性對通聯(lián)強(qiáng)度進(jìn)行表示。需要注意的是，相關(guān)性分析雖然與因果關(guān)系分析聯(lián)系緊密，但相關(guān)并不一定代表因果。另外，在存在多因素相互影響的情況下，基于相關(guān)性分析的方法發(fā)現(xiàn)多變量關(guān)聯(lián)的能力可能較差。因此，基于這些考慮，本節(jié)主要將其視為一種基準(zhǔn)的對比方法。

4.2 格蘭杰因果

4.3 轉(zhuǎn)移熵

2000年，Schreiber提出轉(zhuǎn)移熵(Transfer Entropy, TE)[58]的概念，在互信息[59]的基礎(chǔ)上進(jìn)一步考慮了系統(tǒng)中信息傳遞的度量方法。之后，轉(zhuǎn)移熵也開始被用于度量兩個時間序列之間的因果關(guān)系。與格蘭杰因果關(guān)系一樣，轉(zhuǎn)移熵同樣是基于Wiener因果理論[60]的定義。這可以理解為，增加“原因”的歷史信息可降低預(yù)測“結(jié)果”的不確定性。但相比于GC，TE的前提條件更為一般，它放松了線性自回歸建模的假設(shè)。為有向地刻畫兩個時間序列之間的信息流動或者相互作用，Schreiber[58]給出了時間序列X對Y的轉(zhuǎn)移熵定義

由此，在考慮k=r=τ的情況下，節(jié)點(diǎn)vi和節(jié)點(diǎn)vj之間的通聯(lián)關(guān)系強(qiáng)度可以用TEXi→Xj(k,r)表示，其中Xi同樣是指關(guān)于節(jié)點(diǎn)vi開始發(fā)射信號和結(jié)束發(fā)射信號的狀態(tài)時間序列。

4.4 多維霍克斯過程

1971年，Hawkes[61]對點(diǎn)過程的自激性和互激性進(jìn)行研究，提出的模型在之后被命名為Hawkes(霍克斯)過程。霍克斯過程因其能有力描述不同事件之間的自觸發(fā)和互觸發(fā)模式而得到廣泛應(yīng)用。

考慮一類點(diǎn)過程N(yùn)(t)，N(t)代表到時刻t為止累計發(fā)生的事件數(shù)，其基本事件可由發(fā)生的時間點(diǎn)ti進(jìn)行定義，具體可用隨機(jī)事件序列S={t1,t2,...}表示。強(qiáng)度函數(shù)揭示了事件的生成規(guī)律，可用于對點(diǎn)過程的本質(zhì)特征進(jìn)行刻畫，定義為[61]

5 推理方法仿真對比

為表達(dá)的簡潔性，將基于相關(guān)性分析、格蘭杰因果、轉(zhuǎn)移熵和多維霍克斯過程的方法分別簡寫為Cor, GC, TE和MHP。為簡化問題，假定在較短的時間內(nèi)，目標(biāo)無線網(wǎng)絡(luò)的通聯(lián)拓?fù)浔３制椒€(wěn)不變。

5.1 仿真參數(shù)設(shè)定

在以下模擬中，假定由U架無人機(jī)組成的目標(biāo)無線網(wǎng)絡(luò)始終存在于感知系統(tǒng)的感知范圍內(nèi)。U架無人機(jī)的飛行高度均保持在100 m不變，同時初始位置隨機(jī)分布在1000 m×1000 m的正方形區(qū)域內(nèi)，并以20 m/s的勻速根據(jù)預(yù)設(shè)的飛行路線在該范圍內(nèi)進(jìn)行活動。目標(biāo)無線網(wǎng)絡(luò)的通信類型為定頻通信，并通過分布式協(xié)調(diào)的方式進(jìn)行機(jī)會頻譜接入，即考慮采用CSMA/CA協(xié)議實(shí)現(xiàn)競爭接入。參考802.11b，模擬采用的數(shù)據(jù)傳輸速率為2 Mbps，設(shè)定時隙間隔為20 μs，SIFS為10 μs，DIFS為50 μs。

5.2 性能指標(biāo)介紹

5.3 算法性能對比

本節(jié)主要完成對4種方法的比較，并考慮評估觀測時長、網(wǎng)絡(luò)規(guī)模和感知時隙這3種因素對推理效果的影響，最后給出計算復(fù)雜度的比較。開始之前，對推理效果進(jìn)行一個直觀的可視化展示。

4種算法的推理結(jié)果如圖8所示。通過與真實(shí)的通聯(lián)拓?fù)渲庇^對比可知，這4種算法基本上都能推理得到目標(biāo)無線網(wǎng)絡(luò)中出現(xiàn)過的幾乎所有鏈路。其中，GC和TE在完美發(fā)現(xiàn)所有鏈路的同時也未給出任何虛假鏈路。而Cor和MHP都存在給出虛假鏈路的情況，且Cor的虛警概率要遠(yuǎn)遠(yuǎn)高于其他三者，甚至可能已經(jīng)無法正確區(qū)分出存在鏈路與否，這也符合我們在前文中的推測，其有效性存疑。另外，雖然MHP可能既存在虛警，又存在漏警。但由圖8(d)可知，MHP對鏈路也有較強(qiáng)的區(qū)分能力，具體性能則將取決后期的二元決策。

圖7 目標(biāo)無線網(wǎng)絡(luò)的通聯(lián)拓?fù)淇梢暬故?/p>

圖8 4種算法推理得到的通聯(lián)拓?fù)淇梢暬故?/p>

5.3.1 觀測時長的影響

本小節(jié)主要研究觀測時長對推理性能的影響，同時比較不同算法受觀測時長的影響。首先，給出關(guān)鍵的仿真參數(shù)設(shè)置：網(wǎng)絡(luò)規(guī)模U=20；感知時隙Ts=5 μs；Cor, GC和TE考慮的歷史長度為25 μs，對應(yīng)的模型階數(shù)或滯后值τ=5；觀測時長T發(fā)生變化。仿真結(jié)果如圖9所示。

圖9(a)顯示Cor即使在閾值決策后也沒有性能增益，只是略好于隨機(jī)選擇的效果，而感知時長的增長也同樣未提高Cor的推理性能。圖9(b)顯示GC近乎完美分類器，感知時間延長對其性能有提升，但增幅極少；圖9(c)顯示TE還要優(yōu)于GC，始終保持完美推理的效果。分析原因，除了GC和TE本身的推理能力高以外，網(wǎng)絡(luò)規(guī)模較小也在一定程度上降低了推理難度，綜合因素使得這兩者即使在很短的感知時間內(nèi)就可以達(dá)到極高的推理效果。圖9(d)顯示MHP的準(zhǔn)確率和虛警概率分別隨著感知時間的延長提高和降低，其推理效果與感知時長呈正相關(guān)，特別是MHP的最優(yōu)性能隨感知時間的增長變化明顯。

圖9 觀測時長對不同算法的影響比較圖：ROC

5.3.2 網(wǎng)絡(luò)規(guī)模的影響

本小節(jié)主要研究網(wǎng)絡(luò)規(guī)模對推理性能的影響，同時比較不同算法在網(wǎng)絡(luò)規(guī)模下的性能。首先，給出關(guān)鍵的仿真參數(shù)設(shè)置：觀測時長T=2 s；感知時隙Ts=5 μs；Cor, GC和TE考慮的歷史長度為25 μs，對應(yīng)的模型階數(shù)或滯后值τ=5；網(wǎng)絡(luò)規(guī)模U發(fā)生變化。仿真結(jié)果如圖10所示。

圖10(a)顯示，Cor在網(wǎng)絡(luò)規(guī)模最小U=10時效果最好，隨著U進(jìn)一步增加，性能持續(xù)惡化。特別是U=50時，Cor的ROC曲線甚至有向右下角突出的趨勢，這證明其難以應(yīng)對網(wǎng)絡(luò)規(guī)模增大的情況。圖10(b)顯示，GC在相同時間內(nèi)能應(yīng)對一定程度的網(wǎng)絡(luò)規(guī)模增大，且其ROC曲線都接近左上角表明其整體性能保持得很好。而在U=10時的推理性能反而最差的原因可能在于網(wǎng)絡(luò)規(guī)模越小，即使錯誤判斷一兩條鏈路也可能導(dǎo)致較大的性能偏差。圖10(c)顯示，TE除了U=10時幾乎都達(dá)到了完美推理的效果，而U=10時的性能最差的原因推測與上述GC的情況類似。圖10(d)顯示，隨著U增加，MHP性能下降。

圖10 網(wǎng)絡(luò)規(guī)模對不同算法的影響比較圖：ROC

5.3.3 感知時隙的影響

本小節(jié)主要研究感知時隙大小對推理性能的影響，同時比較不同算法在不同的感知分辨率下的性能。感知時隙越小意味著感知分辨率越高，采樣越精細(xì)，狀態(tài)時間序列也就越長。首先，給出關(guān)鍵的仿真參數(shù)設(shè)置：網(wǎng)絡(luò)規(guī)模U=10；觀測時長T=2 s；考慮感知時隙Ts從2.5 μs到12.5 μs變化；對應(yīng)的，Cor, GC和TE考慮的歷史長度依舊保持不變?yōu)?2 μs，對應(yīng)的模型階數(shù)或滯后值τ同時從10到2變化。仿真結(jié)果如圖11所示。

圖11(a)顯示，在Ts< 10 μs時，隨著感知時隙增大，Cor推理性能下降，但在Ts= 10 μs時反而性能有所提升。圖11(b)和圖11(c)顯示，GC和TE在Ts<10 μs時都能保持較好的推理性能，但在Ts=10 μs時卻都出現(xiàn)了性能突降的現(xiàn)象，而Ts>10 μs時，GC性能有所提升，TE則持續(xù)下降。圖11(d)顯示，MHP性能受感知時隙的影響較小，且都能保持較好的推理效果。由圖11可知，相對而言，GC和TE更受感知時隙的影響。這可能是因為，GC和TE實(shí)際處理的只是相對長度較短的狀態(tài)時間序列數(shù)據(jù)，而Cor每次計算的都是整個序列，MHP則基于的是事件序列。也就是說，如果感知時隙大小的設(shè)定導(dǎo)致感知得到的狀態(tài)時間序列不能如實(shí)反映出目標(biāo)網(wǎng)絡(luò)各節(jié)點(diǎn)的運(yùn)行時序，則GC和TE受到的影響將更大。

圖11 感知時隙對不同算法的影響比較圖：ROC

5.3.4 計算復(fù)雜度的比較

本小節(jié)主要完成對4種算法的計算復(fù)雜度對比，并通過運(yùn)行時間進(jìn)行直觀比較，結(jié)果如圖12所示，對應(yīng)的仿真設(shè)置見表1。

表1 仿真環(huán)境參數(shù)設(shè)置

圖12綜合顯示，GC的運(yùn)行時間最久；MHP的運(yùn)行時間最短，且遠(yuǎn)遠(yuǎn)小于其他3種算法。這表明MHP在計算復(fù)雜度方面具有較大優(yōu)勢，這可能將有利于適用于大規(guī)模網(wǎng)絡(luò)的推理運(yùn)算。另外，圖12(b)顯示，網(wǎng)絡(luò)規(guī)模對GC的計算量影響較大；圖12(d)顯示，隨著τ增加，GC和TE的運(yùn)行時間增長，且GC運(yùn)行時間的增長幅度更大。

圖12 運(yùn)行時長比較圖

5.4 仿真總結(jié)與分析

本節(jié)主要通過仿真對Cor, GC, TE和MHP 4種算法的推理效果和計算復(fù)雜度進(jìn)行了比較。仿真表明，除了Cor的推理效果不佳外，其他3種算法都具備較高的推理性能，尤其是GC和TE在某些條件下均達(dá)到了完美識別的效果。GC和TE的性能相對更受感知時隙Ts和τ的影響，且計算量相對其他算法更大。MHP的性能主要受感知時長、網(wǎng)絡(luò)規(guī)模以及后續(xù)閾值選擇的影響，但具有計算復(fù)雜度小的優(yōu)勢?？偨Y(jié)而言，除了Cor, GC, TE和MHP各有優(yōu)勢，可根據(jù)推理的場景和需求進(jìn)行選擇，甚至可以組合使用。

6 總結(jié)與展望

本文基于典型場景對非合作條件下的通聯(lián)拓?fù)渫评韱栴}進(jìn)行了闡述和明確，進(jìn)一步研究和明晰了推理模型和機(jī)理，并在同一數(shù)據(jù)維度下對4種推理方法進(jìn)行了仿真分析。未來可考慮從以下幾個方面展開研究：

(1)基于復(fù)雜網(wǎng)絡(luò)理論實(shí)現(xiàn)無線網(wǎng)絡(luò)建模及通聯(lián)關(guān)系發(fā)現(xiàn)。目前研究針對的無線網(wǎng)絡(luò)規(guī)模往往不大，拓?fù)潢P(guān)系也比較簡單。但隨著無線網(wǎng)絡(luò)的大規(guī)?；?，將呈現(xiàn)出與傳統(tǒng)的小型網(wǎng)絡(luò)或簡單網(wǎng)絡(luò)完全不同的統(tǒng)計特性。而復(fù)雜網(wǎng)絡(luò)理論正是為研究大規(guī)模網(wǎng)絡(luò)而生，理論基礎(chǔ)豐富，有望在無線網(wǎng)絡(luò)領(lǐng)域發(fā)揮作用。

(2)基于機(jī)器學(xué)習(xí)的智能通聯(lián)拓?fù)渫评矸椒ㄑ芯?。隨著無線技術(shù)的發(fā)展，未來的網(wǎng)絡(luò)規(guī)模將越來越大，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)將越來越復(fù)雜，相應(yīng)的數(shù)據(jù)量也將產(chǎn)生一個質(zhì)的躍遷。而機(jī)器學(xué)習(xí)具有處理大規(guī)模數(shù)據(jù)的優(yōu)勢，能自主發(fā)現(xiàn)數(shù)據(jù)中存在的規(guī)律，有望賦予通聯(lián)拓?fù)渫评硪灾悄芑?/p>

(3)基于圖神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)通聯(lián)拓?fù)鋽?shù)據(jù)挖掘應(yīng)用。在對抗背景下，通聯(lián)拓?fù)鋵δ繕?biāo)無線網(wǎng)絡(luò)內(nèi)的信息交互行為進(jìn)行綜合刻畫，是組織關(guān)系和戰(zhàn)斗序列的集中體現(xiàn)，具有較高的情報分析價值。而圖神經(jīng)網(wǎng)絡(luò)在節(jié)點(diǎn)分類、鏈路預(yù)測和社團(tuán)發(fā)現(xiàn)等應(yīng)用場景下都有著較為廣泛的應(yīng)用，有望提高情報分析的效率。