無人機群通信網絡態勢感知研究現狀與發展趨勢

廖方圓 周華吉 李京華 崔如松

DOI：10.12132/ISSN.1673-5048.2019.0152

摘要：無人機群作戰被認為是顛覆未來戰場的新型作戰力量，通信網絡是牽引著無人機群正常運行的“風箏線”，是連通無人機群的“神經脈絡”，無人機群通信網絡態勢（離散狀態、全局形勢以及演化趨勢）信息的高效可靠獲取是突破“電磁迷霧”并取得未來戰場制信息權的基礎和關鍵。本文從戰場網絡態勢感知、典型無人機群作戰項目、無人機群通信網絡態勢感知研究動態三個方面綜述了國內外相關研究現狀，分析了當前研究存在的不足，展望了未來發展趨勢。

關鍵詞：無人機群;通信網絡;態勢感知;頻譜感知;網絡結構;態勢預測

中圖分類號：TJ765;V279文獻標識碼：A文章編號：1673-5048（2019）04-0016-07

0引言

無人機群作戰被認為是顛覆未來戰場的新型作戰力量，已成為世界各國展開激烈競爭的高科技領域之一。在無人機群偵察、無人機群飽和攻擊、無人機群遭遇戰等典型作戰想定下，戰場環境相比傳統作戰更加不透明，戰場態勢時空變化更加劇烈，戰場信息元素種類及其關聯更加復雜，敵方、我方、友方目標交錯共存，導致戰場信息環境往往是復雜不確定的[1-3]。

復雜不確定戰場信息環境下通信網絡態勢（離散狀態、全局形勢以及演化趨勢）信息的高效可靠獲取是未來作戰系統的“卡脖子”類難題，是突破“電磁迷霧”并取得未來戰場制信息權的基礎和關鍵，具有重要的科學研究價值和廣泛的軍事應用前景[4-6]。通信網絡態勢感知主要涉及無源/被動信號檢測、識別與推理技術，在具有隱蔽性的同時，不僅檢測對手無人機群電磁信號的有無和分布，而且識別電磁信號的來源和歸宿，旨在基于機器學習和人工智能技術實現無人機群通信網絡的全面深度頻譜測繪成像，可以為作戰系統提供頻譜偵察預警等電磁支援服務，提升復雜不確定環境下認知對抗水平，使得攻擊/防御等后續決策更加有的放矢、事半功倍[7-8]。

然而，復雜不確定戰場信息環境下的無人機群通信網絡態勢感知的研究面臨著嚴峻的技術挑戰。一是復雜、對抗、非合作、不透明的戰場環境下，戰場信息數據樣本屬性呈現多維性和不確定性;二是空天地、敵友我電磁信號復雜耦合，信號識別和檢測難度極大;三是動態目標和異常信號的存在與態勢估計高精度需求構成了尖銳的矛盾;四是單機資源受限，如何提升單機自主感知與多機智能協同認知能力是國際性前沿難題。

圍繞無人機群通信網絡態勢感知這一主題，本文將從戰場網絡態勢感知、典型無人機群作戰項目、無人機群網絡態勢感知三個方面梳理國內外研究現狀。在此基礎上，分析當前研究存在的不足，展望未來發展趨勢。

1戰場網絡態勢感知概述

現代化戰爭中，驅散“戰爭迷霧”并取得制信息權是優化作戰決策、決定戰場走向的基礎和前提，而戰場網絡態勢感知正是建立該優勢的關鍵技術[9-11]。戰場網絡態勢感知的定義眾說紛紜，通常認為，戰場網絡態勢感知是指對一定時間和空間環境中的戰場態勢要素進行感知，并對獲得的信息進行理解，進而形成對這些態勢要素下一時刻狀態的預測推理。美國軍方依據網絡中心戰理念大力推動第二代戰場態勢感知系統建設，進一步突出體現網絡化感知特征。美國聯合實驗指導委員會提出的戰場態勢感知模型分為五個層次，即目標精煉、態勢評估、威脅估計、過程精煉以及認知精煉，其中信號與目標識別、態勢估計、威脅評估構成了戰場態勢感知的關鍵技術。

復雜戰場環境中，空天地、敵友我電磁信號復雜耦合，信號與目標識別面臨信息不完備、觀測對象高度動態性等挑戰，如圖1所示。特別是隨著電子戰的不斷發展，越來越多的電子對抗與電子反對抗使得戰場的電磁環境變得日趨復雜。這就要對多源信息進行相關性分析，結合已知信息從中估計出信號和目標的屬性特征，然后在噪聲、干擾、信息提取錯誤等不確定性因素影響下，對其實現準確識別[12]。

在信號與目標識別的基礎上，需要提煉當前環境中海量目標與事件之間的聯系，形成鮮明的敵我對抗態勢。基于此，判定目標意圖，預測下一步趨勢。態勢估計強調實體自身的時間、空間變化規律和各個實體相互間的通信、因果、隸屬關系信息，而威脅估計側重于依據當前敵我雙方的戰場環境態勢判斷在未來一段時間內敵方的威脅程度、敵我雙方的攻擊能力、敵方的作戰意圖等[13]。然而，隨著電磁設備日益增多，目標的動態性愈發突出，特別是大中小無人機在各種戰場環境中的廣泛應用，使得戰場環境更加復雜且瞬息萬變，現有研究存在如下局限：一是沒有充分考慮目標的動態變化對數據處理精度、信息更新速度的影響，忽略了敵我對抗中欺騙信號、虛假目標等對態勢生成的誤導性影響，信號與目標的可靠、快速識別值得進一步深入研究;二是忽略了突發戰場情況下感知資源受限、感知數據不完全的問題，有必要思考如何在有限感知能力約束下，利用數據挖掘等方法以算力置換資源，從有限數據中提取出盡可能多的態勢信息。

近年來，在無人機群作戰研究中，美國軍方先后設立了山鵠（Perdix）、小精靈（Gremlins）、低成本無人機集群（LOCUST）、拒止環境中協同作戰（CODE）、進攻性集群戰術（OFFSET）等系列研究項目。本文選取兩個典型項目闡述其研發動態。

2.1拒止環境中協同作戰（CODE）項目

無人機在從情報、監視、偵察（ISR）到打擊等方面都發揮著重要作用。但大部分無人機都需要專門的遠程飛行員、傳感器操作人員以及數據分析人員。對人員的需求將限制無人機作戰應用的擴展以及無人機作戰使用的成本效益。而且在激烈的電磁對抗環境中，針對遠程高機動目標使用無人機將非常困難。

2014年5月，美國國防部高級研究計劃局（DARPA）發布了“拒止環境中協同作戰”（CODE）正式邀約（DARPA-BAA-14-33），旨在使偵察和攻擊無人機在電子干擾、通信降級以及其他惡劣運行環境中執行任務時可編隊協同工作。

2015年1月，DARPA舉辦CODE項目第一階段會議，第一階段于2016年年初結束，具體工作是系統分析、架構設計和發展關鍵技術，完成了系統需求定義和初步系統設計。在項目第一階段，通過模擬方式成功驗證了自主協同在戰術等級下的應用潛力，在無人機接口和開放式架構方面取得了突出的進展。

2016年年初到2017年年中，CODE項目順利進入第二階段，具體工作為進一步成熟算法，并完成詳細設計和飛行驗證;DARPA計劃使用兩個研究團隊的開放式架構執行自主行為的初始子集，并使用這些架構開展由1架或2架真實飛機和若干虛擬飛機編隊的飛行試驗。

2018年1月，CODE項目進入第三階段，2018年年底結束，在三個系列的飛行試驗中發展和驗證全任務能力。多架裝備CODE軟件的無人機可以導航飛往目的地，基于已經建立的作戰規則遂行尋找、跟蹤、識別和攻擊任務，而且僅需要1名人類任務指揮官的監管。

2019年2月，一群裝備CODE軟件的無人機在通信中斷和無法使用GPS的條件下，成功地完成了任務目標。飛行試驗共有6架真實RQ-23虎鯊無人機和14架虛擬無人機，由一個小型作戰中心的任務小組監控，利用雷神公司的軟件和自主算法，以及約翰霍普金斯大學應用物理實驗室的白軍網絡來創建一個真實/虛擬/構造（LVC）的測試環境。在四次試驗中，團隊啟動了各種虛擬目標、威脅和對策，以了解虎鯊在通信受限條件下完成目標的情況。

2.2進攻性集群戰術（OFFSET）項目

2017年1月30日，在DARPA會議中心舉辦“進攻性集群戰術”（OFFSET）項目的提案人活動，目標是發展基于游戲的開放架構，為城市作戰的無人集群系統生成、評估和集成集群戰術。各階段目標：（1）使用50架無人機蜂群定位一個目標;（2）使用100架無人機在城市中開展一次攻擊;（3）使用250個無人系統搶奪一片地域。項目最終的目標是使用250個或更多的無人系統在8個城市街區自主執行6h的任務。OFFSET項目將研究兩個關鍵領域：一是集群自主性，包括智能移動、決策和與環境相互作用;二是人機編隊，使集群指揮官可以判斷、配合和影響集群系統的行為。

2017年，項目公布了首個“蜂群沖刺”活動，DARPA稱其為“插曲1”，目標是產生蜂群戰術，部署由50個異構系統組成的蜂群，15～30min在2個街區定位1個城市目標。第一個“蜂群沖刺”的相關能力包括繪圖、標定進入和退出點、部署傳感器網絡以及保持和人員的聯系，相關的任務包括偵察、生成作戰區域的語義學地圖和/或識別和擊敗可能的安全威脅。

2018年3月，DARPA開始征求第二個“蜂群沖刺”的項目建議書。第二個“蜂群沖刺”活動聚焦于自主性的提高：在2個街區范圍內，使用由50個無人機和無人車組成的異構蜂群在15～30min內隔離一個城市目標。“蜂群沖刺者”將使用現有或者發展全新的硬件（傳感器、作動器和受動器）、算法、和/或創新的能力，開展有針對性的驗證，展示在復雜城市環境中蜂群系統的作戰優勢。

2018年10月，DARPA尋求第三次“沖刺”的建議書，聚焦人-蜂群編隊和蜂群戰術，設計、發展和驗證創新的架構，以提升人和自主蜂群的交互能力。這個主題打算識別和尋求表述蜂群系統的復雜性，以及人類隊友或戰術人員的認知和實體上的需求。第三個“沖刺”活動同時尋求增加對于蜂群戰術的收集。被選中的“沖刺者”將設計和執行附加的復雜異構（無人機和無人地面車）蜂群戰術，在4個城市街區1～2h內執行城市搜捕任務。

2019年4月，OFFSET項目啟動第四次“集群沖刺”。第四次“集群沖刺”包括兩個主題：一是在OFFSET虛擬環境中開發綜合技術;二是利用人工智能以發現和學習新的集群戰術。對于第一個主題，提議者將尋求在模擬環境中開發和實現綜合能力，其代表未來潛在的技術，如分布式“透明墻”傳感器、被動集群通信或增強傳感器/計算陣列，以支持和驗證新的集群戰術。第二個主題代表了利用人工智能加速集群戰術設計的臨時“沖刺”，“沖刺者”將在OFFSET增強虛擬環境中應用人工智能框架來發現、學習和強化新型集群戰術。

2019年6月，據DARPA網站報道，OFFSET項目在佐治亞州本寧堡賽爾比聯合軍備集訓設施進行了一次戰場試驗，試驗中，空中、地面自主機器人編隊演示驗證了隔離城市目標這一任務所采用的戰術。無人系統編隊在跨越兩個城市街區的復雜環境中作戰。試驗任務包括：在保持對周邊地區態勢感知的情況下，定位并隔離模擬的市政廳建筑、定位并保護建筑物內目標、保護建筑物。每次任務時長30min。此次試驗彰顯了持續敏捷地開展無人蜂群開發、集成與部署所具有的優勢，這也是OFFSET項目的核心原則。

3無人機群通信網絡態勢感知研究動態

通信網絡態勢感知是實現無人機群通信網絡測繪成像的基石，其主要目標是獲取通信網絡當前狀態、綜合形勢以及演化趨勢等時域、頻域、空域、用戶域、網絡域等多域立體網絡態勢信息[14]。通信網絡態勢感知的關鍵在于提高態勢獲取的準確性與時效性，并盡量減少感知信息的冗余度和節點間交互開銷。無人機群通信網絡是一種相對較新的網絡形態，直接相關的國內外研究報道比較少，本文將從廣義通信網絡態勢感知的角度闡述國內外研究動態，提煉無人機群通信網絡態勢感知的研究方向與發展趨勢。

3.1電磁頻譜態勢感知

電磁頻譜態勢是無人機群通信網絡態勢感知的重要內容，空間頻譜態勢感知是其發展趨勢。優質的頻譜資源緊缺成為制約大規模無人機群智能組網的瓶頸之一。頻譜態勢感知最早來源于認知無線網絡方面的研究，美國弗吉尼亞大學技術團隊于2006年首次提出了射頻環境地圖（RadioEnvironmentalMaps，REMs）的概念與模型，旨在建立包含用頻設備位置及行為、頻譜政策及規則、地理特征及可用頻譜資源等多維信息的頻譜數據庫[15]。在此基礎上，法國TelecomR&D的OrangeLabs實驗室將REMs進一步深化，利用數據空間相關性實現對數據的解析補全，提供一種可視化頻譜環境地圖以便于檢測、分析、決策及資源管理。自2010年至今，美國明尼蘇達大學的Giannakis教授團隊系統地研究了時-空-頻三維獲取功率頻譜密度圖和局部信道增益圖，讓認知無線電系統識別可用頻譜機會、用戶位置、發射功率估計及移動用戶的軌跡追蹤，并實現干擾控制、頻譜資源分配以及路由規劃[16-18]。美國軍方亦非常重視頻譜態勢圖的研究，美國國防部高級研究計劃局（DARPA）支持了“先進射頻地圖”項目（AdvancedRFMapping），主要目標是從時域、頻域、空域三個維度繪制射頻地圖，為用戶提供強大的態勢感知能力，以避免頻譜沖突或快速消除頻率沖突，支持通信、情報、監視和偵察系統。國內方面，如圖2所示，南京航空航天大學的吳啟暉教授團隊從頻譜態勢理論模型、廣域頻譜態勢感知、動態頻譜態勢生成和頻譜態勢高效利用四個方面，梳理了對電磁頻譜空間認知基礎理論和關鍵技術的研究現狀，并指出將孤立、分散、靜態的頻譜數據整合成一個整體，動態、關聯、可視的異構數據集合是頻譜態勢未來的發展方向[19]。西安電子科技大學的李贊教授團隊圍繞網絡化智能頻譜監測基礎理論和關鍵技術，提出了基于單點、協作、多目標系列穩健頻譜感知方法和智能頻譜控制策略，搭建了網絡化智能頻譜監測系統（即“電磁眼”），為空天地一體化網絡體系的頻譜管控與用頻保護提供智能服務與決策支持。注意到，當前大多數關于頻譜態勢的研究顯式或隱式假設頻譜設備以單天線為主，頻譜態勢以全向輻射為主;然而，隨著MIMO以及波束賦形技術逐漸成為無線通信的主流和標配，基于多天線/天線陣列的頻譜波束態勢感知成為研究的難點和趨勢。

3.2網絡拓撲態勢感知

網絡拓撲識別是通信網絡態勢感知的核心和關鍵，國內外大多數研究工作集中在有線網絡拓撲識別，關于無線網絡拓撲識別目前處于起步階段。早期的研究工作主要是在有線連接的計算機網絡中以網絡參與者的身份進行的，如Mansfield等在文獻[20]中首先提出了基于SNMP的網絡層拓撲發現算法，美國加州大學的Shaikh等在文獻[21]中提出了根據OSPF協議構建網絡的拓撲結構及網絡監控的方法等。隨著研究的進一步深入，網絡拓撲發現也延伸到無線通信網絡中。但由于無線通信中介質的廣播特性以及信號傳播中衰落、干擾的存在，無線網絡拓撲發現變得異常艱難。一種方法是借助霍克斯過程來解決這個問題，如美國佐治亞理工學院的Moore在文獻[22]中通過利用通信對等這一合理假設，即某一發射機進行一次傳輸信息通常會導致其他發射機返回消息/確認/包轉發的響應，用不同發射機同時發生的傳輸來推斷其之間的關系，將數據建模為Hawkes過程，對實際無線網絡通信數據學習了網絡的拓撲結構并檢測拓撲結構的變化。此外，美國加州大學洛杉磯分校的Laghate等在文獻[23]中利用格蘭杰因果關系對常用通信協議的響應機制進行建模，來學習時間復用通信網絡的拓撲結構，實驗證明該方法能夠以較高的時間分辨率推斷群網絡中的有向數據流。

3.3網絡演化趨勢預測

網絡演化趨勢預測是主動獲取通信網絡態勢的重要手段，是支撐無人機群網絡智能化的關鍵技術之一。現有工作主要針對網絡中鏈路動態變化的趨勢進行預測，主要分為基于節點屬性的預測方法、基于網絡結構的預測方法和基于學習的預測方法。美國加州大學爾灣分校的OMadadhain等人在文獻[24]中結合兩個事件網絡——科學家合作網和電子郵件網絡，提出了基于網絡結構和節點屬性的局部條件概率模型，預測節點間隨時間變化的關系。Liu等人在文獻[25]中針對線性網絡拓撲，重點考慮了非共同鄰居節點向預測端點傳遞資源的數量，結合共同鄰居和非共同鄰居的貢獻提出了新的預測指標，在預測網絡中的缺失鏈接時體現出較好的性能。新墨西哥大學的Clauset等人在文獻[26]中基于網絡的層次組織特性，結合概率圖模型提出了普適的層次化網絡模型，通過計算形成該層次隨機網絡的期望概率，來預測兩個節點的連邊概率。北亞利桑那大學的Razi等人開發了基于粒子群優化和卡爾曼濾波的跟蹤策略，在時變信道和跟蹤資源有限條件下為UAV找到最優跟蹤策略，預測UAV網絡拓撲變化[27]。該實驗室的Han等人在文獻[28]中針對極度動態變化的無人機網絡，開發了一種無監督的在線學習方法用于無人機的聯合移動預測以及無人機的對象分析，所提出的方法不僅能預測無人機周圍飛行物體的未來位置，并且能在無先驗知識前提下按機動性的相似性將其分組，該方法能靈活預測移動性未知的新目標，適用于具有異構節點的新興飛行ad-hoc（FANETs）網絡。

4無人機群通信網絡態勢感知研究趨勢

由上文分析可知，在網絡態勢感知方向上國內外取得了階段性的研究成果，但大部分偏重于互聯網、蜂窩網絡等擁有固定地面基礎設施下參與式感知的研究，還存在如下局限性：

（1）缺少考慮大規模無人機群網絡呈現的多域立體、位置/拓撲捷變、復雜關聯等特性，難以直接應用于無人機群網絡的網絡態勢感知;

（2）大多數現有研究集中在網絡離散狀態信息的可靠獲取，對網絡全局形勢的高效推理和網絡演化趨勢的精準預測研究還不夠系統深入;

（3）大多數相關工作聚焦于群體協同感知中個體激勵機制的設計，體現的智能化水平有限，特別是提升群體智能方面仍大有可為。

總體來說，大規模無人機群網絡是一種新的網絡形態，與之密切相關的網絡態勢感知才剛剛起步，迫切需要深入研究多域立體網絡態勢獲取的復雜性、整體性與實時性。

參考文獻：

[1]段海濱，邱華鑫.基于群體智能的無人機集群自主控制[M].北京：科學出版社，2019.

DuanHaibin，QiuHuaxin.UnmannedAerialVehicleSwarmAutonomousControlBasedonSwarmIntelligence[M].Beijing：SciencePress，2019.（inChinese）

[2]DongXiwang，YuBocheng，ShiZongying.TimeVaryingFormationControlforUnmannedAerialVehicles：TheoriesandApplications[J].IEEETransactionsonControlSystemsTechnology，2015，23（1）：340-348.

[3]DongXiwang，HuaYongzhao，ZhouYan，etal.TheoryandExperimentonFormationContainmentControlofMultipleMultirotorUnmannedAerialVehicleSystems[J].IEEETransactionsonAutomationScienceandEngineering，2019，16（1）：229-240.

[4]DingGuoru，WuQihui，ZhangLinyuan，etal.AnAmateurDroneSurveillanceSystemBasedontheCognitiveInternetofThings[J].IEEECommunicationsMagazine，2018，56（1）：29-35.

[5]WangHaichao，DingGuoru，GaoFeifei，etal.PowerControlinUAVSupportedUltraDenseNetworks：Communications，Caching，andEnergyTransfer[J].IEEECommunicationsMagazine，2018，56（6）：28-34.

[6]WangHaichao，WangJinlong，DingGuoru，etal.CompletionTimeMinimizationwithPathPlanningforFixedWingUAVCommunications[J].IEEETransactionsonWirelessCommunications，2019，18（7）：3485-3499.

[7]王沙飛.人工智能與電磁頻譜戰[J].網信軍民融合，2018（1）：25-27.

WangShafei.ArtificialIntelligenceandElectromagneticSpectrumWarfare[J].NetworkandInformationCivilMilitaryIntegration，2018（1）：25-27.（inChinese）

[8]張余，柳永祥，張濤，等.電磁頻譜戰作戰樣式初探[J].航天電子對抗，2017（5）：14-17.

ZhangYu，LiuYongxiang，ZhangTao，etal.ThePatternsofOperationsforElectromagneticSpectrumWarfare[J].AerospaceElectronicCountermeasures，2017（5）：14-17.（inChinese）

[9]尚雅玲，胡昌振.戰場感知與認知：網絡空間安全態勢感知的建立方法[J].科技導報，2004（7）：37-38.

ShangYaling，HuChangzhen.DominantBattlespaceAwareness&Knowledge：TheApproachtoCyberspaceSituationAwareness[J].Science&TechnologyReview，2004（7）：37-38.（inChinese）

[10]紀浩然.網絡作戰態勢生成和展現研究[D].長沙：國防科學技術大學，2011.

JiHaoran.ResearchonGenerationandVisualizationofNetwarSituation[D].Changsha：NationalUniversityofDefenseTechnology，2011.（inChinese）

[11]嚴麗娜，劉志娜，孔祥澤.網絡空間戰場態勢感知影響因素研究[J].通信技術，2016，49（12）：1676-1679.

YanLina，LiuZhina，KongXiangze.InfluenceFactorsofCyberspaceBattlefieldSituationAwareness[J].CommunicationsTechnology，2016，49（12）：1676-1679.（inChinese）

[12]DingGuoru，WuQihui，YaoYudong，etal.KernelBasedLearningforStatisticalSignalProcessinginCognitiveRadioNetworks：TheoreticalandFoundations，ExampleApplications，andFutureDirections[J].IEEESignalProcessingMagazine，2013，30（4）：126–136.

[13]廖鷹，易卓，胡曉峰.基于深度學習的初級戰場態勢理解研究[J].指揮與控制學報，2017，3（1）：67-71.

LiaoYing，YiZhuo，HuXiaofeng.BattlefieldsSituationElementaryComprehensionBasedonDeepLearning[J].JournalofCommandandControl，2017，3（1）：67-71.（inChinese）

[14]DingGouru，JiaoYutao，WangJinlong，etal.SpectrumInferenceinCognitiveRadioNetworks：AlgorithmsandApplications[J].IEEECommunicationsSurveys&Tutorials，2018，20（1）：150-182.

[15]ZhaoYP，ReedJH，MaoSW，etal.OverheadAnalysisforRadioEnvironmentMapenabledCognitiveRadioNetworks[C]∥NetworkingTechnologiesforSoftwareDefinedRadioNetworks，Reston，2006.

[16]BazerqueJA，GiannakisGB.DistributedSpectrumSensingforCognitiveRadioNetworksbyExploitingSparsity[J].IEEETransactionsonSignalProcessing，2010，58（3）：1847-1862.

[17]KimSJ，DallAneseE，GiannakisGB.CooperativeSpectrumSensingforCognitiveRadiosUsingKrigedKalmanFiltering[J].IEEEJournalofSelectedTopicsinSignalProcessing，2011，5（1）：24-36.

[18]DallAneseE，KimSJ，GiannakisGB.ChannelGainMapTrackingviaDistributedKriging[J].IEEETransactionsonVehicularTechnology，2011，60（3）：1205-1211.

[19]吳啟暉，任敬.電磁頻譜空間認知新范式：頻譜態勢[J].南京航空航天大學學報，2016，48（5）：625-632.

WuQihui，RenJing.NewParadigmofElectromagneticSpectrumSpace：SpectrumSituation[J].JournalofNanjingUniversityofAeronauticsandAstronautics，2016，48（5）：625-632.（inChinese）

[20]MansfieldG，OuchiM，JayanthiK，etal.TechniquesforAutomatedNetworkMapGenerationUsingSNMP[C]∥ProceedingsofIEEEINFOCOM96.ConferenceonComputerCommunications，SanFrancisco，1996.

[21]ShaikhA，GoyalM，GreenbergA，etal.AnOSPFTopologyServer：DesignandEvaluation[J].IEEEJournalonSelectedAreasinCommunications，2002，20（4）：746-755.

[22]MooreMG，DavenportMA.AnalysisofWirelessNetworksUsingHawkesProcesses[C]∥IEEEInternationalWorkshoponSignalProcessingAdvancesinWirelessCommunications，Edinburgh，2016.

[23]LaghateM，CabricD.LearningWirelessNetworksTopologiesUsingAsymmetricGrangerCausality[J].IEEEJournalofSelectedTopicsinSignalProcessing，2018，12（1）：233-247.

[24]OMadadhainJ，HutchinsJ，SmythP，etal.PredictionandRankingAlgorithmsforEventBasedNetworkData[J].SIGKDDExplorations，2005，7（2）：23-30.

[25]LiuY，FengJH，SimeoneO，etal.TopologyDiscoveryforLinearWirelessNetworkswithApplicationtoTrainBackboneInauguration[J].IEEETransactionsonIntelligentTransportationSystems，2016，17（8）：2159-2170.

[26]ClausetA，MooreC，NewmanMEJ.HierarchicalStructureandthePredictionofMissingLinksinNetworks[J].Nature，2008，453（7191）：98-101.

[27]RaziA，AfghahF，ChakareskiJ.OptimalMeasurementPolicyforPredictingUAVNetworkTopology[C]∥51stAsilomarConferenceonSignals，Systems，andComputers，PacificGrove，2017.

[28]HanP，RaziA，AfghahF，etal.AUnifiedFrameworkforJointMobilityPredictionandObjectProfilingofDronesinUAVNetworks[J].JournalofCommunicationsandNetworks，2018，20（5）：434-442.