面向低軌衛星的頻譜認知智能管控

李高/LI Gao，王威/WANG Wei，吳啟暉/WU Qihui

（南京航空航天大學電磁頻譜空間認知動態系統工業和信息化部重點實驗室，中國 南京 210016）

(Key Laboratory of Dynamic Cognitive System of Electromagnetic Spectrum Space,Ministry of Industry and Information Technology,Nanjing University of Aeronautics and Astronautics,Nanjing 210016,China)

1 研究背景

地面移動蜂窩網絡在地域覆蓋方面具有局限性，而衛星通信網絡可以實現無線網絡在全球的按需覆蓋，滿足各個地區和用戶的通信需求。這在很大程度上解決了通信容量不足的問題，保證了未來各個領域內無線業務的發展。與同步軌道衛星相比，發射一顆低軌衛星所需能量較少，研發建設成本較低，傳輸時延更短，路徑損耗更小，且低軌衛星數量大，覆蓋范圍廣，多個衛星組成的星座就可以實現全球覆蓋[1-2]。在“天地一體”通信網絡的發展趨勢下，低軌衛星系統成為地面通信系統的重要補充，在支持移動通信、邊遠地區基本通信和高速率用戶接入等方面都十分有利。低軌衛星系統不僅可以滿足全球未普及互聯網區域的接入需求，與5G技術、物聯網、云數據、智慧城市等融合發展還可帶動各個領域的產業發展和經濟增長。在軍事應用上，低軌衛星系統在構建更為高效可靠的軍用通信網絡、完備天地一體監測體系、強化軍事戰略層面的太空信息能力等方面也發揮了重要作用[3]。近幾十年來，隨著航天和通信技術不斷發展，低軌衛星通信領域呈現出越來越激烈的國際競爭態勢。

比較有代表性的傳統低軌衛星通信系統有銥系統、全球星系統、白羊系統和柯斯卡系統等，近年來又涌現出成千上萬顆以OneWeb、Starlink等為代表的低軌衛星星座，使得非靜止軌道衛星在國際電信聯盟（ITU）的申報數量大大增加[4-5]。為了提高頻譜使用效率，低軌衛星使用的頻段不可避免地會和其他衛星發生重疊。低軌衛星星座之間、低軌衛星與對地靜止軌道衛星之間、低軌衛星與地面通信系統之間都存在不同程度的頻譜兼容性問題。各國發射的衛星在不同業務（包括空間業務）之間共享無線電頻譜[6]。

隨著衛星通信的高速發展，以美國為首的航天強國搶奪頻譜資源的現象越演越烈，形成獨占太空的霸權勢力。L、S、C、Ku、Ka等頻段的頻譜資源的使用趨于飽和[3]。為應對頻譜資源稀缺問題，近年來中國也開始加快低軌衛星系統的建設步伐，相繼建成鴻雁星座、虹云星座、銀河航天首發星。但是中國衛星事業起步時間較晚，頻譜資源“先占先得”的分配方式使得中國頻譜資源的使用處于劣勢[7]。為了保障現有低軌衛星的通信業務，同時實現頻譜資源可重復高效利用，除了加快發展航天事業外，還需加快對低軌衛星頻譜進行有效監測和管理的技術研究。

2 低軌衛星頻譜認知智能管控

2.1 面向低軌衛星的頻譜認知智能管控體系架構

和地面移動通信系統頻譜資源共享一樣，低軌衛星頻譜資源共享正在從靜態管理模式向動態管理模式轉型。電磁頻譜空間認知和智能頻譜管理利用數據挖掘和機器學習的方法對海量頻譜數據進行認知處理，使頻譜資源的動態管理更加智能。面向低軌衛星的頻譜認知智能管控包括頻譜數據監測、補全、預測和決策部分，是一個從頻譜感知到頻譜接入的動態頻譜認知閉環系統。面向低軌衛星的頻譜認知智能管控體系架構及管控流程如圖1和圖2所示。

▲圖1 面向低軌衛星的頻譜認知智能管控架構

▲圖2 面向低軌衛星的頻譜認知智能管控流程

首先，通過感知設備（包括衛星專用頻譜監測設備和群智頻譜感知模塊）感知頻譜狀態。衛星監測的目標主要有兩個：一是監測衛星資源利用情況，包括衛星軌道占用情況、頻率占用情況和波束覆蓋范圍等；二是監測干擾，包括監測是否有干擾及干擾源的位置等。通常監測的非對地靜止衛星軌道（GSO）衛星頻段是超高頻（UHF）、L、S、X、Ku和Ka頻段，即低軌衛星對應的業務頻段。隨著寬帶互聯網衛星通信使用的日益增多，以及帶寬需求的不斷擴大，監測頻段將擴展至Q頻段及以上。

低軌衛星頻譜感知支持頻譜管控過程，可使用分布式智能頻譜感知模塊感知空間無線電業務頻譜狀態。感知數據傳至頻譜云[8]即可形成可分析利用的頻譜資源庫。然而，由于感知設備和感知角度等因素，在頻譜信息收集和處理過程中，所得到的頻譜數據往往是不完整的。在頻譜云上，基于頻譜大數據進行頻譜認知與學習，利用頻譜補全將數據庫中不同格式的數據整合、填充得到完整的頻譜數據。頻譜預測可以利用完整的頻譜數據探測可用的頻譜空洞，形成可用的頻譜資源庫，從而輔助頻譜決策，指導用頻設備的頻譜接入。也就是說，這樣做可以深耕現有頻譜大數據，探索共享技術，使低軌衛星空間無線電業務從專用走向共用，從靜態共享到動態共享，實現無線電頻譜資源的精細化管理。

頻譜認知智能管控體系使用軟件定義的設備。低軌衛星業務的發展使得頻譜監測越來越趨于分布式、分散化、復雜化和多樣化，傳統的基于硬件的頻譜分析儀不再滿足當今復雜、密集和不斷發展的頻譜環境需求，軟件定義無線電技術帶來了新型的頻譜分析平臺。同時使用軟件定義的用頻設備和管控相關設備使得智能管控更靈活和輕便。

頻譜認知智能管控架構使用認知-軟件定義網絡（C-SDN），將低軌衛星業務面和頻管控制面分離開來。C-SDN控制面通過南向接口與頻譜資源池相連接，通過北向接口與應用層相連接，以及時接收與反饋應用層服務需求。感知得到的頻譜狀態信息被上傳至頻譜管控數據鏈，數據鏈再通過管鏈設備將信息傳輸到頻管中心，最終實現對全局頻譜管控信息的監測控制。

2.2 三維多域頻譜態勢感知技術

頻譜感知是實現頻譜資源管控的關鍵前提。傳統的頻譜感知方法主要是匹配濾波檢測、能量檢測和循環平穩特性檢測。這些技術在本質上是把頻譜感知單純地看作是一個信號檢測問題，感知的數據并不全面，應用場景也非常有限。隨著認知無線電技術的發展，近年來又相繼出現了協作頻譜感知、群智頻譜感知和壓縮頻譜感知等頻譜感知技術。這些技術主要用來感知各個時間內頻譜資源的使用情況，包括時域和頻域二維的頻譜數據，但并未很好地和感知用戶的空間位置實時結合。

面向低軌衛星的頻譜感知通過三維空時頻譜感知算法來獲取低軌衛星電磁頻譜的三維多域頻譜態勢。我們首先根據不同的監測任務選擇合適的監測點來部署各種類型的監測系統，包括固定監測站、可移動監測站和空中監測站等，形成分布式監測結構。將監測設備聯網可以全方位地監測低軌衛星頻譜的使用情況，并獲取海量頻譜數據。在獲取時頻二維頻譜數據后，我們可以使用移動監測站來確定授權衛星通信信號的地面發射機或其他未授權干擾源的空間位置信息。常用技術包括使用到達角（AOA）、到達功率（POA）和到達時間差（TDOA）互相關算法等。這些技術源于衛星地理定位測量的結果，可以描述輻射源最可能來自的區域。由此可以獲取輻射源的空間位置信息，包括精度、緯度和高度。為了做到頻譜的深度共享，還要進行頻譜云化，即將采集到的包含時域、頻域和地理定位的三維多域頻譜態勢數據傳回頻譜云，在云計算中心進行頻譜認知分析、處理和決策。

2.3 三維頻譜態勢補全技術

在頻譜數據收集和處理過程中，基于有限監測節點的電磁頻譜監測信息所得到的頻譜數據往往是不完整的。為了保證后續數據分析處理的準確性，人們需要利用信息融合、相關分析、大數據挖掘等技術，充分挖掘頻譜數據在時、空、頻三維的相關性，實現區域內電磁環境數據的補全和恢復，從而形成區域內完整的電磁態勢。我們建立了基于時、空、頻三維相關性的張量形式頻譜數據模型，然后針對大規模數據，設計融入矩陣分解的頻譜態勢張量補全算法。張量補全問題用張量秩最小化問題描述為[9]：

其中，X和M具有相同的維數，X,M ∈RI1×I2×…×IN，M為觀測所得到的存在數據缺失的張量，Ω指觀測指標集。由此構建出基于頻譜數據張量的低秩性質的核范數最小化優化模型，而矩陣秩最小化問題又可以轉化為求矩陣核范數最小化問題：

除了以上補全技術，還有基于生成對抗網絡（GAN）的三維頻譜態勢補全技術。該技術利用存儲的歷史或經驗頻譜數據，對三維頻譜張量進行切片處理和灰度處理，得到一定量的完整三維頻譜態勢或場強訓練數據；每組訓練數據為三通道的完整三維頻譜態勢或場強“灰度圖”和對應的三通道的缺損三維頻譜態勢，又或場強“彩色圖”。利用該訓練數據對GAN網絡進行迭代且對抗式的離線訓練，得到具有三維頻譜態勢或場強補全機制的GAN網絡。將訓練好的網絡在線部署于實際應用中，傳到頻譜云中的不完整的頻譜數據就可以利用已學好的GAN網絡實現大缺損率頻譜態勢補全，其補全效果遠好于傳統基于插值的方法。

2.4 三維頻譜態勢預測和信道占用度預測技術

全球頻譜實測數據分析表明：任何一個頻譜數據都不是孤立存在的，在時間、頻率、空間各個維度上具有密切的相關性。因此，人們可充分地建模、分析、挖掘、利用這些內在的相關性，并進行頻譜預測。通過分析歷史頻譜數據在時間、頻率、空間上存在的高度相關性，人們可以預測下一時段頻譜資源的使用情況。例如，基于時、空、頻三維張量形式的頻譜數據模型就可用于頻譜態勢預測。我們首先對感知到的頻譜數據進行處理，生成多張時頻圖像，一張圖像即是一天內多個時隙的多個頻點（頻帶）數據，從而建立三維頻譜張量模型。然后對未來一天的頻譜數據進行預填充，最后基于過去多張頻譜圖像，即可預測出未來一天的完整頻譜態勢。如圖3左側所示，已知前T1,T2,T3,T4,…,Tn-1天的頻譜態勢，再基于張量補全理論，利用三維頻譜態勢補全預測模型預測出第Tn天的頻譜態勢[10]。

▲圖3 三維頻譜態勢補全預測和信道占用度預測

面向信道的頻譜態勢預測是認知無線電中的一項關鍵技術。根據統計信道的歷史信息，預判性地做好頻譜占用策略，可以減少頻譜感知過程中消耗的大量時間和能量。根據頻譜預測的結果,認知用戶可以選擇最優的信道或提前撤出主用戶可能會占用的信道。所以，準確的頻譜預測能夠主動地減少干擾和延遲，提升頻譜利用率，從而提高網絡的吞吐量，即用認知無線電的方式提前偵測空閑頻譜以實現頻譜資源的重復利用。如圖3右側所示，根據各個信道在tn時間的歷史占用情況，可以預測后續多個時隙的信道占用狀況。通過統計一段時間內信道忙閑程度，能夠對下一時刻或時段各個信道的忙閑程度進行精確預測，從而能夠動態地瞄準下一時刻或時段可采用的通信頻率，以便將后續通信信號發送到空閑程度高的信道上進行傳輸，智能適應動態頻譜變化。

深度學習中的循環神經網絡（RNN）在解決時間序列問題方面具有優勢。RNN網絡允許將歷史輸入的信息存儲在網絡的內部狀態中，從而利用當前所有可用輸入信息進行頻譜預測。然而，由于梯度消失或梯度爆炸，RNN網絡的性能受到限制。長短期記憶（LSTM）神經網絡引入記憶單元結構，能夠利用門控單元控制輸入、遺忘和輸出信息的量，從而具有更強的解決時間序列問題的能力，可以進行有效的信道占用度預測。

2.5 智能頻譜決策技術

面向低軌衛星的頻譜決策技術需依據頻譜感知結果或預測結果。制定合理的頻譜資源使用策略能夠為實現低軌衛星頻譜共享提供指導和依據，然而低軌衛星業務的發展使得頻譜決策越來越困難。其中的主要原因是電磁環境復雜化、設備多樣化，且不同設備使用的頻譜干擾愈發嚴重，不同用戶使用頻譜的優先級也不同。如何利用多元化的頻譜感知數據并選擇最優的用頻策略成為智能決策的研究內容。強化學習通過與環境交互獲得學習經驗，并逐步改進行為策略，從而具有非常強的動態選擇能力和自主學習能力。使用強化學習算法進行智能選頻決策時，每一決策時刻的各個通信信道的占用狀態即為當前環境狀態，選擇可接入的信道即為當前行為策略，并通過信道碰撞沖突概率和通信質量等評估方式設定獎懲機制，即采用“學習-決策-執行”環路實現頻譜的實時決策[11]。在基于“頻譜拍賣”[12]的頻譜決策技術中，每個頻譜用戶都是“報價人”，中心頻譜管理器為“競拍者”，競拍者以“贏者決策”策略把當前可用的空閑頻譜資源進行決策和分配，從而最大化整個系統的全局吞吐量收益。該方法利用頻譜大數據進行頻譜智能決策時，博弈學習可以發揮重要作用。此外，還有基于遷移學習的頻譜決策技術[11]。由于頻譜感知和預測的大數據具有多樣特性，因此具備多域學習能力的遷移學習可以從不同領域、不同任務和不同分布的數據中提取知識，再結合當前新學習的知識，就可以很好地進行頻譜智能決策。

3 結束語

未來衛星互聯網時代頻譜資源共享已成為發展趨勢。智能頻譜感知從總體上支撐頻譜管理的過程，是保證頻譜有效管理的必要手段。使用張量補全及預測算法可以補全有限觀測條件下的頻譜感知數據并預測頻譜態勢。利用已補全的頻譜數據對未來頻譜狀態進行預測包括對信道占用度的預測，預測結果可以輔助智能頻譜決策。通過頻譜決策，認知用戶可以選擇最優的信道或是提前撤出主用戶可能會占用的信道。這些方法可以解決低軌衛星之間、低軌衛星和中高軌衛星之間，以及低軌衛星和地面通信系統之間頻率復用問題。總之，本文提出的面向低軌衛星系統的頻譜認知智能管控體系架構及相關技術可以智能地統籌、協調低軌衛星各業務無線電的用頻需求，支持并鼓勵高效利用頻譜資源。