AI技術在衛星通信/互聯網領域的應用綜述

劉雅瓊，呂哲，趙亞飛，壽國礎

AI技術在衛星通信/互聯網領域的應用綜述

劉雅瓊1,2,3，呂哲1,2,3，趙亞飛3，壽國礎1,2,3

（1.先進信息網絡北京實驗室，北京 100876；2.網絡體系構建與融合北京市重點實驗室，北京 100876；3.北京郵電大學信息與通信工程學院，北京 100876）

衛星互聯網的誕生帶來新的發展機遇，同時也具備諸多挑戰。主要調研了在空天地一體化的背景下，人工智能（AI）技術作為重要的輔助工具在衛星通信/衛星互聯網領域的應用，涉及通信抗干擾、通信路由、星地網絡系統架構、星座運營與管理等場景，其中涉及的AI算法包括傳統機器學習、深度學習、強化學習等；最后，針對AI技術在衛星通信/互聯網領域的發展趨勢，提出了未來的研究方向，為我國衛星領域的智能化發展提供了思路和技術方案。

衛星通信；空天地一體化；衛星互聯網；AI算法；機器學習

0 引言

隨著科學技術的發展和生活水平的提高，人們對通信的需求已不僅僅滿足于地面通信，這使得衛星通信得到了迅猛發展。衛星通信是無線通信領域的一項新型技術，是微波通信的一種。衛星作為中繼站發射和接收無線電波，實現在兩個或多個地面站之間的通信。近年來，衛星通信在導航、定位、探測等領域發揮了巨大作用，其以覆蓋范圍廣、通信容量高、信息傳輸速率快、信號傳輸質量高的顯著優勢得到了廣泛應用[1]。衛星通信系統的主要組成部分是衛星及地面控制設備和用戶終端，衛星通信組成架構如圖1所示。衛星端是通信中繼站，用以接收地面設備發送的信號波并放大，再轉發給另一臺地面設備，現階段主要是利用同步軌道衛星對地球進行全方位覆蓋；地面控制設備包括信關站、網絡控制中心和衛星控制中心，可對空中衛星系統進行跟蹤、監測等，以控制通信系統的正常運營；用戶端主要包括各類用戶終端，如機載終端、船載終端、車載終端及固定站等[2]。

圖1 衛星通信組成架構

近年來興起的衛星互聯網是衛星通信技術的發展產物，即在太空使用低軌高通量衛星以實現高帶寬低時延寬帶覆蓋[3]，這些衛星組成的星座便可作為空中基站來達到與地面移動通信類似的效果。隨著衛星載荷技術的不斷創新，衛星網絡將具有更低時延、更大帶寬[4]。衛星互聯網主要以低軌衛星為主進行搭建，低軌衛星一般指高度在500～1 500 km，質量在100～1 000 kg的現代衛星[5]，其制造和發射成本低，落地信號強，運行速度快，并且可以做到信號全覆蓋。衛星互聯網不僅可以提供寬帶通信方面的服務，還可以實現更精準的定位和導航功能；通過與5G、物聯網、大數據、人工智能（artificial intelligence，AI）等高端技術的結合，衛星互聯網將在更豐富的應用場景中發揮作用。

隨著低軌衛星互聯網在商業和軍事方面的規模應用，寬帶衛星互聯網逐步成熟并成為當前行業關注熱點。由于地球低軌道空間資源有限，各國競爭焦點在于低軌衛星星座的建設以及衛星與5G等地面移動通信系統的融合[6]。我國在2020 年4月首次將衛星互聯網納入通信網絡基礎設施范疇，加速推動了衛星互聯網產業的發展。2021年國家“十四五”規劃發布，明確了衛星互聯網的重要地位；《“十四五”信息通信行業發展規劃》《“十四五”數字經濟發展規劃》和《“十四五”國家應急體系規劃》均明確指出要加快布局衛星通信網絡，推動衛星互聯網建設，并鼓勵衛星通信應用創新。由我國自主研制的北斗衛星導航系統建設受到政府的高度重視。“天智一號”就是AI與地球空間信息科學在我國首次實現融合的產物，它是全球首顆實際開展工程研制并發射的軟件定義衛星，其主要載荷包括云計算平臺、一臺超分相機和4部大視場相機。而其中的云計算平臺，是“天智一號”能夠“智能”的關鍵[7]。近年來，由美國太空探索技術公司（SpaceX）提出的“星鏈”計劃已發射低軌衛星近3 000顆，除了在民用領域發揮作用，也涉足了軍事領域；SpaceX隨即在2022年12月發布了該計劃的軍用版——“星盾”衛星互聯網星座項目，初步側重于對地觀測、衛星通信和托管載荷3個方面。除此之外，俄羅斯也在發展衛星互聯網產業，其格洛納斯系統是全球第二個建成并使用的衛星導航系統；近年來，格洛納斯系統與我國北斗系統的合作不斷加強，為俄羅斯的全球導航領域提供了有力支持[8]。歐洲航天局的發現項目（ESA Discovery）正在資助12個項目，這些項目將探索應用AI技術和先進計算范式的最新發展潛力，使衛星更具反應性、敏捷性和自主性[9]。此外，還有日本NTT計劃、歐洲的RACE計劃等。

為了實現星地互聯的全方位深度融合，衛星互聯網與地面通信系統相結合的空天地一體化網絡（space-air-ground integrated network，SAGIN）應運而生。顧名思義，空天地一體化網絡由天基、空基、地基3部分網絡組成，空天地一體化網絡架構[12]如圖2所示。天基網絡由地球靜止軌道（geostationary earth orbit，GEO）衛星、中地球軌道（medium earth orbit，MEO）衛星、低地球軌道（low earth orbit，LEO，簡稱低軌）衛星以及地面的信關站組成。衛星之間鏈接成星座構成天基網絡。空基網絡主要由無人機（unmanned aerial vehicle，UAV）、直升機、飛艇等多種空中基點和高空通信平臺構成。地基網絡由地面通信系統組成，包括移動通信基站、機動或固定信關站和核心網。地基網絡的核心網將蜂窩網絡和天基網絡進行了融合[10]。信關站之間通過鋪設或者租賃網絡資源形成一張連通的地面網絡[11]。

衛星互聯網，尤其是低軌衛星，隨著低軌巨型星座建設和星間鏈路的部署，為分布式計算提供了可能。衛星組網搭建通信、導航、計算等多類載荷，實現分布式計算平臺；同時結合地面信關站的部署，可實現空天地一體化的分布式計算平臺，為星算網絡提供支持，也是分布式計算的作用延續。傳統衛星的星上算力資源有限，難以支撐復雜算法的應用；隨著計算器件的發展，星載算力得以不斷提高，呈逐年遞增趨勢。近日，我國的“天智二號”D星于太原成功發射，星載算力高達40 TOPS（tera operations per second，每秒鐘萬億次操作），超越了之前“星溪”系列產品的20 TOPS算力，極大地推動了智能星算的發展，這有賴于AI芯片的支持。

圖2 空天地一體化網絡架構[12]

隨著超五代移動通信系統（B5G）和6G時代的到來，依托于AI、大數據、云計算、多接入邊緣計算（multi-access edge computing，MEC）等技術，衛星互聯網正逐步邁向智能化網絡。AI技術包括機器學習（machine learning，ML）、深度學習（deep learning，DL）和強化學習（reinforcement learning，RL）等。傳統的ML算法包括線性回歸、近鄰、支持向量機（support vector machine，SVM）、決策樹、隨機森林等；DL算法主要指各類神經網絡，如卷積神經網絡（convolutional neural network，CNN）、循環神經網絡（recurrent neural network，RNN）、多層感知機等可搭建的多層神經網絡；RL多指半監督學習范式、馬爾可夫決策過程等。

與此同時，衛星應用趨于復雜。傳統衛星一般是單一任務，只需要進行簡單的指令和數據管理，并沒有在星上處理數據的能力，而現在的太空任務更為復雜，如對地遙感觀測、火星的視覺導航等，涉及圖像、視頻、多源信息融合等處理，需要大量的計算資源，這也促進了AI技術在衛星中的應用。

在衛星通信系統和星地互聯不斷發展的形勢下，采用AI技術可以應對不斷增加的系統復雜度，實現網絡功能的地面節點及衛星節點之間的虛擬化配置，在組織與管理上實現空天地一體化智能運維[13]。AI技術應用到衛星領域中，主要為衛星通信技術提供輔助，進而為衛星互聯網和空天地一體化的發展做出貢獻；同時，衛星與AI技術結合，利用衛星數據造福人類。

本文將從AI技術在衛星通信/衛星互聯網方面的應用角度展開闡述AI與衛星之間的關系，同時提出未來的研究方向。

1 AI技術在衛星通信/互聯網的應用

人造衛星最主要的用途之一是提供通信價值。空天地一體化網絡的基礎是衛星互聯網，核心是衛星通信技術；其內部包含多種異構且復雜的網絡元素，如物聯網設備、移動終端、UAV基站、低軌衛星節點等，利用AI技術將智能化融入其中，可為衛星通信/衛星互聯網的發展帶來新的突破。因此，AI算法在衛星通信/衛星互聯網領域的應用較為廣泛，本部分將對此進行詳細介紹。

1.1 AI算法在衛星通信技術中的應用

AI在衛星通信領域的廣泛應用已展現巨大潛力，包括波束跳頻、抗干擾、網絡流量預測、信道建模、電離層閃爍檢測、干擾管理、行為建模、空天地一體化和能源管理等[14]。目前，有關 AI 在衛星通信技術中的應用研究，主要集中在衛星路由、通信抗干擾以及通信信號和信道調制等方面，下面具體進行介紹。

在通信抗干擾方面，文獻[15]提出了一種基于DL與干擾感知的AI技術實現對衛星通信干擾的自主感知；利用長短期記憶（long short-term memory，LSTM）深度學習網絡對衛星各通道的干擾信號數據進行自動特征提取和融合，能夠有效進行干擾感知、決策，提升通信網絡的抗干擾能力。該算法符合干擾信號的時序特性，具有長時記憶功能，可以解決模型梯度消失的問題；但在并行處理上存在劣勢。文獻[16]針對音頻干擾、窄帶干擾、掃頻干擾及其兩兩疊加的復合干擾，提出了基于RL的智能抗干擾決策，通過選擇合適的頻段、發送功率以及調制方式優化目標。優化目標除了低誤比特率外，還包括更髙的通信速率以及更低的發送功率。強化學習的動作從頻域、調制方式、功率3個方面選擇；強化學習的狀態的參量由頻段、功率以及調制方式3個參量確定。理論分析和仿真結果表明，該方案可以有效提高衛星通信系統的抗干擾能力。該模型完整具體，可以針對復雜干擾情況做出最佳決策；但處理效率有待提高。

在衛星路由方面，文獻[17]針對衛星網絡的負載均衡問題提出了一種基于集中式軟件定義網絡（software?defined?network，SDN）架構的ML路由方法，該算法模型可以在短時間內完成相關計算并選擇出負載均衡最優路徑，在應用了置信域策略梯度優化（trust region policy optimization，TRPO）算法的衛星鏈路中，與傳統的等價多路徑路由（equal-cost multipath routing，ECMP）選路方案相比，鏈路最高負載均衡值降低了10%以上，為鏈路擁塞問題提供了有效的解決方法。該算法收斂效率高，但模型穩定性不足且應用場景簡單，不適用于復雜的鏈路情況。文獻[18]開發了一種信息素激勵智能多路徑交通調度（pheromone incentivized intelligent multipath traffic scheduling，PIIMTS）方法，以支持LEO衛星網絡的自主和高效通信；利用信息素感知網絡路徑狀態，實現自適應多路徑路由發現，降低了傳輸時延；并將多路徑流量調度制定為馬爾可夫決策問題，使用深度確定性策略梯度（deep deterministic policy gradient，DDPG）優化，實現了自適應流量調度，降低了網絡負載的能耗。該方案實現了高效的路由發現；但在優化過程中容易陷入局部最優。

在通信信號和信道調制方面，文獻[19]針對衛星信道資源調度問題，構建了多目標約束規劃模型并利用智能水滴（intelligent water drop，IWD）算法進行求解。解決思路是優先執行任務優先級較高的數據傳輸任務，通過不斷迭代優化調度方案，最后利用實驗證明了該算法能夠為衛星分配合適的數據傳輸任務，可以有效解決衛星信道的資源調度問題。該方案具備較好的穩健性，且能最大化地利用衛星資源；但收斂速度較慢，同時在求解大規模問題上不具備優勢。文獻[20]提出了一種基于多重分形譜和DL的方法來識別信號調制方式，對殘差網絡（residual network，ResNet）50架構進行了多尺度優化改進，利用改進后的網絡對多重分形譜特征矩陣進行多層次智能化提取，實現了衛星通信信號調制方式的有效識別。該模型計算量小，易于實現，具備較好的穩健性和適應性；但改進的網絡復雜度升高，耗時變長。文獻[21]針對衛星的Q/V波段提出了在線隨機回歸森林（online random regression forest，ORRF）算法預測信噪比（signal to noise ratio，SNR）值的時間序列，它能夠在衛星鏈路運行期間優化自適應編碼和調制（adaptive coding and modulation，ACM），實際上是通過從瞬時測量的SNR值“逐個樣本地學習”，以幫助ACM切換決策。實驗結果表明，ORRF算法的SNR 預測在頻譜效率方面優于經典的ACM方法，且保證了較低的誤碼率。該算法具備較高的精度和準確率，但計算成本較高。文獻[22]介紹了解決已知和未知操作條件下衛星信道中信號失真的兩個AI框架；對于已知的操作條件，提出了RL模型，用于對傳輸信號進行預失真操作，以補償由衛星信道引起的信號失真。對于未知的操作條件，應用多目標強化和自適應神經網絡，并使用貝葉斯環境預測器（Bayesian environment predictor，BEP）來估計操作條件；該模型目前用于實際跳頻信號，且被成功演示。兩個框架都具備較強的理論基礎和應用價值，但模型較為復雜，成本較高。文獻[23]綜述了深度強化學習（deep reinforcement learning，DRL）在多波束衛星信道分配、功率分配和跳波束算法方面的研究，表明DRL在衛星資源管理中具有良好的應用前景。

圖3 AI在6G衛星地基通信中的賦能應用[24]

在衛星通信其他技術的應用方面，文獻[24]提出了AI賦能的6G衛星通信網絡總體架構、接入網架構及核心網架構；其中，AI在6G衛星地基通信中的賦能應用[24]如圖3所示。衛星通信網絡在AI技術的智能協作下，保障了系統容量的彈性伸縮、星地資源按需動態分配、天地異構網絡智能自愈和靈活重構。整體的網絡架構實現了高度的彈性、靈活和智能特點，同時具備較強的業務能力；不過在具體實現上，仍然面臨很多挑戰。

文獻[25]將AI技術應用到多層衛星通信過程中，主要是及時調整衛星地球站天線的指向，優化最佳天線角度和減少時間消耗。針對靜態環境下的衛星對準天線（satellite alignment antenna，SAA）任務，提出了一種基于迭代門控循環單元（gated recurrent unit，GRU）的快速天線指向算法；針對移動環境下的衛星配對請求，使用RL算法根據實際數據對環境進行判斷和動態優化，采用智能改進的DRL算法完成SAA任務。實驗結果表明，上述兩種算法均能提高衛星指向和跟蹤任務的效率，可以快速響應任務請求；但前者無法處理并行計算，后者模型復雜度高。文獻[26]是針對低軌道衛星星座領域中無線電指紋識別的有效性和局限性的一次開創性研究，驗證了基于AI的解決方案對低軌衛星物理層認證的有效性。該方案利用ResNet18對衛星星座測量得到的同相正交（in-phase/quadrature，I-Q）樣本進行分類，證明CNN和自動編碼器可以用于指紋無線電衛星發射器，且具備較高精度；不過認證能力的影響因素眾多，難以控制。文獻[27]提出了一種針對計算卸載（computation offloading，CO）的安全感知算法，將問題制定為多目標優化問題，使用RL框架聯合約束最小化系統的時間、能量和安全成本，并使用DDPG方法來解決，最終證明該算法可以提高系統效率和空間應用的性能，且具有較高的適用性；但性能提高的同時也伴隨著能耗的增加，在風險較高的情況下性能較差。文獻[28]基于衛星光電效應的應用，采用AI算法預測了衛星在表面充電時通信的可行性；使用ML模擬太陽能電池和航天器之外的條件，并檢測周圍環境，從而對太陽能充電電池進行控制，加強了AI與航天器充電的結合，可以顯著減少表面充電期間對導電表面和太陽能電池陣列的損壞。該項應用的提出擴展了AI在衛星通信中的應用面，但也有可優化的發展空間。文獻[29]基于多波束高吞吐量衛星的動態功率分配問題，分別實現了遺傳算法（genetic algorithm，GA）、模擬退火算法（simulated annealing algorithm，SA）、粒子群優化（particle swarm optimization，PSO）和 DRL算法及SA-GA和PSO-GA混合方法，比較了時間收斂性、連續可操作性、可擴展性和穩健性等特征，證明了DRL是最快的算法，PSO-GA性能最強大且功耗較低，而GA則具備較強的穩健性。文獻[30]基于DNN算法，提出了用于地球觀測衛星的新型架構；該架構用于在源頭而不是在地面上使用數據，允許在空間中部署增值應用程序，只占用原本需要的下行鏈路帶寬的小部分。由于數據的邊緣處理對帶寬下行鏈路方面帶來了好處，該算法將會為空間部署新應用的時間和成本減少幾個數量級。

AI算法在衛星通信技術方面的應用見表1，從所使用的AI方法和智能化內容/目標方面總結了AI算法在衛星通信技術方面的應用。

1.2 AI算法在衛星互聯網方面的應用

衛星通信網絡的資源管理、網絡控制、網絡安全、頻譜管理和能源使用比地面網絡更復雜也更具挑戰性[14]。低軌衛星互聯網的空間段主要由低軌衛星組成，同軌道衛星和非同軌道衛星之間均通過建立星間鏈路（inter-satellite link，ISL）進行數據交換。地面段主要完成向衛星發送控制信號和從衛星接收回饋信號的功能，同時提供使衛星網絡數據到達地面網絡與用戶終端的接口[31]。充分考慮低軌衛星互聯網和 5G、6G 核心網體系架構、終端形態和服務方式的融合；加入AI技術，可以使之適應未來衛星互聯網的多層次、巨型化、天地融合的發展趨勢，也可以實現衛星網絡內部資源的有效管理和分配。下面具體對衛星互聯網中星座及路由、星地網絡系統架構及衛星資源管理等方面的應用進行介紹。

表1 AI算法在衛星通信技術方面的應用

在衛星星座路由及管理方面，文獻[32]對基于AI的服務質量（quality of service，QoS）星座路由算法做了詳細介紹：針對多目標優化問題，提出了基于衛星網絡多QoS約束的蟻群優化路由算法；對蟻群算法的啟發函數提出了多個條件約束，將鏈路QoS信息作為選擇下一跳的依據，將蟻群算法和多QoS路由相結合，在提供多目標QoS保障的同時，提高了收斂速度和尋優能力；但其計算量大，復雜性高，路由的靈活性受限。文獻還提出了多目標QoS約束遺傳算法的SDN路徑增強算法，通過改進遺傳算法的初始種群生成方法，使初始路徑滿足大部分的約束條件，顯著提高了搜索效率，但該方法存在數據包失序的可能性。文獻[33]提出了在所構建智能化衛星互聯網架構上，結合SDN技術和雙延遲DDPG算法，解決了衛星互聯網的實時路由優化問題；將基于SDN定義的衛星互聯網中的流量矩陣（traffic matrix，TM）作為深度強化學習智能體的狀態，將改變網絡中的源端到目的端多條鏈路的路由流量權重矩陣作為智能體對網絡實施的動作，將最小化衛星互聯網的平均時延作為路由優化算法的優化目標，將平均網絡時延的負數定義為強化學習的獎勵值。實驗驗證該算法有效降低了平均網絡時延，且具備較快的收斂速度和較強的性能；但其穩健性較差，且難以適用于大規模動態網絡的路由優化問題。文獻[34]提出了一種基于模糊卷積神經網絡（fuzzy convolutional neural network，Fuzzy CNN）的多任務路由方法，將SDN、AI技術和模糊邏輯相結合，以優化星地融合網絡（integrated satellite-terrestrial network，ISN）中的多任務路由，Fuzzy CNN模型[34]如圖4所示。CNN模型被訓練用于有效的ISN路徑查找。模糊邏輯用于評估每個任務并突出主要路徑要求；仿真結果表明該算法在不同ISN條件下具有更好的流量控制性能和路徑查找靈活性，且資源利用率較高，相比于經典算法取得了突破性進展。

圖4 Fuzzy CNN模型[34]

文獻[35]綜述了基于AI的衛星星座的管理運營，提出了星座管理面臨的技術挑戰，指出提高自動化水平的必要性；例如，在地面部署專家系統，用于高級任務預測、規劃、診斷、維修等。文獻[36]提出了一種基于QL的一體化自適應路由算法，結合SAGIN天基網絡中衛星軌道的運行特點，改進了路由計算過程中值的更新方式和選路策略，提升了路由算法對于SAGIN網絡拓撲變化的適應性。仿真結果表明，該算法具有更高的包遞交率，同時在端到端傳輸時延、時延抖動方面也都有明顯的性能提升，算法整體上具有更好的可靠性和穩定性；但該算法只適用于低軌星地融合。文獻[37]針對敏捷觀測衛星對地觀測的任務規劃問題建模及求解和在軌服務衛星的任務規劃問題建模及求解兩方面研究，提出了禁忌退火遺傳算法、自適應變異遺傳算法、鯨魚優化算法和基于鄰域搜索的遺傳算法，均經過仿真驗證了算法有效性，但仍有待改進。

在衛星互聯網及星地網絡系統架構方面，文獻[38]基于衛星互聯網的架構能力需求，提出了層級化智能部署架構，自頂向下地進行跨層智能化功能及決策部署，以實現融合大尺度、長周期狀態信息的智能模型在局部集群協同網絡中的靈活部署；分析了跨層在軌智能部署中可能應用的訓練技術，包括深度強化學習、遷移學習及聯邦學習等。該方案可以實現業務的快速響應，高效提升了網絡性能，具備良好的適應性，也為星地網絡的管理提供了思路；但其尚在初步探索階段，在網絡分層、集群協同、在軌模型輕量化等方面面臨諸多挑戰。文獻[39]提出了一種基于集成學習方法的云-衛星邊緣-終端集成AI解決方案，來滿足星基邊緣智能的資源限制和可靠性。在這種方法中，簡化模型在云端訓練并部署在衛星上；每顆衛星都會響應遠程用戶的AI服務請求，在用戶端將結果進行合并，得到最終輸出。最后利用不同層的ResNet的集成和具有不同修剪率的視覺幾何組網絡（visual geometry group network，VGGNet）的集成驗證了模型具有良好的性能和可靠性。該方案可以解決有限的邊緣衛星和簡單模型服務性能差的矛盾，但在具體實現上仍然面臨技術難題。文獻[40]提出了基于分布式SDN控制器的軟件定義星地融合智能無線網絡體系架構，以完成對衛星網絡和地面移動通信網絡的狀態監測；采用基于學習（-learning，QL）的路由恢復技術，整合邊緣計算和AI構建網絡管理知識庫實現對星地融合網絡虛擬化資源池的智能管控與調度，可以顯著降低融合網絡的運維復雜度和成本。該架構可以進行高效的星地協同網絡管控，但星地協同組網的關鍵技術還有較大的研究空間。文獻[41]針對大規模星地資源統籌和復雜任務規劃等技術難點，提出構建衛星智能化任務規劃系統和星地協同系統；采用遺傳算法解決多星多任務智能資源調度的組合優化問題，通過深度感知用戶的任務需求偏好，精準規劃衛星遙感任務，為衛星效益的良好發揮提供最佳支撐。賴于AI技術，該系統得以高效、可靠、穩定地運行，有較大的發揮空間。文獻[42]提出了一種基于AI的自學習（AI-based self learning，ASL）網絡框架，用以指向、追蹤并支持無監督的衛星選擇和天線調整；感知運動目標信息，并建立移動指向跟蹤模型，使用無監督學習，讓星地網絡從不同環境中獲取數據并進行訓練，優化資源配置，學習調度其任務對站點和終端的歷史信息數據進行深度學習，以實現實時指向和跟蹤，并預測未來某個時間的站點和終端分布。該模型具備較高的天線指向精度和較好的穩健性，同時也有一定的實用性。文獻[43]介紹了一個用于5G星地綜合網絡的數據驅動網絡編排器ANChOR；基于AI技術，利用網絡的一些反饋知識適當分配資源，旨在支持5G綜合衛星地面網絡上的不同服務，協助系統實現項目基礎設施的多層自動化。相關算法包括深度學習（deep-learning，DQL）、RNN和CNN等。該項目對衛星-地面綜合網絡中的資源分配研究做出了貢獻，但尚在理論研究階段。文獻[44]提出了雙邊智能綜合星地網絡，使用MEC和AI技術，該框架具有衛星和蜂窩網絡的系統學習和自適應網絡管理能力；將衛星和地面網絡中的通信、存儲和計算資源深度集成到智能系統中，以保證無縫覆蓋、動態回傳和多種QoS要求。關鍵技術是將SDN和網絡功能可視化概念與MEC技術和AI相結合，實現深度融合。該網絡結構優于現有的集成網絡，且具備良好的性能。文獻[45]提出了一種基于SDN和AI的智能頻譜管理框架。SDN將異構衛星和地面網絡轉變為具有可重構性和互操作性的綜合衛星和地面網；AI則用于智能環境感知和認知頻譜訪問，并配置網絡以實現最佳資源分配。該框架為整合和利用衛星和地面網絡的頻譜提供了新的范例，同時也存在一些問題，例如數據安全性、國外衛星的合作等。文獻[13]針對網絡結構復雜、動態性高、資源高度約束等問題，提出了基于RL的空天地一體化網絡設計與優化框架，以進行高效快速的網絡設計、分析、優化與管控。同時給出了實例分析，闡明了利用DRL進行空天地一體化網絡智能接入選擇的方法；并通過搭建空天地一體化網絡仿真平臺，解決了網絡觀測稀疏與訓練數據難以獲取的問題，極大地提升了RL的訓練效率。文獻[46]提出了一種新的AI使能空地綜合網絡，由LEO衛星和攜帶空中基站的民用飛機組成，設計了聯合覆蓋星座；仿真結果表明，民用飛機的協助可以減輕衛星網絡的壓力，提高空天地一體化網絡的性能，降低建造成本，節省空間資源。該方案具備一定的理論價值，但包含一些理想的假設，實用價值有待提高。文獻[47]提出在SAGIN的優化問題上的常用DL模型，包括深度置信網絡（deep belief network，DBN）、深度網絡、CNN和LSTM；并以衛星流量平衡問題為例，提出了一種基于CNN的選擇衛星通信系統路徑組合來提高流量控制性能的方法。仿真結果表明，DL技術是提高SAGIN性能的有效工具，同時也表明AI技術在SAGIN多個領域的性能優化方面有極大的發展空間。文獻[48]提出了一種基于AI的LEO衛星網絡資源管理架構設計，基于空天地一體化網絡架構，在地面引入SDN對衛星網絡資源狀態信息進行實時觀測，再應用AI算法得到資源分配優化策略，形成觀測、分析、處理和控制相結合的一體化結構，實現高效信息傳輸。該方案通用性強，且簡單有效，為LEO衛星網絡的資源分配提供了思路。文獻[49]針對AI技術在天基通信中的應用價值，從系統架構設計和通信衛星資源獲取兩個方面，實現了智能天基通信系統的科學設計。采取的方法是：應用了SDN組網智能化功能，實現對相關信息的智能化處理和設備的智能化管理、終端的智能化接入；采用用戶終端接入的方式，實現波束的智能化切換；選用相控陣天線等。將AI技術與天基通信結合，提高了天基通信智能化發展水平，保證了相關信息數據傳輸的穩定性、可靠性和安全性。

在衛星資源管理方面，文獻[50]提出了一種利用多目標RL和人工神經網絡集成的新型無線電資源分配算法，能夠用于天基通信系統，管理可用資源，為下一代航天器和衛星中空間通信系統開發提供參考。通過RL實現多目標性能，利用神經網絡來開發和探索無線電參數集以動態改變頻道，仿真結果表明該方案實現了較低的性能誤差和較高的準確率，若用于大規模系統參數，該算法仍需優化改進。文獻[51]在網絡資源管理、業務流量管理和網絡狀態管理3個方面重點調研了AI算法在衛星互聯網運維與管理領域方面的應用，見表2。將AI引入衛星互聯網運維與管理領域，借助其數據感知和學習更新能力，能有效提高衛星互聯網資源利用效率、網絡穩健性和業務支持能力。

表2 AI算法在衛星互聯網運維與管理領域方面的應用[51]

文獻[52]針對提高空天地一體化網絡的吞吐量問題，提出了基于RL的鏈路優化算法，通過優化衛星-基站和基站-用戶間的資源分配、資源管理和UAV的軌跡，來提高系統吞吐量；先建立優化回程鏈路和接入鏈路的目標問題，再利用RL工具——多臂老虎機，來求解目標問題。仿真結果表明，該算法有效地提升了吞吐量和地面用戶端的可達速率，但其復雜度高，運算性能較差。文獻[53]針對衛星系統傳輸時延較大的問題，利用MEC技術，結合空天地一體化智能網絡架構，提出了一種基于人工蜂群的智能衛星節點優化部署算法。該算法通過迭代，結合網絡分簇算法，選出邊緣服務有效覆蓋率最高的智能衛星節點部署策略，旨在部署最少的智能衛星節點，為其他衛星以及偏遠地區的地面用戶提供更加全面的邊緣計算服務。仿真結果表明該算法有效降低了傳統衛星網絡的平均傳輸時延，為今后星上邊緣服務系統的部署提供了思路。文獻[54]研究SAGIN中的接入控制和功率分配機制，應用基于DRL的智能化方法，解決或優化無線資源管理問題。首先提出了一種基于深度強化學習框架的動態信道預留策略，數值結果表明，該算法實現了較好的長期整體系統性能、平均呼叫成功率和信道利用率；其次提出了一種基于多智體深度強化學習的智能接入選擇算法，實現了更優的系統吞吐量，提升了系統綜合性能；但文獻并未考慮多星協同下的動態資源分配機制。

在其他方面，文獻[55]提出了低軌衛星MEC網絡架構及其組網方式，有利于MEC與智能計算技術在天地融合網絡中的發展。低軌衛星邊緣計算網絡可借助AI算法優化本網絡的資源配置方案，輔助星上以及星間資源調度自主性決策，實現智能時敏的分布式控制。該模型較為系統全面，不過尚停留在理論階段。文獻[56]提出了面向衛星動態網絡業務的AI離線訓練學習方法，以提高衛星互聯網業務識別能力；通過分析衛星間的連通關系建立時空穩態圖，確定動態衛星網絡拓撲，并構建衛星仿真網絡，進行灰度圖智能識別模型的離線學習；搭建神經網絡模型并調整參數，對業務類型進行識別，驗證了所提算法的有效性，為衛星互聯網空間載荷的發展提供了技術支撐。文獻[57]針對衛星物聯網中的數據安全問題，采用LSTM算法預測能量收集功率，通過可用能量和安全需求動態調整加密和認證等級，實現服務質量和安全的聯合優化；仿真結果表明，所提算法可在滿足基本安全需求的前提下，有效延長節點工作時間，保障數據的安全傳輸，但算法性能仍有待提高。

2 AI在衛星通信/互聯網領域的未來研究方向

本節介紹AI在衛星通信/互聯網領域的有前景的研究方向。

（1）6G低軌衛星的通信導航遙感計算一體化

目前已經實現的是衛星通信導航一體化，例如，我國的北斗系統可以在實現定位導航的功能之外，提供一些基本的通信服務；而對智能遙感衛星的構想處于實現集成通信、導航、遙感于一體的平臺設計，且隨著6G網絡的發展，通導遙一體化將會使衛星具備星地通信傳輸、導航接收與增強、高分辨率遙感成像、在軌實時智能處理等功能。但是，實現這些功能將對算力提出更高要求，因此，在通導遙集成系統中加入計算是必然趨勢。AI技術可賦能面向低軌衛星的通導遙算一體化的波形設計、多天線技術、干擾管控體系架構、可重構智能組網、資源管理、創新應用等。

（2）實現衛星通信資源利用的最大化

衛星通信具備電波覆蓋范圍大、通信距離遠、通信容量高等諸多優勢，可以為人們提供豐富的資源。傳統的衛星通信資源管理難以做到高效、準確、統一地處理信息；面對種類繁多且關系錯綜復雜的資源信息，如何實現不同衛星資源的統一管理和高效使用是急需解決的難題。建立衛星資源數據庫，利用AI技術進行調度規劃是未來研究可行的方向之一。

（3）空天地融合網絡分層技術

星地互聯網絡由多層架構組成，從空基、天基到地基包含眾多節點，它們相互協作、互聯互通、層層遞進，由局部到整體，具有非常復雜的網絡結構。隨著云邊協同技術的發展，以及對衛星數據實現高效全面的分析和優化的強烈需求，在空天地網絡中進行智能分層管控成為未來的挑戰之一。各層級的功能定位、計算能力、存儲數據等存在差異，可以作為分層管理的依據，同時需要考慮各層級間的數據傳輸關系，DRL等AI算法可為網絡分層決策提供基礎。

（4）衛星運行系統的自動化

當前衛星運作系統中僅有個別環節實現了自動化，如數據反演、任務接收和規劃等方面，而在應急處理、故障診斷、干擾規避等具有復雜關系的問題上仍然需要大量的人工干預。隨著衛星數量的增多和衛星網絡規模的增大，衛星星座系統需要更多的自動化管控運營技術，以降低成本、提高效率。由于衛星運行系統包含的模塊眾多，實現全面的自動化需要AI的大力輔助。選擇并開發合適的AI技術運用到衛星系統的各個模塊，這將是未來的挑戰之一。

（5）衛星網絡安全性

在衛星互聯網產業如火如荼之際，衛星網絡系統的安全性成為需要重點關注的方向，主要針對通信安全方面。各國低軌道衛星類型不一，很容易產生無線電干擾，同時宇宙中存在各種電磁輻射信號，也會造成一定程度的隱患。雖然目前的監測技術和加密技術可以完成大部分的信號干擾、竊聽和軌道碎片損毀等抵御工作，但是對于一些偶然或蓄意情況，需要在衛星網絡內部建立可靠的安全防御機制，AI算法將發揮重要作用。

（6）衛星通信網絡時延優化

衛星通信存在許多優勢，但是數據傳輸需要經過多個節點，通信時延較長。GEO與地面進行通信的雙向往返時延約為500 ms，衛星互聯網最小時延為20 ms，而5G互聯網時延僅為1 ms甚至更低。衛星通信對于一些時延敏感業務顯得力不從心，尤其是在具有高精度的航空航天領域。因此，使用AI技術優化衛星通信時延問題將是未來的重要方向之一。

（7）分布式計算策略優化

分布式計算策略需要對衛星任務進行并行響應，那么任務自適應分區計算、分區任務優化分配、高速緩存文件分布式存儲等便成為新的技術挑戰，需要使用一系列AI算法來優化星座任務的部署策略，協同任務處理。

3 結束語

本文主要圍繞AI在衛星領域的應用，選取了最具代表性的應用場景展開闡述。首先是AI在衛星通信技術中的應用；之后是AI在衛星互聯網中的應用；最后，對未來AI在衛星通信/互聯網領域的應用做了展望，提出了一些有前景的研究方向和思路。

[1] 徐陽. 衛星通信技術及其展望[J]. 電子技術, 2022, 51(7): 258-259.

XU Y. Study on satellite communication technology and its prospect[J]. Electronic Technology, 2022, 51(7): 258-259.

[2] 宋川川, 姚雅雯. 探討衛星通信系統在航空領域的應用[J]. 電子測試, 2022(16): 72-73, 68.

SONG C C, YAO Y W. The application of satellite communication system in aviation field is discussed[J]. Electronic Test, 2022(16): 72-73, 68.

[3] 武音璇. 衛星互聯網產業發展前景與展望[J]. 張江科技評論, 2022(3): 39-41.

WU Y X. Development prospect and prospect of satellite Internet industry[J]. Zhangjiang Technology Review, 2022(3): 39-41.

[4] 張聰, 高峰. 衛星互聯網未來應用場景及安全性分析[J]. 信息技術, 2022, 46(3): 120-126.

ZHANG C, GAO F. The future application scenarios and security analysis of satellite Internet[J]. Information Technology, 2022, 46(3): 120-126.

[5] 李鋒, 韓燕妮, 馬曉玲, 等. 我國低軌衛星互聯網發展的問題與對策建議[J]. 全球化, 2022(6): 77-84, 134.

LI F, HAN Y N, MA X L, et al. Problems and countermeasures for the development of low-orbit satellite Internet in China[J]. Globalization, 2022(6): 77-84, 134.

[6] 黃曜明, 姬天相. 衛星互聯網發展趨勢和面臨挑戰分析[C]// 5G網絡創新研討會（2022）論文集. 2022: 474-477.

HUANG Y M, JI T X. Analysis on the development trend and challenges of satellite internet[C]//Proceedings of 5G Network Innovation Symposium (2022). 2022: 474-477.

[7] 李莉. 軟件定義衛星智能引領航天[J]. 中國科技獎勵, 2019(1): 26-28.

LI L. Software-defined satellite intelligence leads space flight[J]. China Awards for Science and Technology, 2019(1): 26-28.

[8] 弋耀武, 龔輝, 陳兆源. 全球衛星導航系統建設發展的啟示[J].經緯天地, 2022(5): 57-59.

YI Y W, GONG H, CHEN Z Y. Enlightenment from the construction and development of global satellite navigation system[J]. Survey World, 2022(5): 57-59.

[9] 更智能的衛星: ESA發現項目（ESA Discovery）加速太空中的人工智能[J]. 中國測繪, 2022(6): 78-79

Smarter satellites: ESA discovery program to accelerate artificial intelligence in space[J]. China Surveying and Mapping, 2022(6): 78-79

[10] 虞志剛, 馮旭, 黃照祥, 等. 通信、網絡、計算融合的天地一體化信息網絡體系架構研究[J]. 電信科學, 2022, 38(4): 11-29.

YU Z G, FENG X, HUANG Z X, et al. Research on the architecture of space-ground integrated information network: integration of communication, networking and computing[J]. Telecommunications Science, 2022, 38(4): 11-29.

[11] 王文哲, 安崗, 李忻, 等. 面向空天地一體化場景的5G衛星雙模終端需求及應用探討[J]. 電信科學, 2022, 38(S1): 221-230.

WANG W Z, AN G, LI X, et al. Discussion of 5G satellite dual-mode terminal requirement and application in the integration communication scenario of satellite and UTRAN[J]. Telecommunications Science, 2022, 38(S1): 221-230.

[12] 沈學民, 承楠, 周海波, 等. 空天地一體化網絡技術：探索與展望[J]. 物聯網學報, 2020, 4(3): 3-19.

SHEN X M, CHENG N, ZHOU H B, et al. Space-air-ground integrated networks: review and prospect[J]. Journal on Internet of Things, 2020, 4(3): 3-19.

[13] 崔新雨, 伍杰, 周一青, 等. 空天地一體化融合組網的挑戰與關鍵技術[J]. 西安電子科技大學學報, 2022: 1-11.

CUI X Y, WU J, ZHOU Y Q, et al. Challenges and key technologies of air-space integration networking[J]. Journal of Xidian University, 2022 :1-11.

[14] FOURATI F, ALOUINI M S. Artificial intelligence for satellite communication: a review[Z]. 2021.

[15] 劉佩璋, 楊博, 劉江春, 等. 基于深度學習的衛星通信抗干擾方法[J]. 電子測試, 2020(1): 86-87.

LIU P Z, YANG B, LIU J C, et al. Interference awareness method based on deep learning for satellite communication[J]. Electronic Test, 2020(1): 86-87.

[16] 孔景娜. 基于強化學習的衛星通信智能抗干擾決策探討[J]. 無線互聯科技, 2021, 18(5): 3-4.

KONG J N. Research on intelligent anti-interference decision of satellite communication based on reinforcement learning[J]. Wireless Internet Technology, 2021, 18(5): 3-4.

[17] 李新桐, 張亞生. 一種適用于低軌衛星的SDN網絡人工智能路由方法[J]. 電子測量技術, 2020, 43(22): 109-114.

LI X T, ZHANG Y S. Artificial intelligence routing method for SDN network suitable for LEO satellites[J]. Electronic Measurement Technology, 2020, 43(22): 109-114.

[18] HUANG Y H, JIANG X F, CHEN S W, et al. Pheromone incentivized intelligent multipath traffic scheduling approach for LEO satellite networks[J]. IEEE Transactions on Wireless Communications, 2022, 21(8): 5889-5902.

[19] 段超凡, 王銳. 基于智能水滴算法的衛星信道資源調度研究[J]. 現代計算機, 2022, 28(7): 75-78, 86.

DUAN C F, WANG R. Satellite channel allocation based on the intelligent water drops algorithm[J]. Modern Computer, 2022, 28(7): 75-78, 86.

[20] 楊偉超, 杜宇, 文偉, 等. 基于多重分形譜智能分析的衛星信號調制識別研究[J]. 電子學報, 2022, 50(6): 1336-1343.

YANG W C, DU Y, WEN W, et al. Modulation recognition of satellite communication signal based on intelligent analysis of multi-fractal spectrum[J]. Acta Electronica Sinica, 2022, 50(6): 1336-1343.

[21] EBERT J, BAILER W, FLAVIO J, et al. A method for ACM on Q/V-band satellite links based on artificial intelligence[C]//Proceedings of 2020 10th Advanced Satellite Multimedia Systems Conference and the 16th Signal Processing for Space Communications Workshop (ASMS/SPSC). Piscataway: IEEE Press, 2020: 1-5.

[22] NGUYEN T M. Advanced mathematical modeling of machine learning and artificial intelligent addressing satellite transponder distortions[C]//Proceedings of 2020 IEEE Green Energy and Smart Systems Conference (IGESSC). Piscataway: IEEE Press, 2020: 1-6.

[23] 韓永鋒, 張晨, 張更新. 基于深度強化學習的衛星動態資源管理研究綜述[C]//第十六屆衛星通信學術年會論文集. 2020: 37-43.

HAN Y F, ZHANG C, ZHANG G X. A review of satellite dynamic resource management based on deep reinforcement learning [C]//Proceedings of the 16th Annual Conference on Satellite Communications. 2020: 37-43.

[24] 吳曉文, 焦偵豐, 凌翔, 等. 面向6G的衛星通信網絡架構展望[J]. 電信科學, 2021, 37(7): 1-14.

WU X W, JIAO Z F, LING X, et al. Outlook on satellite communications network architecture for 6G[J]. Telecommunications Science, 2021, 37(7): 1-14.

[25] XIAO W J, WANG R, SONG J, et al. AI-based satellite ground communication system with intelligent antenna pointing[C]//Proceedings of GLOBECOM 2020 - 2020 IEEE Global Communications Conference. Piscataway: IEEE Press, 2021: 1-6.

[26] OLIGERI G, SCIANCALEPORE S, RAPONI S, et al. PAST-AI: physical-layer authentication of satellite transmitters via deep learning[J]. IEEE Transactions on Information Forensics and Security, 2022, 18: 274-289.

[27] STHAPIT S, LAKSHMINARAYANA S, HE L G, et al. Reinforcement learning for security-aware computation offloading in satellite networks[J]. IEEE Internet of Things Journal, 2022, 9(14): 12351-12363.

[28] ZHANG S T. Research on photoelectric effect for artificial satellite communication[C]//Proceedings of 2020 IEEE Intl Conf on Parallel & Distributed Processing with Applications, Big Data & Cloud Computing, Sustainable Computing & Communications, Social Computing & Networking (ISPA/BDCloud/SocialCom/SustainCom). Piscataway: IEEE Press, 2021: 1465-1469.

[29] LUIS J J G, PACHLER N, GUERSTER M, et al. Artificial intelligence algorithms for power allocation in high throughput satellites: a comparison[C]//Proceedings of 2020 IEEE Aerospace Conference. Piscataway: IEEE Press, 2020: 1-15.

[30] FURANO G, MEONI G, DUNNE A, et al. Towards the use of artificial intelligence on the edge in space systems: challenges and opportunities[J]. IEEE Aerospace and Electronic Systems Magazine, 2020, 35(12): 44-56.

[31] 岳洋, 倪少杰, 呂志成, 等. 低軌衛星互聯網建模與仿真系統設計[C]// 第三十四屆中國仿真大會暨第二十一屆亞洲仿真會議論文集. 2022: 376-384.

YUE Y, NI S J, LYU Z C, et al. Design of Internet modeling and simulation system for low-orbit satellite[C]//Proceedings of the 34th China Simulation Conference and the 21st Asian Simulation Conference, 2022: 376-384.

[32] 董超穎, 續欣, 劉愛軍, 等. 低軌衛星星座網絡路由新方法[J]. 計算機科學, 2020, 47(12): 285-290.

DONG C Y, XU X, LIU A J, et al. New routing methods of LEO satellite networks[J]. Computer Science, 2020, 47(12): 285-290.

[33] 魏琳慧, 劉國文, 劉雨, 等. 基于深度強化學習的衛星互聯網路由優化研究[J]. 天地一體化信息網絡, 2022, 3(3): 65-71.

WEI L H, LIU G W, LIU Y, et al. Research on routing optimization in satellite Internet based on deep reinforcement learning[J]. Space-Integrated-Ground Information Networks, 2022, 3(3): 65-71.

[34] WANG F, JIANG D D, WANG Z H, et al. Fuzzy-CNN based multi-task routing for integrated satellite-terrestrial networks[J]. IEEE Transactions on Vehicular Technology, 2022, 71(2): 1913-1926.

[35] CURZI G, MODENINI D, TORTORA P. Large constellations of small satellites: a survey of near future challenges and missions[J]. Aerospace, 2020, 7(9): 133.

[36] 羅澤耀. 天地一體化網絡下基于機器學習的路由技術研究[D].成都: 電子科技大學, 2021.

LUO Z Y. Research of routing technology based on machine learning in integrated satellite-terrestrial information network[D]. Chengdu: University of Electronic Science and Technology of China, 2021.

[37] 高新洲. 基于智能優化算法的衛星任務規劃問題研究[D]. 哈爾濱: 哈爾濱工業大學, 2021.

GAO X Z. Satellite mission planning based on intelligent optimization algorithms[D]. Harbin: Harbin Institute of Technology, 2021.

[38] 紀哲, 吳勝, 王文博. 面向衛星互聯網的層級化智能部署架構[J]. 天地一體化信息網絡, 2022, 3(1): 56-61.

JI Z, WU S, WANG W B. Hierarchical intelligence deployment architecture for satellite Internet[J]. Space-Integrated-Ground Information Networks, 2022, 3(1): 56-61.

[39] GAO Z, ZHANG Y Q, SUN W. Artificial intelligence service by satellite networks based on ensemble learning with cloud-edge-end integration[C]//Proceedings of 2022 IEEE/CIC International Conference on Communications in China (ICCC Workshops). Piscataway: IEEE Press, 2022: 158-163.

[40] 袁碩, 任奕璟, 王則予, 等. 軟件定義的星地融合智能無線網絡[J]. 電信科學, 2021, 37(6): 66-77.

YUAN S, REN Y J, WANG Z Y, et al. Software defined intelligent satellite-terrestrial integrated wireless network[J]. Telecommunications Science, 2021, 37(6): 66-77.

[41] 雷永剛, 張若禹, 馬佳楠. 人工智能技術在衛星任務管控領域的應用[J]. 電訊技術, 2022, 62(9): 1377-1382.

LEI Y G, ZHANG R Y, MA J N. Application of artificial intelligence technology in satellite control system[J]. Telecommunication Engineering, 2022, 62(9): 1377-1382.

[42] LIU Q, YANG J, ZHUANG C J, et al. Artificial intelligence based mobile tracking and antenna pointing in satellite-terrestrial network[C]//Proceedings of IEEE Access. Piscataway: IEEE Press, 2019: 177497-177503.

[43] PATRONE F, BACCI G, GALLI A, et al. Data-driven network orchestrator for 5G satellite-terrestrial integrated networks: the ANChOR project[C]//Proceedings of 2021 IEEE Global Communications Conference (GLOBECOM). Piscataway: IEEE Press, 2022: 1-6.

[44] ZHANG J X, ZHANG X, WANG P, et al. Double-edge intelligent integrated satellite terrestrial networks[J]. China Communications, 2020, 17(9): 128-146.

[45] LIANG Y C, TAN J J, JIA H N, et al. Realizing intelligent spectrum management for integrated satellite and terrestrial networks[J]. Journal of Communications and Information Networks, 2021, 6(1): 32-43.

[46] LI S X, CHEN Q, LI Z, et al. Civil aircraft assisted space-air-ground integrated networks: architecture design and coverage analysis[J]. China Communications, 2022, 19(1): 29-39.

[47] KATO N, FADLULLAH Z M, TANG F, et al. Optimizing space-air-ground integrated networks by artificial intelligence: IEEE, 10.1109/MWC. 2018. 1800365[P]. 2018.

[48] 王朱偉, 徐廣書, 買天樂, 等. 基于AI的LEO衛星網絡資源管理架構設計[J]. 信息技術與網絡安全, 2018, 37(2): 20-22, 36.

WANG Z W, XU G S, MAI T L, et al. Design of LEO satellite network resource management architecture based on AI[J]. Information Technology and Network Security, 2018, 37(2): 20-22, 36.

[49] 周小偉, 鄭偉. AI人工智能技術在天基通信中的應用分析[J]. 電子測試, 2021(6): 55-56.

ZHOU X W, ZHENG W. Application analysis of AI Artificial Intelligence Technology in space based communication[J]. Electronic Test, 2021(6): 55-56.

[50] FERREIRA P V R, PAFFENROTH R, WYGLINSKI A M, et al. Multiobjective reinforcement learning for cognitive satellite communications using deep neural network ensembles[J]. IEEE Journal on Selected Areas in Communications, 2018, 36(5): 1030-1041.

[51] 唐斯琪, 潘志松, 胡谷雨, 等. 智能化衛星互聯網運維與管理：現狀與機遇[J]. 天地一體化信息網絡, 2021, 2(4): 75-83.

TANG S Q, PAN Z S, HU G Y, et al. Intelligent satellite Internet maintenance and management: progress and opportunities[J]. Space-Integrated-Ground Information Networks, 2021, 2(4): 75-83.

[52] 杜丹冰. 一種優化空天地一體化網絡吞吐量算法[J]. 彈箭與制導學報, 2022: 1-6.

DU D B. An algorithm for optimizing throughput of air-space integrated network[J]. Journal of Projectiles, Arrows and Guidance, 2022: 1-6.

[53] 楊力, 何兆斌, 孔志翔. 天地一體化智能網絡智能節點部署策略[J]. 小型微型計算機系統, 2022, 43(1): 159-164.

YANG L, HE Z B, KONG Z X. Deployment strategy of intelligent node in integrated intelligent network[J]. Journal of Chinese Computer Systems, 2022, 43(1): 159-164.

[54] 周家豪. 面向天地一體化網絡的智能接入控制與資源分配機制研究[D]. 成都: 電子科技大學, 2022.

ZHOU J H. Research on intelligent access control and resource allocation mechanism for space-air-ground integrated network[D]. Chengdu: University of Electronic Science and Technology of China, 2022.

[55] 王鵬, 張佳鑫, 張興, 等. 低軌衛星智能多接入邊緣計算網絡：需求、架構、機遇與挑戰[J]. 移動通信, 2021, 45(5): 35-46.

WANG P, ZHANG J X, ZHANG X, et al. Low earth orbit satellite intelligent multi-access edge computing networks: requirements, architecture, opportunities and challenges[J]. Mobile Communications, 2021, 45(5): 35-46.

[56] 崔濤, 任智源, 黎軍, 等. 衛星互聯網業務智能識別分類算法與仿真[J]. 天地一體化信息網絡, 2022, 3(2): 72-80.

CUI T, REN Z Y, LI J, et al. Intelligent identification and classification algorithm and simulation of satellite Internet business[J]. Space-Integrated-Ground Information Networks, 2022, 3(2): 72-80.

[57] 毛伯敏, 郭鴻志, 劉家佳. 衛星物聯網中服務質量與安全的智能聯合優化方法[J]. 移動通信, 2021, 45(5): 31-34.

MAO B M, GUO H Z, LIU J J. Intelligent joint optimizations of QoS and security for satellite Internet of Things[J]. Mobile Communications, 2021, 45(5): 31-34.

A survey on AI techniques applied inthe satellite communication/satellite Internet field

LIU Yaqiong1,2,3, LYU Zhe1,2,3, ZHAO Yafei3, SHOU Guochu1,2,3

1. Beijing Laboratory of Advanced Information Networks, Beijing 100876, China 2. Beijing Key Laboratory of Network System Architecture and Convergence, Beijing 100876, China 3. School of Information and Communication Engineering, Beijing University of Posts and Telecommunications, Beijing 100876, China

The birth of satellite Internet brings new development opportunities, but also many challenges. How artificial intelligence, as an important auxiliary tool, was widely used in the field of satellite communication/satellite Internet in the context of the development of space-air-ground integration, was investigated, which involved communication anti-jamming, communication routing, satellite-terrestrial network system architecture, constellation operation and management and other scenarios. The AI algorithms included traditional machine learning, deep learning, reinforcement learning and so on. Finally, by taking the development trend of the AI applied in the satellite field into consideration, several future research directions were put forward, whichprovided new ideas and technical solutions for the intelligent development of satellite field in our country.

satellite communication,space-air-ground integration, satellite Internet, AI algorithm, machine learning

TN927

A

10.11959/j.issn.1000-0801.2023030

劉雅瓊（1988-），女，博士，北京郵電大學信息與通信工程學院副教授，主要研究方向為邊緣智能、車聯網、衛星通信。

呂哲（2000-），女，北京郵電大學碩士生，主要研究方向為知識圖譜、網絡運維和邊緣智能。

趙亞飛（1987-），男，博士，北京郵電大學信息與通信工程學院特聘副研究員，主要研究方向為低軌衛星通信導航一體化。

壽國礎（1965-），男，博士，北京郵電大學信息與通信工程學院教授，主要研究方向為接入網絡與邊緣計算、光纖與無線網絡虛擬化、網絡構建與路由、移動互聯網與應用等。

2023-01?17；

2023-02-04

呂哲，zhelv@bupt.edu.cn

北京市科技計劃項目（No.Z221100007722012）

Beijing Municipal Science and Technology Project (No.Z221100007722012)