基于半监督图卷积神经网络的地球站组网方法
2022-04-12孙雪苗赵洪华胡谷雨
孙雪苗 赵洪华 胡谷雨
摘 要： 合理分配卫星通信资源是卫星通信组网规划的重要内容。为了提高资源利用率，提出一种基于半监督图卷积神经网络的组网规划方法。基于现有卫星通信系统的网络管理架构，根据卫星与地球站的可互通条件构建系统模型，将半监督图卷积方法应用于地球站组网规划。最后进行了仿真实验，结果表明，所提方法可以根据设定的优化目标对地球站进行快速组网，提高用户体验和网络资源利用率。
关键词： 卫星通信; 组网规划; 半监督; 图卷积神经网络
中图分类号：TP393 文献标识码：A 文章编号：1006-8228（2022）04-17-04
Semi-supervised graph convolutional neural network based
Earth station networking method
Sun Xuemiao Zhao Honghua Hu Guyu
（Command and Control Engineering College， Army Engineering University of PLA， Nanjing， Jiangsu 210007， China）
Abstract： Rational allocation of satellite communication resources is an important element of satellite communication network planning. In order to improve resource utilization， a network planning method based on semi-supervised graph convolutional neural network is proposed. Based on the network management architecture of the existing satellite communication system， a system model is constructed according to the interoperability conditions between satellites and earth stations. The semi-supervised graph convolution method is applied to the network planning of earth stations. The simulation results show that the proposed method can quickly network the earth station according to the set optimization goal， and improve the user experience and the utilization of network resources.
Key words： satellite communications; network planning; semi-supervised; graphical convolutional neural networks
0 引言
近年來，随着卫星通信业务需求急剧增加，业务种类日益多样化，快速增长的业务需求与有限的卫星通信资源之间矛盾日益凸显，卫星通信资源的规划利用成为一个实际难题[1]。
以机器学习[2]与深度学习[3]为代表的人工智能方法逐渐应用于各种领域，组网规划也在寻求更加智能合理高效的方法。文献[4]对现有的卫星地球站组网规划问题形式化建模，以地球站间尽可能多的一跳通信为目标，使用社团发现方法（community detection）对此问题求解，结果表明，社团发现方法确实在地球站组网规划方面有效，但在该文献中为了使用社团方法，对组网规划模型只考虑了简单的约束条件，而组网规划是个很复杂的问题，不过社团发现的方法仍为此类问题的求解提供了思路。
本文基于半监督图卷积神经网络（Semi-GCN，Semi-Supervised with Graph Convolutional Networks）方法[5-6]，提出一种新的组网规划方法用于解决卫星地球站的智能组网问题，支持各类卫星通信资源的统一管理分配[7]。
1 系统模型
为了更好地描述卫星通信地球站组网的问题，我们建立了面向卫星的地球站组网规划模型，并制定了组网目标。
1.1 对象建模
在系统模型中，各型号地球站可形式化为：
其中Position为一个二元组（Xi，Yi），表示地球站ESi所在的地理位置经度和纬度坐标。假设每个地球站只有一幅单频段天线，同一个地球站的信道单元（CU）共用该地球站的天线和射频线路，天线所支持的射频工作频段为ES_RF，在实际系统中具体可以划分为C，Ku，Ka等频段;ES_Polar代表地球站的天线极化方式，可划分为线极化和圆极化两种模式，具体地，线极化模式可根据实际通信需求调整为水平和垂直极化，圆极化模式可调为左旋圆极化和右旋圆极化。Gt表示地球站的信号发送幅度增益（dB），其数值等于发射机功放增益和天线发射增益之和。Gr为地球站天线的信号接收增益（dB）。Pmax为地球站功率放大器的最大输出功率（W），{CU}为地球站[ESi]支持的CU集合。具体地，地球站ESi的第j个CU可表示为CUij={Mode， Rate， Vs}]，[Mode表示CU可以支持的传输体制集合，Rate表示CU所支持的信号传输速率集合;Vs为地球站的接收灵敏度（mV）。735EF330-3615-4D53-B292-BA567E9EE863
在该模型中，所讨论的通信卫星均为同步卫星，各卫星可以形式化为：
假设卫星均为多波束卫星，且只有一副天线，其中S_RF表示其支持的射频频段，S_Polar为该天线的极化方式，支持的点波束数量为K个。Area表示卫星波束的覆盖地理范围，因此卫星覆盖范围是各个波束覆盖范围的并集Area=Area1∪Area2∪…AreaK，{Tp}为卫星透明转发器。
面向卫星地球站通信的组网规划问题，目标是根据各用户通信需求，通过子网划分实现对地球站进行分配。各子网可以形式化为：
其中[ES]表示子网内的地球站集合;Mode为子网的传输体制;{Rate}为收发地球站下的CU共有使用的数据传输速率集合，单位为Mbit/s;Sat是对子网进行服务的通信卫星。
1.2 条件建模
基于对卫星地球站的对象建模，对于? ESi，ESj， 两者可以进行组网的约束条件为：
首先，加入到同一个网络内的地球站地理位置需要位于同一颗卫星的覆盖范围内。
加入到同一个网络内的地球站天线必须朝向同一颗通信卫星，收发地球站，卫星三者天线均支持相同的射频频段。
收发地球站的天线极化方式需要与该卫星天线极化方式相同。
表示加入到同一个网络中的CU需达到信号可接收条件，假设地球站发射信号电平均为Vt0，则该信号电平+发送幅度增益+接收天线增益-传输损耗至少应达到地球站的接收灵敏度门限，单位为dB. 其中Aij和Aji表示星地链路上下行总的传输损耗，通常包括自由空间损耗、大气衰减和天线跟踪损耗等，主要受天气和传输距离的影响。
收发地球站使用的CU需要采用同一种传输体制，即信道编码、调制解调、多址接入方式等相同。
收发地球站使用的CU需要采用同一档的信息传输速率。
在组网过程中，根据一定周期时间内各个地球站之间的通信流量的大小，可以构建通信关联矩阵BN×N，矩阵中元素[bij]表示地球站[i]向地球站j的发送流量，单位为MB。将可以一跳通信的地球站集合为τ，其流量占比采用式⑽计算：
2 基于半监督图卷积神经网络的组网方法
本文以提升地球站一跳通信流量的占比为组网目标，根据图的同质性[8]，相邻的节点往往具有相似的特征表示，使用Semi-GCN对地球站划分，将地球站看作节点，地球站的通信矩阵看作节点间的信息，将波束看作节点标签，在标记节点上训练GCN网络，需要部分节点带有标签信息，从全部地球站中随机选择30%的地球站，为它们优先选择一跳通信流量占比高的最优卫星波束。再经由GCN模型分类后，可以得到地球站的最优分群组网。最终，面向卫星的地球站组网规划问题可以归结为一个半监督分类问题。
本文采用两层的GCN，利用谱图理论[9]，借助图的拉普拉斯矩阵特征值和特征向量研究图的性质，在分类操作前，为了加强网络学习时的数值稳定性，对拉普拉斯矩阵[L]进行归一化处理：
则当前地球站组网场景下，半监督图卷积神经网路的模型为：
其中yL为带标签的节点。
3 仿真与分析
本文仿真分析了提出的基于Semi-GCN的组网规划方法的性能，首先介绍了用到的仿真场景和实验参数，将Semi-GCN与Cplex和基于遗传算法[10]（Genetic Algorithm，GA）的组网方法在组网时间，一跳通信占比进行对比。所有的实验在一台装有Intel Corei7-8700 CPU和8GB内存的台式电脑上完成，采用python3.7进行模拟。
3.1 仿真参数设置
在仿真过程中，仿真参数如表1所示，为了简化问题，我们在仿真过程中，假设：①每个地球站的功放增益和接收天线增益都足够大，即满足信号可接受条件;②每个通信波束对应一个转发器，且转发器带宽容量相同。
3.2 实验结果
针对该问题，还没有其他已知的方法用来对比，因此我们将所提出的Semi-GCN与Cplex组网方法和GA的组网方法进行对比。
首先，我们对不同组网方法的时间进行了对比，如表2所示，在不同组网方法下得到最终组网方案的所需要的时间，组网的时间是衡量组网的重要指标，实验结果表明，无论在小规模地球站（100个ES）或大规模地球站组網条件下（10000个ES），Semi-GCN在时间成本上均优于Cplex和GA，尤其在大规模组网条件下时间成本远远小于其他两种方法，且增长趋势远低于其他两种方法。
图1展示了使用不同算法得到最终组网方案中一跳通信流量在总流量中的占比，在该指标中，可以看到Semi-GCN的一跳通信流量占比低于但接近Cplex方法和但远高于GA，随着组网规模增大，一跳通信占比越高，用户通信体验就会更好。在地球站规模达到10000的时候，Semi-GCN方法比仅比最高占比Cplex方法低不到2%，但是Cplex方法在进行规划求解的时候，由于地球站的位置需要和卫星波束范围对比，在约束条件中需要使用到平方项，但Cplex无法对含有平方项的约束条件求解，本文采用一次项的约束条件替代，所以部分地球站的位置与卫星波束的范围会有些许差异。所以对于该指标，本文所提出的基于Semi-GCN的方法在大规模地球站计算下得出的解略低于Cplex组网方法，但对于地球站位置的约束更为精确。
4 总结
针对当前卫星通信系统无法调节通信业务增加而卫星资源受限的问题，本文从优化卫星资源利用率和提高Qos的角度出发，对地球站组网的可互通条件进行了形式化约束，建立了卫星通信地球站组网规划模型，提出一种基于Semi-GCN的地球站组网方法，能够有效进行地球站智能组网规划。735EF330-3615-4D53-B292-BA567E9EE863
在实际通信场景，用户间的卫星流量是动态变化的，因此未来的研究方向，可以进一步考虑采用在线学习方法进行不同流量条件下的学习，设计适用于复杂组网场景的动态组网方案。
参考文献（References）：
[1] 张洪太，王敏，崔万照，等.卫星通信技术[M].北京：北京理工大学出版社，2018
[2] Mitchell T M . Machine Learning[M]. McGraw-Hill，2003
[3] Lecun Y， Bengio Y， Hinton G. Deep learning[J].Nature，2015，521（7553）：436
[4] Liu S， Hu X， Wang W. Deep Reinforcement LearningBased Dynamic Channel Allocation Algorithm in Multibeam Satellite Systems[J]. IEEE Access，2018：15733-15742
[5] Kip F T N， Welling M. Semi-Supervised Classification withGraph Convolutional Networks[J].2016
[6] Shuman D I， Narang S K， Frossard P， et al. The EmergingField of Signal Processing on Graphs： Extending High-Dimensional Data Analysis to Networks and Other Irregular Domains[J]. IEEE Signal Processing Magazine，2013，30（3）：83-98
[7] 赵洪华，谢均，袁伟伟，等.一种卫星通信网络组网规划方法：中国，201810092414.X[P].2018-07-13
[8] Bruna J， Zaremba W， Szlam A， et al. Spectral Networksand Locally Connected Networks on Graphs[J].2013.
[9] Diestel R. Graph Theory[J]. Mathematical Gazette，2000，173（502）：67-128
[10] 席裕庚，柴天佑.遺传算法综述[J].控制理论与应用，1996（6）：697-708735EF330-3615-4D53-B292-BA567E9EE863
