面向空天地一体化网络的数字孪生技术架构及应用*

李媛，费泽松**，晁子云，黄靖轩，李斌，郑重

（1.北京理工大学信息与电子学院，北京 100081；2.南京信息工程大学计算机学院，江苏 南京 210044）

0 引言

随着通信技术的快速发展，2020年2月，国际电信联盟启动了第六代移动通信技术（6G,the 6th Generation Mobile Networks）的研究计划。相比于第五代移动通信技术（5G，the 5th Generation Mobile Networks）的70%陆地覆盖率，6G要求陆地覆盖率提升至99%以上，包括农村和偏远地区[1]。2021年3月，国际电信联盟提出在全球范围内构建立体覆盖[2]、泛在连接[3]的通信网。在这一背景下，空天地一体化网络作为6G关键技术之一，通过集成地面、空中等多层次通信系统并统一网络协议，旨在打破地理和技术的界限，实现全球范围的高效、无缝的通信连接。6G时代的空天地一体化网络不仅仅是地面基站、卫星、无人机等不同平台的简单组合，而是由地基网络、天基网络和空基网络深度融合、协同工作，如图1所示。通过多域网络的深度融合，空天地一体化网络可以有效地综合利用各种无线资源，实施网络控制和信息处理，以应对网络服务的多样化需求，实现“网络一体化、功能服务化、应用定制化”的目标[3]。这对于实现全球覆盖、支撑超高速率和超低延迟通信提供了切实可行的解决方案。更为重要的是，空天地一体化网络在应对紧急情况、支持物联网的大规模部署以及推动智慧城市的发展等方面，都显示出不可替代的作用。

图1 面向6G的空天地一体化网络

在过去十几年中，越来越多的国家和地区开始重视空天地融合网络[4-5]，积极探索空天地一体化网络的技术发展和应用领域。然而，建立空天地一体化网络需要保障多层次的通信业务在任何位置与任意时刻的通信需求，需要具备数据动态转发能力与持续传输能力。此外，空天地一体化的全域系统中，网络更加异构，资源更加异质，服务更加异需。因此，空天地一体化网络的相关研究仍然存在诸多挑战，包括多源数据管理难度大、系统建设周期长、策略验证成本高、网络优化效果差等问题。这些挑战不仅影响了网络的效率和可靠性，也限制了其在广泛场景下的应用能力。

在此背景下，数字孪生技术为解决上述难题提供了新的思路和可能性。数字孪生技术的核心在于创建一个精确的、动态的虚拟数字孪生网络，孪生体能够实时反映相应物理网络系统的状态和性能[6]。该技术的优势在于能够进行高效的数据融合分析、实时的状态监控和低成本的推演验证，从而显著提高决策的效率和准确性。在各个领域，包括制造业、医疗保健和城市规划等，数字孪生已被广泛应用，并显示出其强大的潜力。文献[7]中，作者面向智能制造工厂提出了一种基于数字孪生的大数据虚实融合参考框架。以工业互联网为载体，将虚拟空间与物理空间深度协调融合，有效推动了智能工厂的发展。在文献[8]中，作者提出了一种基于迁移学习的多源数据融合的数字孪生建模方法，有效地利用和结合实验数据和仿真数据，实时监测大尺寸或复杂曲面的结构强度。文献[9]中，基于数字孪生的智慧城市可以有效融合不同来源的多领域城市数据，帮助补充智慧城市的新信息。虚拟数字城市可验证各个功能单元的真实性、完整性、可追溯性和数据所有权，确保数据来源真实可靠。在文献[10]中，作者提出了一种基于联合神经网络的疾病诊断算法。该算法可以很好地应用于数字孪生医疗系统，提高疾病诊断的准确性和速度。

数字孪生能够描述孪生对象当前的运行状态、诊断过去发生的问题、预测未来的变化趋势[11]，这为空天地一体化网络的网络优化提供了支持。数字孪生技术不仅可以监控卫星、无人机等设备的生命周期，还可以基于历史信息和通信知识感知系统状态、无线环境并预测设备行为，从而优化物理空天地网络中的通信策略。综上所述，为了解决空天地一体化网络的多源数据管理难度大、建设周期长、成本高等挑战，本文提出构建面向空天地一体化多域异构网络的数字孪生。首先，基于双向动态交互采集物理世界的大量多源异构数据，分析并建立空天地一体化虚拟网络。该虚拟网络不仅包括地面基站、卫星和其他通信设备，还涵盖了网络操作的各个方面，支持测试验证功能。然后，联合态势信息感知、预测等功能，对通信网络的组网策略进行推演分析和优化。

1 空天地一体化的数字孪生技术架构

空天地一体化网络的数字孪生技术架构如图2所示。数字孪生技术架构包括两部分，虚拟空天地一体化网络和智能决策层。物理空天地一体化网络和虚拟空天地一体化网络经过虚实交互进行参数上传与策略下发。虚拟网络输入载体与设备状态、链路与电磁环境状态、网络与无线资源状态数据发送至智能决策层，智能决策层根据不同的策略优化功能进行推演分析得到优化结果，再在虚拟网络中测试验证结果的有效性。

图2 天地一体化网络的数字孪生系统架构

1.1 虚拟空天地一体化网络

虚拟空天地一体化网络的准确孪生可以帮助实时监测和分析设备的运行状态、预测设备的性能和故障，以及优化设备的运行策略，对基于数字孪生的空天地一体化通信网络研究具有重要的基础意义。因此，所构建的天地一体化数字孪生网络的完整度、准确度和成熟度，极大影响着后续智能决策层中策略优化的性能。为了实现基于空天地一体化数字孪生的优化策略，需要从数字孪生的构建出发，明确空天地一体化网络中需要孪生的对象。通过实现设备级、链路级和网络级孪生来实现多维多域的天地一体化通信网络虚拟构建，为基于数字孪生的天地一体化通信网络优化奠定基础。

（1）设备级孪生

天地一体化网络的数字孪生系统对通信网络设备进行了孪生。设备级孪生包括载体运行参数孪生、通信设备孪生以及无线资源孪生。载体运行参数的孪生是指对卫星、无人机等通信载体的高度、位置、姿态、轨道、速度等参数进行孪生。通信设备的孪生是指针对真实网络设备建立虚拟仿真节点。虚拟仿真节点主要由空基、天基、地基设备的孪生体构成，每个通信设备的孪生包括硬件孪生和软件孪生。硬件孪生是指对通信部分的基带处理单元、射频处理单元进行孪生，包括物理层协议孪生、MAC层协议孪生、编解码功能模块孪生、调制解调功能模块孪生、功率控制功能模块孪生等。软件孪生是指对系统软件和接口协议进行孪生。无线资源的孪生是指对时、频、空以及功率域无线通信资源的孪生，例如带宽、调制编码方案、同步信号时频配置方式、波束赋形码本等。

（2）链路级孪生

天地一体化网络的数字孪生系统对通信网络的链路进行了孪生。该部分被划分为信道孪生和电磁环境孪生。信道孪生是指基于大、小尺度参数的分布情况，针对网络传输过程的信道冲激响应或信道频率响应进行孪生。电磁环境孪生针对不同的链路类型（如空天链路、天地链路、空地链路）、敌方干扰情况、天气环境、视距/非视距、移动性等多种通信电磁环境进行孪生。

（3）网络级孪生

天地一体化网络的数字孪生还需要对通信网络的拓扑、路由等进行孪生。需要孪生的拓扑结构主要分为同构网络拓扑和异构网络拓扑。同构拓扑的孪生对象主要有地面网络拓扑、空中网络拓扑、星间网络拓扑。异构拓扑的孪生对象是指多种网络拓扑融合技术，网络路由具体是指空天地一体化网络的传输路径规划。在所构建的网络拓扑中，需要准确映射不同路由上的路径、节点数、路由协议、传输质量（吞吐量、丢包率、误码率、误块率等）和路由成本等。

1.2 智能决策层

智能决策层能够针对特定场景下，给定空间范围内通信节点部署、通信进程与趋势进行推演分析，进而实现网络优化、维护和安全等。如图2所示，智能决策层包括数据分析，策略推演和综合指标验证三个模块。下一节中，以网络优化为例，具体阐述了智能决策层的作用。

2 数字孪生技术在空天地一体化网络中的应用

基于上一节的数字孪生网络架构，本节展示了其在空天地一体化网络优化中的应用。面向空天地网络，无线通信传播环境感知和设备行为、业务预测将提升数字孪生的丰富性与可扩展性，进而提高空天地一体化网络的自适应、自优化和自演进能力。

在数字孪生智能决策层的网络优化模块中，空天地一体化组网通信策略的优化流程如图3所示，智能决策层的数据分析子模块被划分为了环境感知、业务预测两部分。首先，基于虚拟网络获取的信道数据，孪生体结合数据分析子模块的环境感知提取信道特征，对物理通信链路及电磁环境进行高精度感知。然后，基于设备的历史流量数据，孪生体利用数据分析子模块的业务预测部分预测未来时刻的业务流量与通信资源需求。最后，针对特定应用场景的目标策略，使用策略推演模块进行推演分析。组网策略给出了两个例子，链路切换和资源调度。推演分析完成后在虚拟网络测试验证和迭代优化。将最终的优化策略通过虚实交互下发给物理体，从而实现空天地一体化组网策略优化。

图3 空天地一体化组网通信策略的优化流程

2.1 环境感知

无线通信的服务质量容易受到电磁传播环境变化的影响，且不同场景之间的特征参量、链路级评估模型和物理层算法存在明显差异。为满足底层系统调度的实时动态感知与闭环反馈，需要对通信场景进行分类识别。因此，环境感知的核心功能是场景识别。场景识别算法有助于实时调整信道模型和传输模式等关键通信策略，进而提高通信的有效性和可靠性，以达到通信系统的关键指标要求。因此，对通信场景识别技术的研究具有重要的理论意义与应用价值。

如图4所示，环境感知部分基于机器学习算法，先依据信道特征和环境类别标签构建环境数据库，再进行智能化的电磁环境感知。本模块的环境类别标签包括链路类型（卫星对地面、卫星对高空、卫星对卫星、高空对地面、地面对地面、高空对高空）、天气状况（有降雨、无降雨）、噪声干扰（低噪声干扰、高噪声干扰）、相对移动性（静止、低速、高速）以及可视距类型（视距条件、非视距条件）等。

图4 基于随机森林的环境感知流程

首先，构建环境数据库。提取信道特征，本模块采用的信道数据特征有路径损耗、莱斯K因子、时延扩展、多普勒频移。分别分析四种信道特征和五种环境类型的相关性，结果如图5所示。相关系数越接近1，表明环境类型与信道特征相关性越强。再选取与每种环境类型相关性较强的特征来训练环境识别数据库。本文采用随机森林算法构建环境识别数据库，并通过大量信道数据样本对模型迭代训练以优化识别性能。随机森林算法被广泛应用于大规模数据集和高维数据的识别分类问题[12-14]，该算法先在原始数据集中随机抽样，构成多个不同的样本数据集，再根据这些数据集构建多个不同的决策树模型，最后根据这些决策树模型的投票情况来获取最终结果。随后利用构建的环境数据库来进行环境感知。先提取测试信道数据的四种信道特征，然后在数据库中匹配每种环境对应的具体类型，并输出结果。

图5 信道特征和环境类型的相关性分析

环境感知中的各类环境综合识别结果如表1所示。电磁环境识别的准确率较高，单个场景类型综合识别准确率达到90%以上。相对移动性的识别准确率最高，因为移动性和易于计算的多普勒频移强相关。经测试，对于给定场景，五种环境类型的整体识别正确率为82.3%，说明环境感知模块具备较好的环境识别能力。

表1 各类环境识别准确率

2.2 业务预测

在空天地一体化网络中，通信设备行为复杂抽象，使得业务流量预测困难。面向复杂、异构的空天地一体化网络通信设备，数字孪生网络的业务预测部分提取历史动态业务流量数据的特征，联合机器学习算法实现通信设备业务智能预测，具体步骤如图6所示：

图6 业务预测具体步骤

首先，基于数字孪生网络中虚拟网络给定的通信设备及其历史流量数据，通过尺度不变特征变换（SIFT,Scale Invariant Feature Transform）技术[15]进行初步特征提取。再将提取的低维特征输入至卷积神经网络中。卷积神经网络[16]通过卷积层、池化层、全连接层组合构成，可识别出时效性、重要性等抽象程度较高的高维特征，完成特征提取任务。最后，再对高维特征进行特征筛选得到关键特征。具体筛选过程为通过条件变分自编码器[17]进行特征增强，通过堆叠自编码器[18]进行特征降维，以加快特征预测部分网络运行速度。最后将降维后的特征输入至长短期记忆（LSTM,Long Short Term Memory）预测网络[19]，进行设备流量参数预测，得到不同尺度下未来时刻的设备流量参数。

本模块针对通信设备的传输数据量需求、业务重要性进行了预测。传输数据量需求是指通信设备在单位时间的流量需求大小，单位为Mbps，其预测结果如图7所示。业务重要性是指当前通信设备需传递的信息的重要程度，越接近1，表明业务重要性等级越高，其预测结果如图8所示。从第51秒开始，每一秒均基于当前时刻前50秒的数据进行预测。黑色线为实际值，红色线为基于历史数据的预测值。在第51秒至400秒内，两条线高度重叠，且预测结果与实际结果量化误差均小于5%，说明预测准确性较高。

图7 传输数据量需求预测结果

图8 业务重要性预测结果

2.3 策略推演

孪生网络可推演网络状态变化趋势，模拟验证策略实施结果，最后下发优化策略到物理网络，实现低本高效的网络优化。下面给出了两个具体的例子。

（1）天地路由切换策略

假设在对抗环境下，无人机A需要将探测业务传输至地面基站。而无人机B携带信号屏蔽器，持续发出干扰信号，并不断靠近地面基站，将对无人机A 持续产生干扰。无人机A 到地面基站通信链路受到干扰，链路质量下降。在不切换链路的情况下，随着干扰强度的增加，SNR逐渐下降，导致误码率增加，吞吐量下降。但若给定传输条件（误码率低于1%，吞吐量高于5 Mbps），则可在直接链路中断前，由环境感知部分预先感知到无人机B干扰。在虚拟网络中推演分析，数字孪生网络获知无人机A周围的地面中继，选择一个满足传输时延、切换时延、切换丢包率、切换信令开销满足业务要求的地面中继，且无人机A通过该地面中继与地面基站的链路空闲，则无人机A的传输数据传可由地面中继回传至地面基站，绕过受干扰的直接链路，从而提高SNR，降低误码率。

该场景初始参数设置如表2 所示。随干扰强度增强，直接链路的误码率和吞吐量的变化情况如图9中正方形的蓝色线和红色线所示。基于环境感知和推演分析功能，在误码率高于1%前，进行链路切换。链路切换后的误码率和吞吐量的变化情况如图9中圆形的蓝色线和红色线所示。显然，在干扰影响无人机A与地面基站通信前，数字孪生技术帮助空天地一体化网络切换了误码率更低、吞吐量更稳定的中继链路，避免了传输中断和数据丢失问题。

表2 天地路由切换场景初始参数

（2）资源调度策略

假设在对抗环境中，多个无人机向卫星传输数据。而卫星移动速度快，支持传输的时间很短，带宽资源也十分有限。传统方案基于导频反馈获得的历史时刻链路质量和数据需求调度资源，存在资源调度过时的问题。而数字孪生网络能够通过业务预测部分获取未来时刻无人机的传输数据量需求，及时调度时频资源对无线通信进行优化。

该场景初始参数设置如表3 所示，结果如图10 所示。基于数字孪生网络的业务预测和推演分析功能，数字孪生网络实时资源调度，卫星总接收速率有所提升，三个无人机的总业务完成比例的性能增益随时间愈发明显。相比于传统资源调度策略，基于数字孪生技术的资源调度策略将总接收速率提高了23.32%。在给定的时间范围内，传统资源调度策略完成了87.38%的传输业务，基于数字孪生技术的资源调度策略完成了99.21%的传输业务。

表3 天地路由切换场景初始参数

图10 资源调度策略优化结果

3 结束语

本文探讨数字孪生技术在空天地一体化通信网络中的应用。数字孪生技术可以实时监测设备的运行状态、预测设备的性能，并优化设备的运行策略，具有重要的应用价值。在空天地一体化网络的数字孪生技术的架构中，重点考虑了虚拟网络与实际网络的准确对应关系，并利用智能决策层对特定场景下的通信节点部署与通信进程进行预测和优化。这一架构思路为未来空天地一体化通信网络的研究和应用提供了新的方向。在空天地一体化网络的数字孪生技术应用中，探讨了智能决策层中的数据分析和策略推演等多个子模块。通过环境感知技术，可以实时获取通信环境的动态变化，为通信策略的制定提供重要依据；通过业务预测技术，可以预测未来通信业务的发展趋势和变化规律，为通信网络的优化提供指导；通过策略推演技术，可以针对特定场景下的通信节点部署与通信进程进行推演分析，为通信策略的制定提供支持。

然而，当前空天地一体化通信网络的数字孪生仍然面临一系列挑战。

1）异构网络融合：面对多维多域的通信网络，如何融合异构网络，实现网络间的高效协同工作依旧是亟需解决的技术问题；

2）动态环境建模：空天地一体化通信网络处于复杂多变的电磁环境中，建立一个能够实时更新收集、处理和分析多源异构数据，准确地反映通信环境的动态变化的数字孪生系统是一项技术难题；

3）策略优化迁移：如何提升空天地一体化网络策略优化过程的可迁移性也是一个值得思考的问题。

未来，将进一步深入探索更加准确、高效的监测、预测和优化方法，为构建更加智能、高效的空天地一体化通信网络奠定基础。