空天地网络中基于异质图学习的协同覆盖方法
高成，胡博，韩婷
（北京邮电大学网络与交换技术全国重点实验室，北京 100876）
【摘 要】空天地网络是6G移动通信的重要发展方向，天基网络、空基网络和地面网络的融合组网可实现全球广域覆盖和泛在通信服务。当低轨卫星和高空平台网络协同覆盖时，基于距离、仰角等加权的接入选择算法会导致部分网络节点负载过高，用户通信质量下降。因此提出一种基于异质图学习的协同覆盖方法，构建异质图对网络节点、终端设备、以及节点与设备间关联信息进行表征，设计异质图深度强化学习模型，通过消息传递与聚合机制提取空天地网络的拓扑信息和隐式特征信息，将协同覆盖问题转化为求解异质图中节点间边的连接概率。搭建空天地网络仿真环境，在不同用户规模的场景下测试表明，所提协同覆盖算法能够快速收敛，降低了网络平均负载，提升了用户通信速率。
【关键词】空天地网络；协同覆盖；异质图学习
doi:10.3969/j.issn.1006-1010.20240802-0001
中图分类号：TN929.5 文献标志码：A
文章编号：1006-1010(2024)09-0141-06
引用格式：高成,胡博,韩婷. 空天地网络中基于异质图学习的协同覆盖方法[J]. 移动通信, 2024,48(9): 141-146.
GAO Cheng, HU Bo, HAN Ting. Collaborative Coverage in Space-Air-Ground Networks Based on Heterogeneous Graph Learning[J]. Mobile Communications, 2024,48(9): 141-146.
0 引言
随着无线通信技术的不断发展和全球移动通信需求的高速增长，空天地网络作为一种新型的网络架构，是6G网络的重要研究方向。空天地网络的核心是由地面网络、天基网络和空基网络，构建全域覆盖的立体通信网络[1]，各层网络的特性如表1所示。地面网络在全球大多数人口密集地区已经形成了较为完善的网络覆盖[2]，具有通信时延低、通信速率高的特点，但地面网络固定部署，易受地形的限制。天基网络可以在全球范围提供广域的连续覆盖，部署方式不受地形限制，但通信时延较高、速率较低[3]。天基网络由位于不同飞行轨道的多种通信卫星组成，所有卫星沿各自轨道飞行。空基网络由高空平台（HAP, High Altitude Platform）、无人机（UAV, Unmanned Aerial Vehicle）等空中飞行器组成，可移动部署且不受地形限制，其覆盖范围、通信速率和时延介于地面网络和天基网络之间。其中，高空平台是位于平流层的无人空中平台，通过携带基站和网络设备，为地面用户提供无线通信服务[4]。
地面网络、天基网络和空基网络在覆盖、传输和移动性方面存在较大差异，空天地网络协同为用户提供通信服务时，需要设计高效的协同覆盖方法，为不同的用户终端适配网络接入节点，避免部分网络节点负载过高，进而降低用户通信质量。
海上通信是落实我国“智慧海洋”工程，实现海洋强国战略目标的重要组成部分[5]。在海上部署地面基站困难较大，通过低轨卫星和高空平台对海上进行协同覆盖，是实现海上通信的重要途径，如图1所示。因此，面向海上通信场景，需要研究卫星与高空平台融合组网下的高效协同覆盖方法，避免部分网络节点负载过载，同时提升用户通信质量。
近年来，许多研究人员针对空天地网络的协同覆盖进行了大量研究，相关的优化方法主要集中于博弈论、元启发式方法和神经网络方法。在文献[6]中，作者研究了多卫星协同覆盖时的波束调度与功率控制优化问题，提出了一种基于潜在博弈与内点法联合的优化算法。文献[7]中作者研究了卫星、高空平台和用户的关联匹配问题，提出了一种基于匹配博弈的节点关联算法。文献[8]中作者研究了用户业务请求不均匀情况下的卫星多波束调度问题，提出了一种基于遗传算法的动态跳波束时隙分配方法。文献[9]研究了卫星与5G协同覆盖问题，提出了一种基于深度学习的无线接入选择技术。文献[10]研究了LEO卫星协同覆盖场景下的信道预测与功率适配问题，提出了一种基于深度学习的信道状态预测算法和深度强化学习驱动的资源分配算法。文献[11]研究了卫星与地面基站协同组网时的频谱资源共享问题，提出了一种基于机器学习SVM方法的频谱检测算法。
采用博弈论和元启发式算法等方法时，每次输出接入选择策略都需要经过多轮迭代，决策制定速度慢。基于学习的神经网络方法没有充分利用网络节点间的拓扑信息，且依赖于大量样本数据的训练。在空天地网络环境中，网络拓扑结构和用户行为均呈现出显著的时空动态性，导致高质量的接入选择策略样本获取困难，限制了神经网络方法的应用效果。
因此，本文提出一种基于异质图学习的空天地网络协同覆盖方法，首先，建立空天地网络的异质图模型，对网络节点、终端设备、以及节点与终端间的关联关系进行表征。然后，设计了异质图深度强化学习算法，通过消息传递与聚合机制挖掘空天地网络拓扑和特征信息的隐式状态信息，输出优化的接入选择策略，提升用户通信速率。最后，搭建了空天地网络仿真环境，在不同用户规模的场景下，测试了卫星和高空平台的协同覆盖能力，验证了所提算法的收敛性和性能。
1 协同覆盖模型
1.1 场景模型
1.2 问题构建
2 基于异质图学习的协同覆盖算法
2.1 马尔科夫决策过程
2.2 异质图深度强化学习
3 仿真实验与结果分析
本节利用仿真工具搭建空天地一体化网络仿真平台，对本文提出的协同覆盖与资源调度算法进行仿真实验与分析。
3.1 参数设置
本文采用OneWeb卫星网络进行仿真测试。OneWeb的初代卫星星座由12个轨道面构成，每个轨道面包含49颗卫星，共648颗LEO卫星。卫星飞行高度为1 200 km，轨道倾角为87.9°[19]。本文选取某个地区的多个地面用户进行仿真，模拟了两个相距100 km的高空平台，高空平台部署于距地20 km的平流层。空天地网络仿真参数如表2所示：
3.2 仿真结果与分析
首先，对所提异质图强化学习算法的收敛性进行验证，并选取合适的超参数以用于后续的性能验证测试。
图4展示了本文所提的异质图深度强化学习算法在学习率分别为[0.1, 0.01, 0.001, 0.000 1]时的收敛情况。可以看出，四种不同学习率下，算法均能在500次迭代左右收敛。相比而言，学习率为0.000 1时，算法收敛更快，且获得更高的累积奖励。因此，后续仿真均采用0.000 1作为本文所提算法的学习率。
接着，验证所提算法在不同用户数量下的性能，并与最近接入策略和随机接入策略两种接入选择算法进行对比分析。最近接入策略是基于距离的接入选择策略，用户基于随机顺序，选择最近的接入点进行接入，当最近的接入点接入设备已达上限时，用户会依次选择次近的接入点，直到完成接入。随机接入策略则是用户随机选择可见范围内的接入点进行接入[22]。
图5展示了本文所提算法与对比算法在不同用户数量下，用户总和速率的变化情况。可以看出，相较于两种基准算法，本文所提算法的用户和速率在不同用户数下都更大。此外，随着用户数增加，和速率增长速度呈现缓慢下降趋势，这主要是因为用户数增加会引入更多的干扰噪声，导致用户的平均通信速率下降。
4 结束语
本文研究了空天地网络的协同覆盖优化问题，面向低轨卫星与高空平台融合组网场景，提出了一种基于异质图学习的协同覆盖优化算法。通过异质图对网络节点、终端设备、以及节点与设备间关联信息进行表征，并构建异质图深度强化学习模型，通过消息传递与聚合机制提取空天地网络的拓扑和特征信息的隐藏状态信息，制定优化的用户接入选择策略。最后，搭建了空天地网络仿真环境，在不同用户规模下对卫星和高空平台的协同覆盖进行性能测试。仿真结果表明，本文所提算法具有较好的收敛性，相比于基准算法，能够获得更高的用户和速率。
参考文献：（上下滑动浏览）
[1] J. Liu, Y. Shi, Z. M. Fadlullah, et al. Space-Air-Ground Integrated Network: A Survey[J]. IEEE Communications Surveys & Tutorials, 2018,20(4): 2714-2741.
[2] 贾靖,王恒,夏旭,等. 空地一体网络接入选择与切换控制技术研究[J]. 无线电通信技术, 2023,49(5): 826-833.
[3] 陈山枝,孙韶辉,康绍莉,等. 6G星地融合移动通信关键技术[J]. 中国科学: 信息科学, 2024,54: 1177-1214.
[4] 郎保真,孙震强. 高空平台通信系统发展现状与前景[J]. 移动通信, 2021,45(5): 86-89.
[5] 董浩,宋亮,化存卿,等. 海上通信技术发展与研究综述[J]. 电信科学, 2022,38(5): 1-17.
[6] Z. Shuang, Z. Xing, W. Peng, et al. Joint beam scheduling and power optimization for beam hopping LEO satellite systems[J]. China Communications, 2024: 1-14.
[7] Z. Jia, M. Sheng, J. Li, et al. Joint HAP Access and LEO Satellite Backhaul in 6G: Matching Game-Based Approaches[J]. IEEE Journal on Selected Areas in Communications, 2021,39(4): 1147-1159.
[8] Zhang, Chen, Jiangtao Yang, Yong Zhang, et al. Dynamic beam hopping time slots allocation based on genetic algorithm of satellite communication under time-varying rain attenuation[J]. Electronics, 2021,10(23): 2909.
[9] M. Bello, P. Pillai, A. Sadiq. An Intelligent Hybrid Radio Access Technology Selection Algorithm for 5G-Satellite Network[C]//2021 IEEE Mysore Sub Section International Conference (MysuruCon). IEEE, 2021: 42-49.
[10] H. Zhang, et al. Intelligent Channel Prediction and Power Adaptation in LEO Constellation for 6G[J]. IEEE Network, 2023,37(2): 110-117.
[11] M. Jia, X. Zhang, J. Sun, et al. Intelligent Resource Management for Satellite and Terrestrial Spectrum Shared Networking toward B5G[J]. IEEE Wireless Communications, 2020,27(1): 54-61.
[12] Y. Kawamoto, et al., Interference Suppression in HAPS-based Space-Air-Ground Integrated Networks Using a Codebook-Based Approach[J]. IEEE Transactions on Vehicular Technology, Early access.
[13] Z. Lin, Z. Ni, L. Kuang, et al. Dynamic Beam Pattern and Bandwidth Allocation Based on Multi-Agent Deep Reinforcement Learning for Beam Hopping Satellite Systems[J]. IEEE Transactions on Vehicular Technology, 2022,71(4): 3917-3930.
[14] Z. Lin, Z. Ni, L. Kuang, et al. NGSO Satellites Beam Hopping Strategy Based on Load Balancing and Interference Avoidance for Coexistence With GSO Systems[J]. IEEE Communications Letters, 2023,27(1): 278-282.
[15] R. Gao, K. Wang, W. Lin, et al, Joint Beam-Hopping Pattern Scheduling and Power Allocation for LEO Satellite Network[C]//2024 IEEE Wireless Communications and Networking Conference (WCNC). Dubai, United Arab Emirates, 2024: 1-6.
[16] W. Liu, H. Zhang, H. Ding, et al. QoE-Aware Collaborative Edge Caching and Computing for Adaptive Video Streaming[J]. IEEE Transactions on Wireless Communications, 2024,23(6): 6453-6466.
[17] X. Wang, D. Bo, C. Shi, et al. A Survey on Heterogeneous Graph Embedding: Methods, Techniques, Applications and Sources[J]. IEEE Transactions on Big Data, 2023,9(2): 415-436.
[18] Lillicrap, Timothy P., et al. Continuous control with deep reinforcement learning[J]. arXiv preprint arXiv:1509.02971, 2015.
[19] D. Yan, Y. He, H. Fu. Interference Analysis of NGSO Constellation to GEO Satellite Communication System Based on Spatio-Temporal Slices[J]. IEEE Internet of Things Journal, 2023,10(18): 16605-16616.
[20] Q. Chen, W. Meng, T. Q. S. Quek, et al. Multi-Tier Hybrid Offloading for Computation-Aware IoT Applications in Civil Aircraft-Augmented SAGIN[J]. IEEE Journal on Selected Areas in Communications, 2023,41(2): 399-417.
[21] C. Ding, J.-B. Wang, H. Zhang, et al. Joint Optimization of Transmission and Computation Resources for Satellite and High Altitude Platform Assisted Edge Computing[J]. IEEE Transactions on Wireless Communications, 2022,21(2): 1362-1377.
[22] T. Van Chien, E. Lagunas, T. H. Ta, et al. User Scheduling and Power Allocation for Precoded Multi-Beam High Throughput Satellite Systems With Individual Quality of Service Constraints[J]. IEEE Transactions on Vehicular Technology, 2023,72(1): 907-923. ★
★原文刊发于《移动通信》2024年第9期★
doi:10.3969/j.issn.1006-1010.20240802-0001
中图分类号：TN929.5 文献标志码：A
文章编号：1006-1010(2024)09-0141-06
引用格式：高成,胡博,韩婷. 空天地网络中基于异质图学习的协同覆盖方法[J]. 移动通信, 2024,48(9): 141-146.
GAO Cheng, HU Bo, HAN Ting. Collaborative Coverage in Space-Air-Ground Networks Based on Heterogeneous Graph Learning[J]. Mobile Communications, 2024,48(9): 141-146.
《移动通信》投稿方式为在线投稿
请您登录网页投稿系统
链接地址：http://ydtx.cbpt.cnki.net
