韩笑雪　王万龙　孙尚　毛文梁　翟益平

【摘要】    综合考虑物理环境域、社群交互域以及内容资源域，在空天地海一体化网络中，利用多元化终端设备，例如舰艇、无人机、车辆，结合卫星通信技术，实现多元化业务的安全、高效、低时延的传输、存储及计算的协同优化是当前研究重点。本文考虑天地海一体化通信需求中通信—計算—缓存（3C）协同优化场景提出了一个高可靠的通信系统架构，并利用SDN、机器学习（ML）、边缘计算技术等技术进行了实现，实验结果表明了该架构的可行性。

【关键字】    3C融合    空天地海协同通信    通信系统    分布式架构

一、介绍

作为5G通信技术发展的一个重要方向，层次化云服务的异构云无线接入网络不仅可以满足无线业务对高速计算或大容量存储等服务的要求，还可以扩展通信覆盖范围，增加传输速率，降低传输时延，提高网络容量和用户服务质量。欧洲电信标准化协会在5G标准中提出了多接入边缘计算（MEC）的解决方案，MEC通过在移动网络边缘部署大量的分布式边缘服务器，对网络边缘侧产生的大量数据进行分析、计算与存储，达到降低回程链路流量、缓解核心网拥堵的目的。

近年来，大计算任务处理问题突出，计算卸载/迁移是一个非常有效的手段，其过程极为复杂， 需首先判断是否要进行计算任务的卸载/迁移，然后针对要进行卸载/迁移的计算任务确定需要卸载/迁移的比例。[1]对于单个任务请求节点，利用一维搜索算法综合考虑了计算应用的缓存队列状态、用户节点计算资源的可用情况，在不考虑能耗的前提下最小化卸载/迁移机制所产生的时延。

然而在空天地海一体化网络中，由于不同设备、用户节点具有不同的物理特征以及通信—存储—计算（3C）能力，例如卫星、舰艇、车辆等具有强算力，而人员所携带设备所具备的存储和算力较小。因此，如何面向空天地海一体化网络中的多样化业务需求，结合卫星通信技术，设计高效3C协同一体化方案，以满足海量连接、低时延、高可靠的通信技术，仍然是亟待解决的问题。

与此同时，人工智能在增强传统无线通信网络的3C一体化发挥了重要作用。例如，在数据感知及处理方面，利用边缘服务器对收集到的数据进行大数据分析和处理，构建出圣母院的3D图像。为了解决传统算法鲁棒性较差的问题，边缘计算逐渐转向智能化发展，即通过机器学习（ML），特别是深度学习的方法替代传统方案来解决边缘计算中的问题，如智能边缘的提出。[4]此外，通过利用大数据技术处理和分析海量数据，一种结合ML的内容流行度预测算法，通过动态优化内容缓存策略来降低用户内容下载时延。同时，考虑到用户密集和用户需求随着时间的非静态和瞬时特性，可以基于ML的方法来实现时变的内容流行度预测，从而实现动态内容部署策略。为了满足空天地海一体化网络中所需求的区域管理、安全监控、应急事件等任务，如何利用人工智能实现对传统算法的鲁棒性和适应性的提升也具有重要意义。因此，本文基于上述技术融合的通信系统架构设计与实现进行尝试，为未来通信通信系统可行性方案。

二、需求及场景

本研究内容将综合考虑区域管理、安全监控、应急事件等空天地海一体化网络业务需求的不同，以及船舰、车辆、无人机、卫星等高速移动的网络节点的物理属性，结合卫星通信技术，利用端边云协同的系统架构，研究和设计相应的资源管理机制，为实现海量连接、低时延、高可靠的空天地海一体化应用提供理论支撑和技术支持。

（一）层次化、差异化智能组网

本研究拟利用卫星、车载通信，无人机、船舶舰艇、海上浮标、可携带设备等组成层次化智能的空天地海一体化网络平台。该平台分为三层，第一层为卫星，主要用于环境感知与数据收集、目标识别与追踪等服务;第二层为边缘云平台，可通过协同工作提供3C服务，包括高性能车、无人机和船舶等，提供数据处理与存储（如数据清洗、分类、压缩等），决策与任务指派（如路径规划，高速目标锁定等）;第三层为小带有感知器的小无人机、车、可携带设备、浮标等，主要用于提供远程外网连接，管理通道等功能。

（二）协同缓存下的高效内容共享及数据

在空天地海一体化网络中，网元的能力在通信及存储等方面的差异化更加凸显。通过预先在具有大存储能力的网元上缓存热门资源，可以实现在能力差异化的终端之间进行高效数据共享，以提高其接收服务的效率，降低延迟。本文将研究利用编码缓存和非正交多址接入技术，设计面向协同缓存与高效内容的共享机制，提高频谱资源利用率。

（三）协同计算下的高效数据传输

针对设备节点感知并收集的海量数据，需要进一步计算分析以实现数据的优化分级和处理，例如对冗杂数据的筛选、对信息的敏感程度进行分类等。本研究内容将针对空天地一体化中存在的节点异质性、计算能力差异性等特点，研究如何结合用户物理位置、社交关系合理调度网络中的设备计算能力，结合移动边缘计算技术，通过多用户协同计算补偿某独立节点的计算能力缺失，并实现高效数据传输。

（四）人工智能增强下的3C协同

本文将考虑差异化节点存在下的3C协同， 在这种情况下，海量用户群体以及多维能力变量使得优化问题十分复杂。人工智能是解决复杂优化问题的有效手段，能够有效实现数据特征提取、数据分类等，并解决高维变量的联合优化。本文将基于以上研究内容，进一步考虑如何利用ML增强系统的智能化和鲁棒性，提高相关算法、模型在不同环境、不同应用场景中的可迁移性。

（五）协同组网下面向分级化业务的动态频谱管理

针对空天地海一体化网络及应用场景，海量设备（例如舰艇、可携带设备、浮标等）有不同的业务需求和服务目标，本文将设计基于用户设备协同的动态无线频谱管理方法，根据业务等级、通信链路状况等信息，进一步实现频谱的自适应动态频谱管理和调度，从而有效提升网络整体的频谱效率。

三、系统架构及实现

如图1所示，为基于分布式架构的通信系统设计，该系统无线接入点采用5G系统，其中核心网（NC）与中心交换机属于同一层，实现其与SDN控制器共享MEC资源，它们被一同放置在了一台大无人机上，大无人机上具有卫星信号接收机，通过卫星与远程控制中心相连。集中单元（CU）与代理器共享MEC，分布式单元（DU）与虚拟化接入点共享MEC，有源天线单元（AUU）分别放到了船、车、无人机、用户设备上，由此形成了一个三层的3C协同空天地海一体化通信系统。

在该系统中的ML算法主要用于识别业务切片，以及低时延（uRRLC），大带宽（eMBB）和巨量连接（eMTC），SDN控制器主要依据识别的业务、场景设备状态、服务需求等进行切片配置，路由优化及船、车、无人机等协同调度，由于其中的算法过于复杂，不在本研究的范围。

四、系统测试

本研究通过在某湖边搭建测试平台进行实验，其中一个远程中心，一台大无人机，5台小无人机，10艘小艇、10台无人车，100个用户。我们让用户随机进行视频通话模拟uRRLC切片，让用户随机下载电影模拟eMBB、点击节点寻址应用产生小数据包任务模拟eMTC切片，其中三种情形一次操作必须大于5分钟，以便于我们统计它们对带宽、计算和缓存的平均消耗，最终一共进行了50次测试。如图2所示，uRRLC中计算消耗最大，带宽消耗也相对较高;eMBB中带宽消耗最大，缓存消耗也相对突出;eMTC消耗极大计算量。

五、结束语

在海陆空场景中，利用卫星、车、舰艇、无人机、可携带设备等，研究层次化和差异化智能网络架构，设计集合计算与感知一体的分布式边缘计算平台，结合ML，实现边缘计算加AI架构，实现智能化、多维数据感知、处理和存储，任务调度和指派等网络通信服务，提供3C资源协同优化服务，通过在真实环境中搭建测试平台进行实验，结果表明该架构在计算，带宽及缓存上达到了均衡。

参  考  文  献

[1] Y. Zhang et al. “To offload or not to offload： an efficient code partition algorithm formobile cloud computing”， CLOUDNET， pp. 80- 86， 2012.

[2] J. Liu et al. “Delay-Optimal Computation Task Scheduling for Mobile-Edge Computing Systems，” IEEE ISIT， 2016.

[3] Z. Zhou et al. “Robust mobile crowd sensing： When deep learning meets edge computing，” IEEE Network， vol. 32， no. 4， pp. 54–60， July 2018.

[4] E. Li et al. “Edge intelligence： On-demand deep learning model co-inference with device-edge synergy，” ACM SIGCOMM Workshop， 2018.

[5] M. A. Kader， et al. “Leveraging big data analytics for cache-enabled wireless networks，” IEEE Globecom， 2015， pp. 1-6.

[6] B. N. Bharath et al. “Learning-based content caching with time-varying popularity pro?les，” IEEE Globecom， Dec. 48， 2017， pp. 1-6.

[7] Wang， G. et al. LRA-3C： Learning based resource allocation for communication-computing-caching systems [A]. IEEE GreenCom， IEEE CPSCom and IEEE SmartData[C]， 2019： 828-833.

[8] Xiao， P. et al. Implementation for UAVs Aided Edge Sensing System in Wireless Emergency Communications [A]. IEEE WCSP [C]，2019： 1-5.

韩笑雪（1984-），女，河北唐山，工学硕士，工程师，研究方向：计算机网络;

王万龙（1982-），男，江苏江都，理学学士，工程师，研究方向：信息系统设计与开发;

孙 尚（1985-），男，山东淄博，工学学士，工程师，研究方向：信息系统设计与开发;

毛文梁（1993-），男，山东德州，工学硕士，助理工程师，研究方向：计算机网络;

翟益平（1994-），男，湖南常德，工学学士，参谋，研究方向：计算机网络。