人工智能在衛(wèi)星通信中的應(yīng)用

由于衛(wèi)星資源昂貴，因此需要采用經(jīng)過優(yōu)化和具備分時(shí)共享能力的高效系統(tǒng)。傳統(tǒng)衛(wèi)星系統(tǒng)中，資源固定且均勻分配到多個(gè)波束。結(jié)果，傳統(tǒng)大型多波束衛(wèi)星系統(tǒng)展現(xiàn)出了資源供需不平衡現(xiàn)象；某些點(diǎn)波束的容量需求高于供給，不能滿足需求，即熱點(diǎn)；而其他點(diǎn)波束的需求則低于容量，從而使所提供容量未被充分使用，即冷點(diǎn)，如圖1所示。因此，要想改善多波束衛(wèi)星通信，需要具備針對(duì)服務(wù)覆蓋區(qū)域的衛(wèi)星資源星上靈活分配能力，以提高衛(wèi)星通信效率。

圖1 波束之間需求-容量的不匹配表明了在多波束衛(wèi)星系統(tǒng)中使用跨所有波束的固定且均勻分布的資源的局限性

跳波束已成為一種有前景的技術(shù)，可以整天、整年以及在衛(wèi)星整個(gè)壽命周期中針對(duì)衛(wèi)星覆蓋區(qū)域更加靈活地管理不均勻和不同業(yè)務(wù)請(qǐng)求。如圖2所示，跳波束包括用少量活躍波束動(dòng)態(tài)覆蓋每個(gè)小區(qū)，因此使用所有可用星載衛(wèi)星資源僅向部分波束提供服務(wù)。服務(wù)波束的選擇根據(jù)時(shí)間變化并且取決于業(yè)務(wù)需求，而業(yè)務(wù)需求取決于基于時(shí)空的跳波束照射圖案。被點(diǎn)亮波束僅在每個(gè)波束請(qǐng)求時(shí)間內(nèi)活躍。因此，跳波束系統(tǒng)中的挑戰(zhàn)性任務(wù)是確定應(yīng)被激活波束及活躍時(shí)長，即跳波束照射圖案；資源管理器負(fù)責(zé)這一任務(wù)，它通過測(cè)控系統(tǒng)將選定圖案轉(zhuǎn)發(fā)給衛(wèi)星。

圖2 跳波束簡化結(jié)構(gòu)

研究人員提供了多種實(shí)現(xiàn)跳波束的方法，大都基于經(jīng)典優(yōu)化算法。例如，有研究證明了使用跳波束時(shí)的系統(tǒng)性能優(yōu)點(diǎn)，并提出使用遺傳算法設(shè)計(jì)跳波束照射圖案；還有研究對(duì)跳波束和非跳波束系統(tǒng)性能進(jìn)行了比較。研究人員還提出了一種啟發(fā)式迭代算法來獲得跳波束照射設(shè)計(jì)解決方案。跳波束還被用于減少太比特/秒衛(wèi)星的轉(zhuǎn)發(fā)器放大器數(shù)量。另有研究提出了一種迭代算法，在聯(lián)合跳波束設(shè)計(jì)和頻譜分配中，特定波束需求和功率限制下，實(shí)現(xiàn)總提供容量最大化。還有研究關(guān)注控制跳波束系統(tǒng)中到達(dá)業(yè)務(wù)速率的技術(shù)。研究人員還提出了聯(lián)合跳波束方案，以進(jìn)一步提高星載資源分配效率。

盡管就增強(qiáng)跳波束系統(tǒng)靈活性和降低時(shí)延而言，采用優(yōu)化算法取得了令人滿意的結(jié)果，但仍存在一些困難。隨著波束數(shù)量增加，搜索空間急劇擴(kuò)大，設(shè)計(jì)跳波束照射圖案的一個(gè)固有難點(diǎn)是找到整體而非局部最優(yōu)設(shè)計(jì)。對(duì)于擁有數(shù)百或數(shù)千波束的衛(wèi)星而言，經(jīng)典優(yōu)化算法可能需要較長計(jì)算時(shí)間，這在許多情境中不現(xiàn)實(shí)。

此外，經(jīng)典優(yōu)化算法（包括遺傳算法或其他啟發(fā)式算法）需要根據(jù)場(chǎng)景變化適度修改，導(dǎo)致計(jì)算復(fù)雜度更高，對(duì)于星上資源管理也不現(xiàn)實(shí)。

為克服以上限制，增強(qiáng)跳波束性能，有研究提出了基于人工智能的解決方案。其中一些解決方案完全基于學(xué)習(xí)方法，即端到端學(xué)習(xí)，其中跳波束算法就是一種學(xué)習(xí)算法。還有研究試圖通過添加學(xué)習(xí)層來改進(jìn)優(yōu)化算法，從而將學(xué)習(xí)和優(yōu)化相結(jié)合。

為優(yōu)化多波束衛(wèi)星系統(tǒng)的傳輸時(shí)延和系統(tǒng)吞吐量，研究人員給出了一個(gè)優(yōu)化問題公式，將其建模為馬爾可夫決策過程（MDP），然后使用深度強(qiáng)化學(xué)習(xí)（DRL）來解決跳波束照射設(shè)計(jì)問題，并優(yōu)化MDP建模的長期累積獎(jiǎng)勵(lì)。結(jié)果表明，與以往算法相比，研究所提出的基于深度強(qiáng)化學(xué)習(xí)的跳波束算法可將傳輸時(shí)延降低最高52.2%，將系統(tǒng)吞吐量提高達(dá)11.4%。

為綜合端到端學(xué)習(xí)方法與優(yōu)化方法的優(yōu)勢(shì)，實(shí)現(xiàn)更高效跳波束照射圖案設(shè)計(jì)，有研究提出了一種學(xué)習(xí)和優(yōu)化算法來解決跳波束照射圖案選擇問題，其中使用了一種基于完全連接神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法來預(yù)測(cè)非最優(yōu)跳波束圖案，從而解決了優(yōu)化算法應(yīng)用于大范圍搜索空間時(shí)所面臨的困難。因此，基于學(xué)習(xí)的預(yù)測(cè)可縮小搜索空間，同時(shí)由于有前途跳波束集合更小，因而可進(jìn)一步簡化優(yōu)化問題。

研究人員還針對(duì)DVB-S2X衛(wèi)星應(yīng)用了多目標(biāo)深度強(qiáng)化學(xué)習(xí)（MO-DRL）。在真實(shí)環(huán)境中，研究人員演示了低復(fù)雜度MO-DRL算法能夠保證每個(gè)小區(qū)的公平，且相比之前技術(shù)（包括深度強(qiáng)化學(xué)習(xí)）所實(shí)現(xiàn)吞吐量有所提高。相比之下，遺傳算法生成類似結(jié)果的復(fù)雜度約是多目標(biāo)深度強(qiáng)化學(xué)習(xí)模型的110倍。此外，還有研究提出了基于雙循環(huán)學(xué)習(xí)的多動(dòng)作選擇技術(shù)，并使用深度神經(jīng)網(wǎng)絡(luò)獲得多維狀態(tài)。研究結(jié)果表明，該技術(shù)能夠同時(shí)實(shí)現(xiàn)不同目標(biāo)，并且可根據(jù)用戶需求和信道條件智能分配資源。

衛(wèi)星通信系統(tǒng)覆蓋區(qū)域廣，可提供高速通信和大容量傳輸。然而，在使用了衛(wèi)星的戰(zhàn)術(shù)通信系統(tǒng)中，可靠性和安全性是首要關(guān)注問題；因此，抗干擾能力至關(guān)重要。干擾攻擊針對(duì)衛(wèi)星網(wǎng)絡(luò)中的主要位置和關(guān)鍵設(shè)備，降低吞吐量甚至癱瘓衛(wèi)星通信系統(tǒng)。因此，研究人員設(shè)計(jì)了幾種抗干擾方法，以減少可能攻擊并保證衛(wèi)星通信安全。

先前許多使用衛(wèi)星的戰(zhàn)術(shù)通信系統(tǒng)首選運(yùn)用跳頻（FH）方法。研究人員使用采用跳頻-頻分多址（FH-FDMA）場(chǎng)景的解跳-再跳頻轉(zhuǎn)發(fā)（即解跳轉(zhuǎn)發(fā)）方法，開發(fā)了一種具有抗干擾能力的高效同步方法。

之前大多數(shù)抗干擾技術(shù)不是基于學(xué)習(xí)的，因此無法應(yīng)對(duì)能夠通過交互和學(xué)習(xí)不斷調(diào)整干擾方法的智能干擾技術(shù)。開發(fā)人工智能算法為實(shí)現(xiàn)基于學(xué)習(xí)方法的多樣化智能化干擾攻擊提供了先進(jìn)工具，對(duì)衛(wèi)星通信可靠性造成了嚴(yán)重威脅。在兩個(gè)此類實(shí)例中，智能干擾公式可自動(dòng)調(diào)整干擾信道，同時(shí)智能干擾機(jī)通過調(diào)整干擾功率和信道實(shí)現(xiàn)干擾效果最大化。此外，多個(gè)干擾機(jī)可同時(shí)實(shí)施基于學(xué)習(xí)方法的智能干擾攻擊發(fā)起攻擊。雖然該場(chǎng)景不太可能發(fā)生，但也尚未得到深入思考。再者，大多數(shù)研究人員專注的是抗干擾攻擊頻域?qū)?，而不是基于空間的抗干擾技術(shù)，例如路由抗干擾。

有研究使用長短期記憶（LSTM）網(wǎng)絡(luò)（一種深度學(xué)習(xí)循環(huán)神經(jīng)網(wǎng)絡(luò)（DL RNN））學(xué)習(xí)信號(hào)的時(shí)間趨勢(shì)，證明了在先前探討的FH-FDMA場(chǎng)景中總同步時(shí)間有所縮短；還有研究提出使用抗干擾學(xué)習(xí)方法，使用天基抗干擾方法在衛(wèi)星互聯(lián)網(wǎng)（IoS）中阻斷智能干擾，如圖3所示。

組合利用博弈論建模與強(qiáng)化學(xué)習(xí)（RL），并將智能干擾機(jī)與衛(wèi)星用戶之間的交互建模為斯塔爾伯格抗干擾路由博弈，研究人員展示了如何使用深度學(xué)習(xí)來處理衛(wèi)星互聯(lián)網(wǎng)高動(dòng)態(tài)導(dǎo)致的大決策空間問題，以及如何利用強(qiáng)化學(xué)習(xí)解決衛(wèi)星與智能干擾環(huán)境之間的相互作用問題。這樣，利用深度強(qiáng)化學(xué)習(xí)（DRL）有可能能夠解決異構(gòu)衛(wèi)星互聯(lián)網(wǎng)的路由選擇問題，同時(shí)保留了一個(gè)可用路由子集，以簡化斯塔克爾伯格抗干擾路由博弈的決策空間。然后基于這一路由子集，利用一種流行的強(qiáng)化學(xué)習(xí)算法—Q學(xué)習(xí)，快速響應(yīng)智能干擾并調(diào)整抗干擾策略。

圖3 天基抗干擾路由。紅線表示發(fā)現(xiàn)的干擾路徑，綠線表示推薦路徑。

之后，有研究人員將博弈論建模與強(qiáng)化學(xué)習(xí)相結(jié)合，根據(jù)衛(wèi)星使能陸軍物聯(lián)網(wǎng)（SatIoT）中的動(dòng)態(tài)和未知干擾環(huán)境，獲得抗干擾策略。這里，研究人員分析了一種分布式動(dòng)態(tài)抗干擾聯(lián)盟形成博弈，以減少干擾環(huán)境中的能耗；同時(shí)提出了一種分層抗干擾斯塔伯格博弈，表示干擾機(jī)和SatIoT設(shè)備之間的對(duì)抗性交互作用。最后，研究人員根據(jù)干擾環(huán)境，利用基于深度學(xué)習(xí)的算法獲得次優(yōu)抗干擾策略。

流量預(yù)測(cè)在許多衛(wèi)星應(yīng)用（如擁塞控制、動(dòng)態(tài)路由、動(dòng)態(tài)信道分配、網(wǎng)絡(luò)規(guī)劃和網(wǎng)絡(luò)安全）中都很重要，因而網(wǎng)絡(luò)流量預(yù)測(cè)是一種旨在保證可靠高質(zhì)量通信的主動(dòng)方法。衛(wèi)星網(wǎng)絡(luò)流量有自相似性，并且表現(xiàn)出長相關(guān)性（LRD）。為實(shí)現(xiàn)準(zhǔn)確預(yù)測(cè)，需要考慮網(wǎng)絡(luò)流量的自相似性。然而，基于自相似性的地面網(wǎng)絡(luò)預(yù)測(cè)模型的計(jì)算復(fù)雜度很高；由于星載計(jì)算資源有限，地面模型不適用于衛(wèi)星。因此，需要一種高效的衛(wèi)星網(wǎng)絡(luò)流量預(yù)測(cè)設(shè)計(jì)。

一些研究人員針對(duì)地面和衛(wèi)星網(wǎng)絡(luò)進(jìn)行了流量預(yù)測(cè)，預(yù)測(cè)技術(shù)包括馬爾可夫模型、自回歸滑動(dòng)平均（ARMA）模型、整合自回歸滑動(dòng)平均（ARIMA）和分整自回歸滑動(dòng)平均（FARIMA）模型。研究人員利用經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）對(duì)網(wǎng)絡(luò)流量進(jìn)行分解，然后應(yīng)用ARMA預(yù)測(cè)模型，結(jié)果顯示預(yù)測(cè)性能明顯提高。

衛(wèi)星流量預(yù)測(cè)面臨的兩個(gè)主要難題是衛(wèi)星網(wǎng)絡(luò)的長相關(guān)性（LRD）和星上計(jì)算資源有限。由于衛(wèi)星網(wǎng)絡(luò)的長相關(guān)特性，采用短相關(guān)性（SRD）模型無法實(shí)現(xiàn)準(zhǔn)確預(yù)測(cè)。雖然先前使用LRD模型的結(jié)果比SRD模型要好，但其復(fù)雜性也更高。為解決這些問題，研究人員轉(zhuǎn)向人工智能技術(shù)。

有研究結(jié)合使用FARIMA模型與神經(jīng)網(wǎng)絡(luò)進(jìn)行互聯(lián)網(wǎng)流量預(yù)測(cè)；而有研究則結(jié)合利用差分進(jìn)化與神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)流量預(yù)測(cè)。由于經(jīng)典神經(jīng)網(wǎng)絡(luò)的高度復(fù)雜性，也曾采用最小二乘支持向量機(jī)（SVM）（SVM的優(yōu)化版本）進(jìn)行預(yù)測(cè)。

還有研究先應(yīng)用主成分分析（PCA），降低輸入維數(shù)，然后應(yīng)用廣義回歸神經(jīng)網(wǎng)絡(luò)，用更短訓(xùn)練時(shí)間實(shí)現(xiàn)了更高精度預(yù)測(cè)；另有研究將流量預(yù)測(cè)用作低軌衛(wèi)星網(wǎng)絡(luò)分布式路由策略的一部分。極限學(xué)習(xí)機(jī)（ELM）也曾用于路由前衛(wèi)星節(jié)點(diǎn)流量載荷預(yù)測(cè)。此外，有研究使用經(jīng)驗(yàn)?zāi)B(tài)分解將長相關(guān)性衛(wèi)星流量分解成一系列且處于同一頻率的短相關(guān)性衛(wèi)星流量，以降低預(yù)測(cè)復(fù)雜度并提高預(yù)測(cè)速度。與先前方法相比，這種合成EMD、果蠅優(yōu)化以及極限學(xué)習(xí)機(jī)組合方法可以更高速度實(shí)現(xiàn)更加準(zhǔn)確預(yù)測(cè)。

信道模型是傳播無線信號(hào)的通信信道效應(yīng)的數(shù)學(xué)表示；它建模為信道頻域或時(shí)域脈沖響應(yīng)。

無線信道對(duì)可靠高速通信提出了各種挑戰(zhàn)，因?yàn)樗资茉肼?、干擾和其他信道損傷（包括路徑損耗和遮蔽）的影響。其中，路徑損耗是由發(fā)射機(jī)發(fā)射功率浪費(fèi)和傳播信道效應(yīng)造成的，而路徑遮蔽是由接收機(jī)和發(fā)射機(jī)之間吸收功率的障礙物造成的。

研究人員需要用精確的信道模型來評(píng)估移動(dòng)通信系統(tǒng)性能，從而增強(qiáng)現(xiàn)有部署的覆蓋。信道模型對(duì)于所設(shè)計(jì)部署大綱中的傳播預(yù)測(cè)也可能有用，這可以實(shí)現(xiàn)在部署之前進(jìn)行評(píng)估，同時(shí)優(yōu)化實(shí)際系統(tǒng)的覆蓋和容量。對(duì)于少量可能發(fā)射器位置，可進(jìn)行室外環(huán)境廣泛評(píng)估以估算信道的參數(shù)。隨著更加先進(jìn)的技術(shù)應(yīng)用于無線通信，需要更加先進(jìn)的信道建模。因此，研究人員使用計(jì)算效率高且結(jié)果令人滿意的隨機(jī)模型。

另有研究將射線追蹤模型用于信道建模，這需要使用計(jì)算機(jī)視覺方法生成3D圖像，包括基于立體視覺的深度估計(jì)。

盡管上述某些技術(shù)的性能令人滿意，但仍有許多局限性。例如，射線追蹤所需的3D圖像一般得不到，且其生成的計(jì)算效率不高。即使有圖像可用，射線追蹤的計(jì)算成本也很高，需要詳盡數(shù)據(jù)，因此不適合用于實(shí)時(shí)覆蓋區(qū)域優(yōu)化。此外，經(jīng)常得不到某些模型所需的詳細(xì)數(shù)據(jù)。

人工智能在路徑損耗預(yù)測(cè)方面的一些早期應(yīng)用基于經(jīng)典機(jī)器學(xué)習(xí)算法，如支持向量機(jī)（SVM）、神經(jīng)網(wǎng)絡(luò)和決策樹。然而，盡管先前機(jī)器學(xué)習(xí)方法已展現(xiàn)出較好效果，但很多方法都需要3D圖像。因此，研究人員近期轉(zhuǎn)向使用具有2D衛(wèi)星/航空?qǐng)D像的深度學(xué)習(xí)算法來預(yù)測(cè)路徑損耗。例如在沒有任何附加輸入?yún)?shù)的情況下，使用深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）根據(jù)衛(wèi)星圖像獲得近似信道參數(shù)，包括遮蔽標(biāo)準(zhǔn)差和路徑損耗指數(shù)，如圖4所示。

圖4 信道參數(shù)預(yù)測(cè)。將2D航空/衛(wèi)星圖像作為深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)的輸入，預(yù)測(cè)信道參數(shù)。模型是針對(duì)每個(gè)參數(shù)分別訓(xùn)練的。

有研究通過在衛(wèi)星圖像和其他輸入?yún)?shù)上使用深度學(xué)習(xí)模型，預(yù)測(cè)特定場(chǎng)景/區(qū)域中特定接收機(jī)位置的參考信號(hào)接收功率（RSRP）。

還有研究演示了與包括射線跟蹤在內(nèi)的先前技術(shù)相比，在811MHz和2630MHz信道中，增益分別提高約1和約4.7。同樣，有研究雖然只關(guān)注沒有任何輔助特征的衛(wèi)星圖像，并研究更為一般性的數(shù)據(jù)，但對(duì)衛(wèi)星圖像應(yīng)用了深度學(xué)習(xí)進(jìn)行路徑損耗預(yù)測(cè)。這種方法由于只需要衛(wèi)星圖像就可預(yù)測(cè)路徑損耗分布，因此很實(shí)用，但2D圖像通常不足以表征3D結(jié)構(gòu)。在這些情況下，必須在模型中輸入更多特征（例如，建筑高度）。

干擾會(huì)對(duì)通信信道產(chǎn)生不利影響，導(dǎo)致服務(wù)質(zhì)量（QoS）下降、運(yùn)營效率降低以及收益損失，因此衛(wèi)星通信運(yùn)營商必須進(jìn)行干擾管理。此外，隨著越來越多國家發(fā)射衛(wèi)星，以及預(yù)期會(huì)有更多應(yīng)用，干擾會(huì)隨著衛(wèi)星頻段的日益擁擠而越來越多。隨著越來越多用戶共享同一頻段，干擾的可能性增大，蓄意干擾的風(fēng)險(xiǎn)也會(huì)增加。

因此，干擾管理對(duì)保持高質(zhì)量可靠通信系統(tǒng)至關(guān)重要；干擾管理包括干擾探測(cè)、分類和抑制，以及應(yīng)用各種技術(shù)最大程度減少干擾產(chǎn)生。

干擾探測(cè)過去幾十年中已得到充分研究，特別是對(duì)于衛(wèi)星通信。

然而，研究人員通常依賴于假設(shè)檢驗(yàn)決策理論，需要信號(hào)特征和信道模型的具體知識(shí)。由于當(dāng)前無線標(biāo)準(zhǔn)很多，因此為每種信號(hào)類別都設(shè)計(jì)特定探測(cè)器的方式徒勞無益。

為最大限度減少干擾，研究人員建議將人工智能用于衛(wèi)星-地面網(wǎng)絡(luò)中的移動(dòng)終端和基站，提出了一種結(jié)合不同人工智能方法的框架，包括為衛(wèi)星選擇、天線指向和跟蹤應(yīng)用支持向量機(jī)（SVM）、無監(jiān)督學(xué)習(xí)和深度強(qiáng)化學(xué)習(xí)（DRL），如圖5所示。

圖5 衛(wèi)星選擇和天線調(diào)整

另一種執(zhí)行自動(dòng)實(shí)時(shí)干擾探測(cè)的人工智能方法基于在無異常情況下，使用在歷史無異常頻譜上訓(xùn)練的長短期記憶（LSTM）來預(yù)測(cè)將要接收的后續(xù)信號(hào)頻譜。隨后，使用設(shè)計(jì)好的度量機(jī)制對(duì)預(yù)測(cè)的頻譜通過和接收的信號(hào)進(jìn)行比較，以探測(cè)異常。

研究人員建議使用兩種基于人工智能的方法，深度神經(jīng)網(wǎng)絡(luò)自編碼器（DNN AE）和LSTM，分別用于探測(cè)和分類干擾。在前一種方法中，研究人員使用無干擾信號(hào)對(duì)自編碼器進(jìn)行訓(xùn)練，并在無干擾情況下與其他信號(hào)進(jìn)行測(cè)試，以獲得實(shí)際閾值。之后，利用有干擾和無干擾信號(hào)之間的誤差差異來探測(cè)干擾。

近期，地面通信系統(tǒng)取得了顯著進(jìn)步，可為用戶提供更高質(zhì)量互聯(lián)網(wǎng)接入。然而，由于網(wǎng)絡(luò)容量和覆蓋范圍有限，這種服務(wù)不可能在任何時(shí)候、任何地方都有，特別是對(duì)鄉(xiāng)村或?yàn)?zāi)區(qū)用戶而言。

雖然地面網(wǎng)絡(luò)資源最多、吞吐量最高，但非地面通信系統(tǒng)的覆蓋范圍要廣得多。然而，非地面網(wǎng)絡(luò)也有其自身局限性，例如，衛(wèi)星通信系統(tǒng)傳播延遲長，空中網(wǎng)絡(luò)容量小、鏈路不穩(wěn)定。

為利用網(wǎng)絡(luò)間的互補(bǔ)性向用戶提供更好、更靈活的端到端服務(wù)，研究人員提出了空天地一體化網(wǎng)絡(luò)（SAGIN），包括太空中的衛(wèi)星、空中的氣球、飛艇和無人機(jī)以及地面段，如圖6所示。

圖6 空天地一體化網(wǎng)絡(luò)（SAGIN）

由同步地球軌道（GEO）、中地球軌道（MEO）和低地球軌道（LEO）衛(wèi)星構(gòu)成的多層衛(wèi)星通信系統(tǒng)可使用多播和廣播方法來改善網(wǎng)絡(luò)容量，從而極大減輕不斷增加的流量負(fù)擔(dān)。由于空天地一體化網(wǎng)絡(luò)允許數(shù)據(jù)包通過不同質(zhì)量的多條路徑傳輸?shù)侥康牡兀蚨梢蕴峁┎煌臄?shù)據(jù)包傳輸方法以滿足多種服務(wù)需求。

然而，由于空天地一體化網(wǎng)絡(luò)固有的自組織性、時(shí)變性和異構(gòu)性，其設(shè)計(jì)和優(yōu)化比傳統(tǒng)地面通信系統(tǒng)更具挑戰(zhàn)性。因此，設(shè)計(jì)優(yōu)化技術(shù)時(shí)必須考慮的各種因素已提前確定。例如，由于傳播媒介不同、不同通信類型共享頻段、空、天段的高移動(dòng)性以及三個(gè)段之間固有的異構(gòu)性，空天地一體化網(wǎng)絡(luò)的網(wǎng)絡(luò)控制和頻譜管理十分困難。高移動(dòng)性帶來頻繁切換，更難實(shí)現(xiàn)安全路由，使空天地一體化網(wǎng)絡(luò)更易受到干擾。此外，空天地一體化網(wǎng)絡(luò)在優(yōu)化能效方面也比標(biāo)準(zhǔn)地面網(wǎng)絡(luò)更具挑戰(zhàn)性，因此還需要能量管理算法。

針對(duì)空天地一體化網(wǎng)絡(luò)所面臨的挑戰(zhàn)，研究人員建議使用深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）解決路由問題，利用流量模式和GEO和MEO衛(wèi)星的剩余緩沖區(qū)規(guī)模來優(yōu)化空天地一體化網(wǎng)絡(luò)整體性能。

由于在軌衛(wèi)星數(shù)量大以及后續(xù)網(wǎng)絡(luò)架構(gòu)的時(shí)變特性，優(yōu)化衛(wèi)星選擇和無人機(jī)位置，并最終優(yōu)化“數(shù)據(jù)源-衛(wèi)星-無人機(jī)-目的地”通信的端到端數(shù)據(jù)速率非常困難。為解決這一問題，研究人員通過深度強(qiáng)化學(xué)習(xí)，聯(lián)合優(yōu)化數(shù)據(jù)源-衛(wèi)星-無人機(jī)關(guān)聯(lián)以及無人機(jī)位置。他們所提出技術(shù)的平均數(shù)據(jù)率比沒有無人機(jī)和衛(wèi)星情況下的直接通信基線高5.74倍。

為卸載計(jì)算密集型應(yīng)用，研究人員開發(fā)了一種空天地一體化網(wǎng)絡(luò)邊緣/云計(jì)算設(shè)計(jì)，在這種設(shè)計(jì)中，衛(wèi)星可以接入云端，而無人機(jī)可實(shí)現(xiàn)附近用戶邊緣計(jì)算。這里，研究人員使用聯(lián)合資源分配和任務(wù)調(diào)度方法將計(jì)算資源分配給虛擬機(jī)，并為無人機(jī)邊緣服務(wù)器調(diào)度卸載任務(wù)；而基于強(qiáng)化學(xué)習(xí)（RL）的計(jì)算卸載方法則可處理多維空天地一體化網(wǎng)絡(luò)資源并學(xué)習(xí)動(dòng)態(tài)網(wǎng)絡(luò)環(huán)境。仿真結(jié)果證明了這種方法的有效性。

由于異構(gòu)多層網(wǎng)絡(luò)需要先進(jìn)的容量管理技術(shù)，有研究提出了一種用于衛(wèi)星間容量計(jì)算的低復(fù)雜度技術(shù)，并提出了一種基于強(qiáng)化學(xué)習(xí)的長期最優(yōu)容量分配模型，以實(shí)現(xiàn)系統(tǒng)長期效用最大化。

另有研究通過將聯(lián)合資源分配問題用公式表示為聯(lián)合優(yōu)化問題，并使用深度強(qiáng)化學(xué)習(xí)（DRL）方法，提出了一個(gè)軟件定義衛(wèi)星-地面網(wǎng)絡(luò)，以聯(lián)合管理緩存、組網(wǎng)和計(jì)算資源。

本文闡述了衛(wèi)星通信的一些限制，并探討了基于人工智能的解決方案。除文中提到的跳波束、抗干擾、網(wǎng)絡(luò)流量預(yù)測(cè)、信道建模、干擾管理和空天地一體化幾個(gè)領(lǐng)域之外，人工智能還在衛(wèi)星通信其他許多方面顯示出巨大成果，例如遙測(cè)數(shù)據(jù)挖掘、電離層閃爍探測(cè)、遙感、行為建模和能量管理。未來研究工作應(yīng)該以應(yīng)用人工智能為目標(biāo)，實(shí)現(xiàn)更加高效、安全、可靠和高質(zhì)量的衛(wèi)星通信系統(tǒng)。