跳波卫星业务预测与多维链路动态资源分配方法及装置制造方法及图纸

本发明专利技术公开了一种跳波卫星业务预测与多维链路动态资源分配方法及装置，以最大化卫星通信系统能效、谱效、用户QoS的加权和为原则，确定卫星波束和波束功率的联合分配方案，考虑了系统内历史时刻对当前时刻波束与功率分配的影响，在卫星资源稀缺的场景中能够在保障用户服务质量、节约系统能耗的同时有效地提高系统的频谱效率，提高系统的整体性能；同时在资源分配中加入了业务预测算法，以最小化预测值与实际值之间的误差为原则，确定未来业务需求量的预测方案，将预测的结果作为分配方案中的下一时隙新到达流量，以便进行资源预分配，降低了分配算法的时间开销。低了分配算法的时间开销。低了分配算法的时间开销。

【技术实现步骤摘要】
跳波卫星业务预测与多维链路动态资源分配方法及装置


[0001]本专利技术涉及卫星通信网络
，尤其涉及一种跳波卫星业务预测与多维链路动态资源分配方法及装置。

技术介绍

[0002]信息网络与通信系统的高速发展使得卫星通信逐渐成为通信网络中不可忽视的重要一环。由于通信服务类型的多样性、服务分布的时变性等特性，固定资源的分配方式会导致较低的资源利用率，以至卫星有限资源大量浪费，无线资源管理困难，卫星通信系统能效谱效降低，难以满足用户速率需求。而多波束卫星的跳波束技术打破了原有的固定资源分配方式，通过时间碎片化的方式灵活分配所有可用的卫星无线资源，可以针对多样化业务时空分布不均的场景有效缓和有限卫星资源与通信服务质量之间的矛盾，有效提高系统整体性能，被认为是下一代高通量卫星系统的关键技术。因此，在资源受限、差异化业务时空分布不均的情况下研究多波束卫星通信系统的链路资源分配技术是十分具有意义的。
[0003]此外，差异化业务的时变性对卫星星载资源的分配也是一大关键问题。业务流量的实时变化对卫星的资源管理提出了很大的挑战，影响了跳波束技术的发展，而资源预分配技术能够根据已有的业务变化情况提前感知近期的业务变化，以便对卫星星载资源提前进行部分分配，有效缓解通信系统的时延较长问题，提高系统整体性能。其中，业务预测技术是资源与分配技术的基石，一个优秀的业务预测算法能够更好的进行资源的预分配，降低后续资源分配的难度，也减少预分配误差导致的性能不升反降问题。
[0004]为了在卫星频谱资源稀缺、星上有效载荷有限、差异化业务需求时变以及地面流量需求空间分布不均等情况下进行高效的资源分配，提高卫星通信系统的整体性能，需要研究多个方面的问题，包括跳波束资源分配技术、业务流量预测技术等。

技术实现思路

[0005]本专利技术针对通信服务类型多样、业务需求时空分布不均、多波束卫星星载资源受限等问题，基于多波束地球静止轨道卫星通信系统的下行链路，立足于卫星多维资源与卫星用户的差异化业务需求，以能效、谱效、用户QoS为联合目标，从点波束的时隙分配、波束之间的时隙功率分配、卫星用户差异化业务分类预测三方面展开联合研究，提出一种跳波卫星业务预测与多维链路动态资源分配方法及装置，提高系统性能。
[0006]为了实现上述目的，本专利技术提供如下技术方案：
[0007]第一方面，本专利技术提供一种跳波卫星业务预测与多维链路动态资源分配方法，包括如下步骤：
[0008]建立基于Ka频段的地球静止轨道卫星平台为主体构成的下行链路多波束地球静止轨道卫星通信系统及其信道模型，并包括以下训练步骤：
[0009]迭代周期开始前，每个智能体初始化本地网络模型参数；其中，本地网络模型参数为强化学习算法中的网络权重；下行链路多波束地球静止轨道卫星通信系统中包括一颗有
K个点波束的地球静止轨道卫星和N个卫星用户，智能体包含预测智能体和分配智能体两大类，预测类智能体主要负责业务需求量的精准预测，分配智能体主要负责卫星多维资源的动态分配；
[0010]每个迭代周期刚开始时，每个预测智能体根据当前的业务需求历史集合和本地网络预测出下一时隙的业务需求量，并将预测结果作为分配学习中的新到达流量；
[0011]迭代周期内，每个智能体用本地网络进行强化学习训练并更新本地网络模型参数；其中，智能体每步根据当前状态和本地网络做出相应的动作，并结合每步环境的回报和下一步状态形成经验进行存储和训练；预测智能体的状态包括业务需求历史集合中的长期历史数据集和短期历史数据集，预测智能体的动作包括下一时隙内星载数据缓存器上各个卫星用户对应的队列中新到达的业务量；分配智能体的状态为星载数据缓存器上各个卫星用户对应的队列中需提供服务的业务量，分配智能体的动作为下一时隙内各个卫星用户分配得到的照明波束和波束功率情况；
[0012]将业务预测的误差绝对值作为预测智能体的环境回报，将当前时隙的系统能效、频谱效率和用户QoS的加权和作为分配智能体的环境回报，进行训练迭代，直至收敛或达到最大迭代次数，确定卫星多维资源的联合分配方案。
[0013]进一步地，建立基于Ka频段的地球静止轨道卫星平台为主体构成的下行链路多波束地球静止轨道卫星通信系统，其由一颗多波束地球静止轨道卫星(GEO卫星)、多个点波束以及多个卫星用户组成，该多波束卫星通信系统的总可用带宽资源为B
tot
，总可用功率资源为p
tot
；多波束地球静止轨道卫星装配有K个点波束，点波束集合用K＝{k|k＝1,2,...,K}表示，且一个点波束只有一个载波，无需考虑波束内载波间的功率与带宽的分配；同时，该系统内存在N个卫星用户，用户集合用Ν＝{n|n＝1,2,...,N},N＞K表示。
[0014]进一步地，建立信道模型过程如下：
[0015]设传播路径上没有障碍物阻挡，到达接收天线的地面反射信号场强也可以忽略不计，信道主要考虑自由空间路径损耗模型，因此，从卫星点波束到用户的信号能量在自由空间传播了一定距离后发生的衰减表达为：
[0016][0017]其中，λ是波长，单位为米，d为无线信号自由空间传播距离，即卫星点波束到卫星用户之间的距离集合；
[0018]卫星通信中的俯仰角衰减表达为：
[0019][0020]其中，m为天线的滚降系数，φ
k,n
为用户n到波束k的俯仰角；
[0021]从机载发射机到卫星用户接收机的卫星下行链路信道模型增益G＝{g
k
[n]|k∈K,n∈N}表述为：
[0022]G＝G
tx
G
loss
G
H
G
rx
[0023]其中，G
loss
为自由空间路径损耗矩阵，G
tx
为通信链路发射端的天线增益，G
rx
为用户接收机的天线增益，G
H
＝{G
H
(φ
k,n
)|k∈K,n∈N}为俯仰角衰减；下行链路中卫星用户的接收
功率P
r
则与卫星的发射功率P
t
以及卫星下行链路信道模型的增益G有关，即P
r
＝P
t
G；
[0024]第n个卫星用户在点波束k覆盖下的信干噪比(SINR)如下所示：
[0025][0026]其中，σ2为高斯白噪声的噪声功率，P
t
卫星的发射功率；
[0027]通过四色复用，将总可用下行链路带宽资源B
tot
平均分布在4种颜色中，每一颜色的可用波束容量为：
[0028]C
t
[n]＝B
o
log2(1+SINR
t
[n])
[0029]其中，B
o
＝B
tot
/4，为每一颜色的可用波束带宽。
[0030]进一步地，建立卫本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种跳波卫星业务预测与多维链路动态资源分配方法，其特征在于，建立基于Ka频段的地球静止轨道卫星平台为主体构成的下行链路多波束地球静止轨道卫星通信系统及其信道模型，并包括以下训练步骤：迭代周期开始前，每个智能体初始化本地网络模型参数；其中，本地网络模型参数为强化学习算法中的网络权重；下行链路多波束地球静止轨道卫星通信系统中包括一颗有K个点波束的地球静止轨道卫星和N个卫星用户，智能体包含预测智能体和分配智能体两大类，预测类智能体主要负责业务需求量的精准预测，分配智能体主要负责卫星多维资源的动态分配；每个迭代周期刚开始时，每个预测智能体根据当前的业务需求历史集合和本地网络预测出下一时隙的业务需求量，并将预测结果作为分配学习中的新到达流量；迭代周期内，每个智能体用本地网络进行强化学习训练并更新本地网络模型参数；其中，智能体每步根据当前状态和本地网络做出相应的动作，并结合每步环境的回报和下一步状态形成经验进行存储和训练；预测智能体的状态包括业务需求历史集合中的长期历史数据集和短期历史数据集，预测智能体的动作包括下一时隙内星载数据缓存器上各个卫星用户对应的队列中新到达的业务量；分配智能体的状态为星载数据缓存器上各个卫星用户对应的队列中需提供服务的业务量，分配智能体的动作为下一时隙内各个卫星用户分配得到的照明波束和波束功率情况；将业务预测的误差绝对值作为预测智能体的环境回报，将当前时隙的系统能效、频谱效率和用户QoS的加权和作为分配智能体的环境回报，进行训练迭代，直至收敛或达到最大迭代次数，确定卫星多维资源的联合分配方案。2.根据权利要求1所述的跳波卫星业务预测与多维链路动态资源分配方法，其特征在于，建立信道模型过程如下：从卫星点波束到用户的信号能量在自由空间传播了一定距离后发生的衰减表达为：其中，λ是波长，单位为米，d为无线信号自由空间传播距离，即卫星点波束到卫星用户之间的距离集合；卫星通信中的俯仰角衰减表达为：其中，m为天线的滚降系数，φ
k,n
为用户n到波束k的俯仰角；从机载发射机到卫星用户接收机的卫星下行链路信道模型增益G＝{g
k
[n]|k∈K,n∈N}表述为：G＝G
tx
G
loss
G
H
G
rx
其中，G
loss
为自由空间路径损耗矩阵，G
tx
为通信链路发射端的天线增益，G
rx
为用户接收机的天线增益，G
H
＝{G
H
(φ
k,n
)|k∈K,n∈N}为俯仰角衰减；第n个卫星用户在点波束k覆盖下的信干噪比如下所示：
其中，σ2为高斯白噪声的噪声功率，P
t
卫星的发射功率；通过四色复用，将总可用下行链路带宽资源B
tot
平均分布在4种颜色中，每一颜色的可用波束容量为：C
t
[n]＝B
o
log2(1+SINR
t
[n])其中，B
o
＝B
tot
/4，为每一颜色的可用波束带宽。3.根据权利要求1所述的跳波卫星业务预测与多维链路动态资源分配方法，其特征在于，以业务各自的特性偏好为准则，建立差异化业务模型，包括：在时延方面，各个业务根据其时延偏好划分为I个等级；在重要性方面，根据其重要性划分为J个等级；其中，i代表业务的时延属性，i＝I为实时业务，在其完成上行链路传输后马上进行下行链路的传输，i≠I的业务为非实时业务，不属于时延敏感性业务，在传输顺序中置于实时业务之后进行传输；j代表业务的重要性属性，j＝1为基础业务，j≠1为紧要业务；卫星星载数据缓存器的队列中存储的总业务流量根据不同的业务分类建模为：其中，代表t时刻到达的流量中目前还未得到服务的流量，T为星上机载缓存器对应的数据最长存储时隙周期，即需求最大等待时长，若需求产生后最大等待时长内得不到服务则视为丢弃；每个业务的传输时延建模为：其中表示在t时刻卫星用户n对应的还未获得服务的时延等级为i重要性等级为j的业务的传输时延属性：其中，t
now
为当前时刻，t为该业务到达时刻；在差异化业务分类模型中，业务总共被分为I*J个等级，每个业务的传输优先级记为W
i,j
＝i*j，优先级高的业务优先进行传输，当两业务传输优先级相同时优先对时延偏好高的业务进行传输。4.根据权利要求1所述的跳波卫星业务预测与多维链路动态资源分配方法，其特征在于，基于长短期业务历史变化，预测系统中各个卫星用户未来业务的变化，其中所述的长短期业务历史变化分解为：长期历史数据集Z
r
和短期历史数据集Z
d
，其中长期历史数据集Z
r
代表用户前一个月内同一时刻的流量数据，主要用于预测在大趋势的影响下今日时刻的用户流量；短期历史数据集Z
d
，代表用户t时刻前的一段时间内的流量数据，主要用于预测在近期数据变化影响下t时刻的用户流量；将用户未来业务预测问题建模为马尔可夫决策过程，得到马尔可夫决策过程所定义的状态、动作以及回报函数；基于所述的状态、动作以及回报函数，在本地使用强化学习算法得到卫星用户下一时
刻的业务需求量预测值，并将其作为卫星资源分配方案中的到达流量Λ
t
；同时，在强化学习算法中，每个用户端分别进行本地强化学习模型的训练。5.根据权利要求4所述的跳波卫星业务预测与多维链路动态资源分配方法，其特征在于，将用户未来业务预测问题建模为马尔可夫决策过程，包括：采用全局元组(S,A,R)来表示全局的经验转移，包括全局状态、动作和回报函数，同时用户持有局部元组(S
n
,A
n
,R
n
)；定义状态空间：假设S
n
表示用户n的状态空间，则其t时刻的本地状态S
tn
分为长期历史数据集Z
r
和短期历史数据集Z
d
两个部分，表示为：其中，T1为业务短期历史变化存储周期，T2为业务长期历史变化存储周期；定义动作空间：假设A
n
表示用户n的动作空间，则其t时刻的本地动作定义为其中，卫星用户n的业务流量估计值为网络输出结果与其基准业务量b
n
之间的乘积；定义回报函数：假设R
n
表示用户n的回报函数空间，则其t时刻的本地回报函数定义为：其中，y
t,n
为用户n的业务流量的实际值。6.根据权利要求5所述的跳波卫星业务预测与多维链路动态资源分配方法，其特征在于，本地强化学习网络利用CNNs来逼近状态动作函数Q(S
t
,A
t
；ω
t
)，其中，将长期历史数据集Z
r
、短期历史数据集Z
d
分别通过一个卷积层进行局部特征提取；然...

【专利技术属性】
技术研发人员：袁金祥，张波，顾心怡，赵耀忠，张集，郑安，李国鹏，张安萍，房圆武，
申请(专利权)人：华能伊敏煤电有限责任公司，
类型：发明
国别省市：