红外小目标检测是对地观测、抢险救灾等诸多领域的重要课题,一直受到学界的广泛关注。由于红外小目标通常只占据几十个像素且分布在整个背景中,因此大范围内探索图像特征之间的语义信息以挖掘目标与背景之间的差异对检测性能的提升至关重要。然而,传统卷积神经网络的编码局域性与计算资源的巨大需求削弱了网络捕获小目标形状和位置的能力,极易产生漏检与虚警。基于此,提出了一种平滑交互式压缩网络模型,主要包含平滑交互模块与交叉关注模块。平滑交互模块在拓展特征图感受野的同时增添其依赖性,提升了网络在复杂背景条件下检测性能的鲁棒性。交叉关注模块综合考量信道的贡献度与剪枝的可解释性,从而动态融合不同分辨率的特征图。最后,在公开的SIRST数据集和IRSTD-1K数据集上的大量试验结果表明,提出的网络可以有效地解决目标丢失、虚警率高、视觉效果不佳等问题。以SIRST数据集为例,与性能第2的模型相比,IoU、nIoU和Pd分别提高了约3.05%、3.41%和1.02%;Fa和FLOPs分别降低了约33.33%和82.30%。
直流-直流变换器是航天二次电源的核心部件之一,体积小、重量轻、高功率的变换器是航天电源未来发展的趋势。提高变换器开关频率是缩减整机体积与重量、提升变换器性能的重要手段,所以,“高频化”是未来直流-直流变换器的重要发展趋势。使用GaN高电子迁移率晶体管作为开关器件,研究了在电路实现软开关的情况下,特定GaN器件对LLC谐振变换器可实现的最大工作频率的影响。研究发现,在保持软开关特性的情况下,GaN器件的输出电容越小,作为LLC谐振变换器的开关器件时可以使变换器实现的最高频率越大,但是GaN器件本身的损耗也会随之增加。针对损耗与高频的折衷关系,建立了精确的GaN器件损耗模型,为效率最优方案提供参考。并针对270 V输入、28 V输出、200 W额定功率的GaN基LLC谐振变换器做出了详细分析,通过使用GaN器件实现了2.5 MHz的高频变换器,整机功重比达到3.1 kW/kg,转换效率峰值为92.8%。原理样机验证了该设计方法可以实现更高频的LLC变换器,为未来制作高频变换器提供了设计参考。
在无标识随机接入中,基站只需要恢复各个活跃设备发送的数据,而不需要识别活跃设备的信息。这使得大量活跃设备可以在无需事先请求资源的条件下,随时接入基站,从而极大地降低信令开销和传输时延,成为近期的研究热点。目前的研究大都采用基于前导序列来设计的随机接入方案,但这类方案在活跃设备数改变时的鲁棒性较差,且不能充分利用信道带宽,导致活跃设备数较大时系统性能较差。针对这一问题,提出一种叠加导频传输方案来提升信道利用率,并通过最优功率分配进一步提升不同活跃设备数下的系统性能,使系统在活跃设备数变化时具有良好的鲁棒性。在该方案中,首先将需要发送的消息序列的前Bp个比特做为索引,选择一对导频序列和交织器。然后,利用选中的交织器对消息序列进行编码、调制和交织,并将选中的导频序列与交织后的调制序列进行叠加来得到发送信号。针对该传输方案,提出基于最小错误概率的功率优化方案来得到不同活跃设备数下的最优功率分配比例,设计了叠加导频检测消除和多用户检测译码的两阶段检测方案。仿真结果表明,叠加导频传输方案可以使基于前导序列的无标识随机接入方案和基于前导的稀疏无标识随机接入方案的性能分别提升约1.6~2.0 dB和0.2~0.5 dB,可以灵活地改变所能承载的活跃设备数量,并具有较低的译码复杂度。
卫星互联网呈现全球覆盖、灵活接入、可靠传输的发展趋势,是构建广覆盖、巨连接、立体化、全方位、全天候的空天地一体化信息网络的关键。由于星座规模快速扩张、网络拓扑高度复杂以及业务需求多元动态,卫星互联网的传输压力与日俱增。路由技术负责卫星之间数据传输路径选择与数据转发,是提升星间数据传输效率和保障网络服务质量的关键,在高移动性、高时延、高动态通信以及空间环境复杂的星间组网环境中面临诸多挑战。以卫星互联网星间路由技术为研究对象,概述了卫星互联网的基本组成架构及工作模式。根据星间组网所面临的挑战,从动态信息感知、网络故障建模及跨层混合组网等方面系统梳理了星间路由的主要技术路线并分析了星间路由技术的研究进展,以及现有的各类解决方法在星上计算及存储能力受限时的适用性。最后结合当前卫星互联网路由技术的瓶颈与新兴网络技术,对未来卫星互联网路由技术进行了展望。
目前大多数的时间序列都缺少相应的异常标签,且现有基于重构的异常检测算法不能很好地捕获到多维数据间复杂的潜在相关性和时间依赖性,为了构建特征丰富的时间序列,提出一种多尺度特征信息融合的异常检测模型。该模型首先通过卷积神经网络对滑动窗口内的不同序列进行特征卷积来获取不同尺度下的局部上下文信息。然后,利用Transformer中的位置编码对卷积后的时间序列窗口进行位置嵌入,增强滑动窗口中每一个时间序列和邻近序列之间的位置联系,并引入时间注意力获取数据在时间维度上的自相关性,并进一步通过多头自注意力自适应地为窗口内不同时间序列分配不同的权重。最后,对反卷积过程中上采样得到的窗口数据与不同尺度下得到的局部特征和时间上下文信息进行逐步融合,从而准确重构原始时间序列,并将重构误差作为最终的异常得分进行异常判定。实验结果表明,所构建模型在SWaT和SMD数据集上与基线模型相比F1分数均有所提升。在数据维度高且均衡性较差的WADI数据集上与GDN模型相比F1分数降低了1.66%。
针对毫米波无线通信系统中信号覆盖性能弱的问题,提出使用智能超表面反射宽波束以持续增强弱覆盖区域信号强度的方法。首先,在没有视距路径的收发机之间引入智能超表面,利用智能超表面电波传播模型,得到反射辅助路径的接收信号功率表达式。随后,根据先验信息的不同获知程度,提出一种智能超表面反射相移设计框架,并采用启发式算法实现智能超表面离散相移约束下的高效寻优。仿真结果证明,所提算法能够基于智能超表面合成任意宽度的反射波束。同时,根据待覆盖区域的具体形状优化能够进一步提高智能超表面覆盖增强性能。最后,搭建智能超表面反射方向图测量系统和毫米波通信原型系统,在35 GHz频段开展测量验证,获得与仿真结果一致的性能。在暗室环境下的方向图测量验证了智能超表面波束合成算法的有效性。在实际环境下开展的信号覆盖情况测量中,对比未部署智能超表面的情况,部署智能超表面和所提算法后信号覆盖率从1.5%提升至90%。
语义通信为通信系统优化和性能提升提供了新的研究角度,然而,目前语义通信的研究忽略了通信开销的影响,未考虑语义通信性能和通信开销的关系,导致带宽资源受限时语义通信性能难以提升。为此,针对带宽受限场景,提出一种基于信息瓶颈的语义通信方法。首先,该方法采用Transformer模型进行语义和信道联合编解码,并设计特征选择模块以识别和删除冗余语义信息,构建了端到端语义通信模型;进而考虑语义通信性能与通信开销之间的折衷关系,基于信息瓶颈理论设计损失函数,在保证语义通信性能的同时,降低通信开销,完成语义通信模型的训练和优化。实验结果显示,在欧洲议会平行语料库上,与基线模型相比,所提方法在保证通信性能的同时可降低约20%~30%的通信开销,在相同带宽条件下该方法的BLEU分数可提升约5%。实验结果表明,所提方法可以有效降低语义通信开销,从而提升带宽资源受限场景下的语义通信性能。
针对传统跌倒检测算法在特征提取不充分、跌倒判决方法单一以及实时性不强的问题,提出一种改进型YOLOv8结合人体骨骼关键点的跌倒检测算法。首先,算法通过ShuffleNetV2网络替换原有YOLOv8的Darknet-53主干网络,在颈部增加混合注意力机制(Shuffle Attention,SA),使得网络能够更好地提取人体的行为特征,实现人体静态姿势匹配。其次,分析人体动态行为的骨骼关键点位置变化信息,将人体质心下降速度、人体躯干与地面间的夹角变化速度和人体的高宽比三者共同作为跌倒行为的判决依据,提高跌倒判决的准确率。实验结果表明,该算法在COCO Key Points数据集上的检测精度、F1值和mAP50值分别为78.3%、67.9%和70.0%,在UR Fall Detection、Fall Detection Datasets和自建数据集上的检测准确率分别为95.85%、92.8%和96.52%,在区分日常生活行为和跌倒行为方面优于传统算法。
节点间的时间同步是无人机集群资源调度、协同定位、数据融合的基础,在同步精度要求较高的场景中常用双向时间同步进行节点间的时间同步。然而无人机的相对运动会导致两次同步消息的传播时延不等,进而引起时间同步误差。针对该问题,首先从线性方程组求解角度分析了时间同步误差的产生原因,提出了一种利用双触发双向时间同步以增加方程个数、并在节点匀速运动前提下减少未知量个数的方法。然后推导了该方法下钟差的求解公式,结果表明钟差求解与节点的匀速运动速度无关。随后比较了在加性高斯白噪声信道中双触发式双向时间同步方法与现有运动补偿方法的钟差估计性能,并分析了时间戳处理时延和速度改变对钟差求解精度的影响。最后通过外场实验验证了双触发式双向时间同步的有效性。仿真及实验结果表明,相比于传统双向时间同步,双触发式双向时间同步不会因节点的匀速运动导致主从节点间的时间同步出现系统偏差。
时间序列预测即利用历史时间序列数据,预测未来一段时间内的数据信息,以便提前制定相应策略。目前,时间序列的类别复杂繁多,而现有的时间序列预测模型面对多种类型数据时无法取得稳定预测的结果,进而难以同时满足对现实中多种复杂的时序数据预测的应用需求。针对上述问题,提出了一种基于时间注意力机制双向长短期记忆网络的时间序列预测方法。笔者提出的网络模型采用改进的正向和反向传播机制提取时序信息并通过自适应权重分配策略推理未来的时序信息。具体来说,设计了一个改进的双向长短期记忆网络,通过结合双向长短期记忆和长短期记忆网络提取深度时间序列特征,挖掘上下文的时序依赖关系。在此基础上,融合所提出的时间注意力机制,实现对深度时间序列特征进行自适应加权,提升深度时序特征的显著性表达能力。通过与同类代表性方法在多个不同类别数据集上的客观定量对比,实验结果表明,该方法能够在多种类别的复杂时间序列数据上更优的预测性能。
无人机的快速发展为当今社会带来巨大便利,但其潜在的滥用现象对公共安全构成严重威胁,因此面向无人机的监测与定位技术近年来得到广泛研究。针对远距低飞无人机难以准确定位的应用问题,提出以无源为主、有源为辅的主被动协同定位框架,在基于到达时间差实现无源被动定位的基础上,引入支持往返到达时间测量的有源主动探测设备,择机对无人机进行主动式定位,补偿无源定位缺失的目标高程信息,从而提升无人机的三维定位精度。为充分挖掘主被动的协同定位潜力,文中深入探究无源被动定位节点预先部署的情况下,有源主动定位节点的空域和能域资源的配置方式,推导了主被动协同定位框架下的定位精度衡量指标,构建了空能资源联合优化问题,提出了基于非线性收敛因子和记忆指导的改进灰狼优化的空能资源优化算法。仿真结果表明,针对无人机定位时,主被动协同定位效果优于无源被动定位,典型场景下高程定位精度显著提升约96.33%。此外,所提的空能资源优化算法在求解空能资源联合优化问题时,性能优于标准(传统)灰狼算法、改进灰狼算法等。
针对4D车载毫米波雷达在俯仰与方位维角度分辨力较低、阵列存在幅相误差时测角有偏的问题,提出一种基于快速稀疏贝叶斯学习的稳健二维超分辨测角方法。首先,利用空域稀疏性特点,对角度域空间进行栅格划分,构建了存在幅相误差时的二维超分辨测角信号模型;然后,通过固定点更新的MacKay SBL重构算法实现了多个邻近目标二维角度估计,并利用基于向量点乘的自校正算法对相位误差进行估计,以对有偏的角度估计进行修正;最后,给出了多输入多输出虚拟阵列下的二维角度估计的克拉美-罗界,并分析了所提算法的计算复杂度。仿真结果表明,在大陆ARS548雷达实际12发16收天线布局下,通过对比6种超分辨测角算法,所提方法在低信噪比、少量快拍下和幅相误差较小时,具有较高的角度分辨力与较低的均方根误差。
智能合约是区块链的重要组成部分,以太坊平台通过部署大量智能合约实现去中心化应用,且智能合约关联着价值数十亿的美元数字货币。但智能合约是由高级语言编写的一段代码,可能存在易受攻击的漏洞,造成巨大的经济损失。目前智能合约漏洞是以太坊面临的严重威胁之一。传统的智能合约漏洞检测方法严重依赖于固定的专家规则,导致准确率低、耗时长。近年来有研究者使用机器学习方法进行漏洞检测,但其所使用的检测方法没有充分利用智能合约源代码的语义信息。文中将智能合约源代码构建为具有数据流和控制流信息的智能合约图,利用注意力机制为图中节点按照其关键程度分配不同的权重更新图节点特征进行合约漏洞检测,对可重入漏洞和时间戳漏洞进行了实验。实验结果显示,与传统的图神经网络检测模型相比,文中模型在两种漏洞检测中准确度分别提高了11.18%,10.06%。实验证明,智能合约漏洞不仅与合约代码的结构特征相关,而且与不同的函数和数据变量有密切的联系。
空空高速移动场景下飞行平台通信信号的多普勒频率范围大且变化快。针对现有频偏估计和跟踪算法难以兼顾估计精度和工程可实现性的难题,提出了低复杂度的新型高精度频偏估计和跟踪算法。首先根据空空高速移动场景下多普勒频率快速变化且具有时空相关性特征,在传统频偏模型的基础上构建适用于空空高速移动场景的时变频偏模型;然后基于此模型将相邻短前导的频偏估计值进行相互关联并处理,将频偏精度优化问题转化为经典的超定线性方程组的优化求解问题,最大限度地抑制了估计噪声,提高了频偏估计精度。仿真结果表明,该算法估计的残余频偏相对于经典算法大幅降低,当信噪比大于5 dB时,残余频偏的均方根误差控制在100 Hz范围内。针对该算法求解过程中存在的数值稳定性问题,给出了相应的工程可实现方法。该算法采用前馈补偿频偏跟踪方法,与传统的锁相环反馈跟踪方法相比,提高了系统的稳定性和时效性。
无人机在应急场景中发挥着越来越重要的作用。无人机执行远程任务时,飞行距离长,导致地面管控中心无法直接与无人机通信。而应急场景如突发的火灾地震等,需要及时下达指令应对。针对应急场景下的无人机网络数据指令安全下发场景,设计了一种基于多接收者加密协议的指挥权限下发机制和基于代理签密的指令安全下发机制。在地面管控中心下发指挥权限时,通过多接收者加密协议,向若干移动指挥中心下发指挥权限,并将其派往应急现场。在指令安全下发时,移动指挥中心将签密后的指令发送给空中平台,空中平台验证移动指挥中心的身份和指挥权限,并将指令签密后发送给无人机。网络中的无人机预先配置在空中平台的管辖下,无人机验证空中平台的身份,解密并执行指令。采用形式化验证工具Scyther、BAN逻辑和非形式化安全分析等多种方法对方案进行了安全性分析,结果表明,所提出的方案能够满足必要安全需求。与多个方案进行性能对比,结果表明,所提出的方案具有良好的性能表现。
如何在失去明文原有特性的加密数据上执行搜索,并实现数据共享,是可搜索加密技术研究的重点问题。针对传统非对称可搜索加密方案中存在的难以支持多用户多关键词搜索、半诚实第三方搜索服务、授权管理中心化的问题,提出了一种基于区块链的多用户环境可搜索加密方案。首先,将传统非对称可搜索加密方案与条件广播代理重加密技术相结合,通过为用户组加密密文、验证用户授权和为满足条件的用户重加密搜索结果,从而实现多用户环境下秘密数据的安全搜索与可控共享;其次,在联盟链上调用智能合约执行多关键词密文搜索,降低半诚实的第三方不实搜索风险,并采用改进的算法选举共识节点轮换担任授权管理者,减少传统中心权威机构单点故障或遭受恶意攻击等威胁;最后,通过分析方案的安全性、正确性等,证明方案能有效改进传统方案中存在的问题。相关仿真结果显示,与现有可搜索加密方案相比,文中方案在保证数据搜索隐私性方面具有明显优势,同时计算开销相对较低。
对测试或仿真得到的采样数据进行有理函数拟合是滤波器耦合矩阵提取方法的重要一步,针对拟合数据与采样数据在幅度值较小的传输零点附近偏差较大的问题,提出一种高阶传输系数(S21)拟合策略。该策略通过对采样的传输系数使用具有N阶(N为滤波器阶数)分子多项式的有理函数进行拟合以提高拟合准确度,从而准确定位传输零点。然后从N个拟合得到的传输零点中选取Nz个(Nz为实际滤波器的传输零点个数)有效传输零点重构传输系数的分子多项式,以保证提取的耦合矩阵的传输零点个数与实际滤波器相同。为验证效果,使用具有三个传输零点的九阶同轴滤波器对传统柯西方法、应用高阶传输系数拟合策略的柯西方法与基于模型的矢量拟合方法(MVF)进行试验,结果显示应用了该策略的柯西方法相较于传统柯西方法与MVF可以提高传输零点的拟合准确度。由于柯西方法对噪声的健壮性不高,最后结合柯西方法与MVF的步骤,提出一种通过矢量拟合定位S参数零点的耦合矩阵提取方法,该方法相较于MVF可以更加精确地拟合上S参数的零点,同时相较于柯西方法对噪声的抗性更好。
随着智慧交通、云计算网络以及边缘计算网络的快速发展,车载终端与路基单元、中心云服务器之间的信息交互变得越发频繁。针对智慧交通云边端协同计算场景下如何高效地实现车路云一体化融合感知、群体决策以及各级服务器间对资源的合理分配问题,设计了基于云边端与智慧交通全面融合的网络架构。在该架构下,通过对任务类型的合理划分,再由各服务器对其进行选择性的缓存、卸载;在智慧交通云边端协同计算场景下,依次设计了一种对任务自适应的缓存模型、任务卸载时延模型、系统能量损耗模型、车载用户对服务质量不满意度评价模型、多目标优化问题模型,并给出了一种基于改进型非支配遗传算法的任务卸载决策方案。实验结果表明,文中方案能够有效降低任务卸载过程中所带来的时延和能耗,提高了系统资源利用率,给车辆用户带来更好的服务体验。
针对无人机群可用频谱资源紧缺及资源优化过程中面临的多目标优化难以求解、完整信道信息难以获取和实时性差等问题,提出了一种知识图谱辅助的无人机群频谱资源优化算法。首先构建一种基于多头注意力机制的关系感知图神经网络编码器,实现无人机群通信参数、性能参数和电磁环境信息的聚合,并根据节点的重要性为邻居信息分配不同的权重;然后构建一种改进型基于层注意力的InteractE模型,使用压缩-激励模块获取层注意力信息,从循环卷积结果中挖掘深层次交互信息,实现无人机群信道接入和发射功率预测。仿真结果表明,在公共数据集上,所提算法收敛速度快、链路预测性能好,并且具有较好的稳定性和鲁棒性;在无人机群频谱管控数据集上,所提算法可以在已知信道分布信息和部分环境信息的情况下,生成近似最优的无人机群频谱资源优化方案。
动态多目标优化问题(DMOPs)是指目标函数随时间变化的一类问题,算法求解的目标是持续跟踪移动的Pareto 最优解集或 Pareto最优前沿。基于预测的方法受到格外的关注,然而这些方法多使用历史环境信息进行预测,考虑到使用历史信息预测会存在预测不准确的问题,加强新环境信息的挖掘和利用,提出了一种新的基于预测的动态多目标进化算法,该算法主要包括两个核心部分,分别记为响应机制和加速机制。响应机制在环境变化后重新初始化群体,一部分的个体由预测策略产生,以生成靠近下一环境Pareto 最优解集的个体来提高算法的寻优能力,剩余部分个体采用局部搜索策略生成以增加种群多样性。加速机制用于静态优化过程以提高算法收敛速度。最后,将动态多目标进化算法与其他3种先进的动态多目标优化算法在具有不同动态特征的一系列测试函数上进行实验对比,结果表明,动态多目标进化算法相比其他3个算法在求解动态多目标优化问题中更具有优势。
随着个人数据的爆发式增长,基于差分隐私的联邦学习模型可用于解决数据孤岛问题和保护用户数据隐私,参与者通过训练本地数据,将添加噪声后的参数共享到中心服务器进行聚合,实现分布式机器学习训练。此过程中存在两方面问题:① 中心服务器广播参数的过程中数据信息仍未受到保护,有泄露用户隐私的风险;② 对参数过度添加噪声会导致参数聚合质量降低,影响最终联邦学习的模型精度。为解决以上问题,提出了一种可实现双向自适应差分隐私的联邦学习方案(FedBADP),对客户端和中心服务器之间传输的梯度进行自适应加噪,在保护数据安全的同时不影响模型准确率。考虑到参与者硬件设备的性能限制,文中对其梯度进行采样以减少通信开销,并在客户端和中心服务器使用均方根传递加速模型的收敛提高模型精度。实验结果证明,文中提出的模型框架在保持较好准确率的同时,也增强了用户的隐私保护能力。
干扰对抗的本质为资源维度的竞争,干扰资源受限的单节点已难以满足实际需求,多节点协同干扰可引入更高维度的干扰资源,已成为未来重要的作战形式。然而,传统协同干扰场景中,各节点采用预设发射模式,会导致干扰资源重复冗余配置,在编队突防背景下存在干扰效果较差的问题。针对此问题,提出了一种性能驱动的多干扰机协同资源分配方法,其核心是通过实时分配多干扰机的发射资源,在相同的资源消耗情况下降低敌方雷达对我方突防目标的跟踪精度。首先,推导了干扰场景下突防目标跟踪的贝叶斯克拉美罗下界,评估了多干扰机协同干扰的性能;而后,结合我方干扰机的资源约束,建立了包含驻留时间变量的多干扰机协同资源优化模型,证明了该模型为凸优化问题,并采用增广拉格朗日乘子法进行了快速求解。仿真结果表明,相比于其他基准方法,所提干扰资源分配方法能够有效压制敌方组网雷达,降低其对我方突防目标的跟踪精度,并且在波束个数受限的约束条件下,所提方法仍然具有较好的干扰效果与快速求解能力。
无线通信因其广播信道的天然特性,面临被窃听的风险。针对无人机组网通信系统的物理层安全问题,考虑无人机平台因体积和功耗等因素信号处理能力受限,提出了一种适应无人机平台的新型人工噪声生成与抑制方法。发射端以期望信号作为参考,利用过去信号分段中符号的相位信息构建当前信号分段的乘性人工噪声;将过去的信号分段以不同权重叠加,构成当前信号分段的加性人工噪声。授权接收端通过相位补偿和差分操作分别抑制乘性和加性人工噪声。两种人工噪声既可以联合设计也可以独立设计,根据不同的信道环境选择合适的人工噪声波形。理论分析和仿真表明所提方法生成和抑制人工噪声的算法复杂度低,能有效恶化窃听信道的信噪比,提升系统安全容量,实现物理层安全通信。所提方法同样能应用于其他节点处理能力受限的大规模组网系统,为其提供物理层安全传输手段。
针对矩量法中非规则截面波端口的电磁建模问题,提出了一种基于高阶基函数矩量法的一般波端口建模方法。基于等效原理和模式匹配法建立了波端口表面积分方程,并利用二维有限元法对非规则波端口的模式进行高精度数值分析,将矩量法的规则波端口模型拓展为可用于规则及非规则波端口建模的一般波端口模型。在此基础上,使用定义于双线性曲面四边形单元的高阶基函数取代传统低阶基函数,减少了矩量法矩阵的未知量,显著降低了算法的内存需求和计算时间。通过数值算例对方法进行测试,与有限元法的数值结果进行对比,验证了方法的正确性;与低阶矩量法的数值结果对比,验证了方法的高效性。结果表明,该方法进行一般波端口模型建模仿真具有高效率和高数值精度的特点。
强杂波环境下慢速运动目标的杂波抑制一直是雷达领域的研究难点,通过子空间分解法来抑制杂波是一种常用的方法,但传统子空间分解法依赖于过往经验选取杂波基、自适应性差。基于K-均值聚类的SVD杂波抑制算法弥补了上述缺陷,然而当慢速运动目标与杂波在多普勒谱上接近或混叠时,这种算法的特征集区分度大幅下降,聚类结果变得不稳定。为此提出了一种基于自组织神经网络的特征值分解杂波抑制算法。首先,深入分析慢速运动目标和杂波、噪声的差异,利用回波信号矩阵特征值分解后得到的特征值和特征向量,提取针对慢速运动目标和杂波区分度高的特征来构建特征集。其次,采用受初始值影响小、聚类结果稳定的自组织神经网络进行聚类,自适应选取构造杂波子空间的杂波基,最后通过正交子空间投影来抑制杂波。仿真和实测数据结果表明该算法能有效抑制强静止杂波和慢速杂波,实现对慢速运动目标的检测,算法具有较强的稳健性和工程实用性。
为了提高无人机中继广播通信系统的性能,针对频率选择性衰落信道,考虑基站到无人机以及无人机到用户的全通信链路,提出了基于正交频分复用(OFDM)技术的无人机中继广播通信系统航迹优化方法。首先提出了基于OFDM的无人机中继广播通信传输模型,对单用户节点中断概率和系统平均中断概率进行理论分析并给出近似计算公式;然后以平均中断概率最小化和最大用户中断概率最小化为优化准则,提出无人机的航迹优化方法并分析了各因素对系统中断性能的影响;最后通过计算机仿真,证明了所提航迹优化方法正确有效。研究表明:在多径信道下,基于OFDM的无人机中继广播通信系统能有效克服频率选择性衰落,且译码转发方式下的连通性优于放大转发方式;基于平均中断概率最小化准则得到的系统中断性能优于最大用户中断概率最小化准则。
随着深度学习的快速发展,图文跨模态检索性能有了显著提升。然而现有方法仅利用全局信息对图像文本整体匹配或仅利用局部信息匹配,对图文信息的利用存在局限性,检索性能有待进一步提升。为了充分挖掘图像与文本语义的潜在联系,提出了一种基于联合特征的跨模态检索模型,其特征提取部分由两级网络分别处理图像与文本的局部特征和全局特征。并且在全局特征优化的过程中,设计了基于注意力机制的双线性层结构来过滤冗余信息,减小与局部特征的精细度差距。同时为实现两类特征联合优化,在损失函数部分使用三元组排名损失获取不同模态间的联系,并引入语义标签分类损失保持全局语义一致性。所提出的模型具有广泛的通用性,可以有效提升仅基于局部信息模型的性能。在公开数据集Flickr30k和MS COCO上一系列的实验结果表明,提出的模型有效地提升了跨模态图文检索任务的性能,在Flickr30k数据集检索任务中提出的模型在文本检索的R@1指标上提高了约5.1%,在图像检索的R@1指标上提高了约2.8%。
针对训练深度学习模型时,存在缺少大量带标签训练数据和数据隐私泄露等问题,提出了一个面向动态博弈的k-匿名隐私保护数据共享(KPDSDG)方案。首先,引入动态博弈策略设计了最优数据k-匿名方案,在保护数据隐私的同时实现了数据的安全共享。其次,提出了一个数据匿名化评估框架,以匿名数据的可用性、隐私性和信息丢失评估数据匿名化方案,可以进一步提高数据的隐私性和可用性,以降低重新识别的风险。最后,采用条件生成对抗网络生成数据,解决了模型训练缺少大量带标签样本的问题。安全性分析显示,整个共享过程能够保证数据拥有者隐私信息不被泄露。同时实验表明,该方案隐私化后生成的数据训练的模型准确率高于其他方案,最优情况高出8.83%。且与基于原始数据所训练的模型准确率基本一致,最优情况仅相差0.34%。同时该方案具有更低的计算开销。因此该方案同时满足了数据匿名、数据增广和数据安全共享。
在压缩感知重建算法中,多路径匹配追踪算法能够通过搜索多个路径提升获得全局最优解的可能性,但产生的大量冗余路径会造成严重的性能损耗。针对此问题,提出了一种基于自适应加速的多路径匹配追踪重建算法。首先,该算法在路径分解时,通过设置阈值门限控制生成的子枝点数量,优化了原算法平均分配路径数的策略,使相干性强的父枝点可以遍历更多的子枝点,限制相干性小的原子被分配到新的路径中;其次,利用首个路径产生的重建残差,设计了新的修剪准则对候选路径进行二次筛选,进一步减少冗余路径的生成,降低了计算支出;最后,在理论上推导了所提算法在理想状态下准确重建信号的有限等距性条件,给出了所提算法在有噪条件下准确重建信号的信噪比界限。仿真结果表明,在一维和二维信号的重建实验中,所提算法在保证较高的重建精度的前提下,与多路径匹配追踪算法相比,有效提升了重建效率。
针对现有的高光谱图像去噪算法采用逐波段或者全波段方式去噪,未能充分利用高光谱图像波段相似性的问题,提出了超像素分割和波段分割的高光谱图像去噪算法。文中将构建双层图模型,包括上层图和下层图模型。首先,对高光谱图像应用超像素分割技术,得到一系列的超像素。对超像素内的像素建模为节点,像素之间用边连接,构建一系列下层图,从而充分利用高光谱图像的空间信息和保留边界信息。根据超像素分割结果,沿着波段维分割,形成超像素体,以充分利用高光谱图像的波段相似性。将超像素体建模为节点,超像素体之间用边连接,构建上层图。基于构建的图结构和图分割方式,将高光谱图像去噪问题归结为一系列的优化问题,在优化问题中利用克罗内克乘积图重新定义了图拉普拉斯正则项。最后,实验结果表明,与现有算法相比,文中所提算法具有更高的平均峰值信噪比、平均结构相似性和光谱差异性。
视网膜图像质量评估(RIQA)是筛查糖尿病视网膜病变的关键组成部分之一。针对视网膜图像质量差异大且质量评估模型泛化能力不足等问题,提出一种融合注意力谱非局部块的多特征算法来对RIQA进行预测分级。首先采用融合光谱非局部块的ResNet50网络对输入图像进行特征提取;其次引入高效通道注意力用于提升模型对数据的表达能力,有效捕获通道间特征信息关系;再次利用特征迭代注意力融合模块对各局部特征信息融合;最后联合焦点损失和正则损失进一步提高质量分级的效果。在Eye-Quality数据集上准确率为88.59%,精确度为87.56%,敏感度和F1值分别为86.10%和86.74%。在RIQA-RFMiD数据集上准确率和F1值分别为84.22%和67.17%,仿真实验表明,文中算法对视网膜图像质量评估任务中具有较好的泛化能力。
由于用户地理位置分布不均可能导致边缘服务器负载不均衡,难以为用户提供满意的服务质量。此外,边缘服务器可用资源有限,一些大任务可能难以全部卸载到边缘服务器。针对以上问题,利用多个边缘服务器之间的协作,结合任务部分卸载方式,提出一种边缘协作环境下最小化完工时间的任务调度方法。首先,结合边缘水平协作和任务部分卸载技术,考虑多用户多边缘服务器场景下用户和边缘服务器的位置关系,以最小化任务完工时间为目标,建立任务部分卸载调度模型;其次,提出基于改进分组教学优化算法的任务调度算法,联合优化边缘服务器计算资源分配、用户-边缘服务器关联决策、任务卸载比例以及执行位置决策,以最小化任务完工时间为目标,实现边缘计算环境下任务的高效调度;最后,通过实验将提出的任务调度算法与其他算法在多个指标下进行对比。实验结果表明,所提方法能够有效降低任务完工时间。
视频流量预测是实现传输带宽精准分配和提高互联网业务服务质量的关键技术。然而视频流量固有的高速率变异性、长期依赖性和短期依赖性使得其难以快速、精准、长期预测,具体表现为:① 现有预测序列依赖关系的模型复杂度高;② 预测模型失效快。针对视频流精准预测问题,提出了画面组帧结构特征嵌入的自注意力序列模型。自注意力序列模型对离散数据非线性关系的建模能力强,基于视频帧的特点和相关分析的发现,首次将时间序列自注意力模型应用于视频流量长期预测。现有时间序列自注意力模型无法对视频帧的类别特征有效表示,通过引入基于画面组帧结构嵌入层,将画面组帧结构信息有效嵌入时间序列,提升模型的准确度。结果表明,所提基于画面组帧结构特征嵌入的自注意力序列模型相比于现有的长短期记忆网络模型、卷积神经网络模型等,推理速度快,预测精度在平均绝对误差指标上至少降低约32%。
在6G网络中,由于业务种类繁杂且需求各不相同,5G网络中划分的三大业务场景已无法满足其粒度上的要求,这给6G按需服务目标的实现带来了巨大挑战。针对海量杂乱的6G场景和6G场景分类中业务数据量庞大以及数据缺失问题,提出了一套基于业务关键性能指标的多维度场景聚类分析方案。该方案基于不完全多视图聚类技术,在上千种参数组合下使用肘部法和轮廓系数法进行调参聚类。聚类结果表明,提出的方案能在不完整的场景数据集中保证收敛,并达到较高的轮廓系数值。此外,通过对比不同比例的缺失数据聚类实验,所提出的6G场景聚类方案能够有效完成对于不同程度缺失数据的多维度聚类。最后,结合原始数据和聚类标签,分析并提炼聚类得到了11类场景的场景知识及各场景的关键性能指标特征,从而为未来6G网络中的新兴场景及业务提供方法基础和理论参考。
随着多媒体的快速发展,大规模的图像数据对网络带宽和存储空间造成了巨大压力。目前,基于深度学习的图像压缩方法仍然存在重建图像有压缩伪影和训练速度慢等问题。针对上述问题,提出了分布式策略下的解码端增强图像压缩网络,用于减少重建图像压缩伪影和提高训练速度。一方面,原有的信息聚合子网不能有效利用超先验解码器的输出信息,不可避免地会在重建图像中产生压缩伪影。因此,使用解码端增强模块预测重建图像中的高频分量,减少压缩伪影。随后,为了进一步提高网络的非线性能力,引入了特征增强模块,进一步提高重建图像质量。另一方面,采用分布式训练解决单个节点训练速度较慢的问题,通过使用分布式训练有效缩短了训练时间。然而,分布式训练过程中梯度同步会产生大量通信开销,将梯度稀疏算法加入了分布式训练,每个节点按照概率将重要的梯度传递到主节点进行更新,进一步提高了训练速度。实验结果表明,分布式训练可以在保证重建图像质量的基础上加速训练。
随着复杂跟踪场景的大量涌现,常规多源传感器多目标跟踪算法存在计算量大、跟踪精度低、无法估计目标航迹等不足,已无法满足现代战争的需求。笔者以主动传感器和被动传感器组成的多源传感器系统为背景,重点研究多源传感器多目标跟踪问题的实现算法。针对“多主动+多被动”多源传感器系统量测无法充分融合且整体算法计算复杂度较高的问题,提出一种多源传感器箱粒子标签多伯努利(MS-BPF-LMB)滤波算法。首先,对传感器依据不同主动传感器进行分组,即将所有传感器划分为若干“单主动+多被动”传感器组;然后,通过并行运算,对各传感器组运用基于角度关联的多传感器信息融合算法,得到跟踪所需的有效量测;最后,在跟踪滤波阶段,通过引入箱粒子滤波数值计算方法,将获取的量测点划分为若干箱粒子,并对箱粒子滤波下的多传感器量测更新系数进行重新定义,以较低的计算复杂度实现LMB(Labeled multi-Bernoulli,LMB)滤波。仿真结果表明,所提算法在保证跟踪精度的前提下,误差明显降低且算法复杂度下降约40%,能够有效处理异构数据多源信息融合问题。
针对现有多维时间序列异常检测模型对局部和全局时空依赖性捕获能力不足的问题,提出一种基于时空图卷积网络的多维时间序列异常检测模型。首先,在时间维度上利用扩张因果卷积和多头自注意力机制,分别捕获短期和长期时间依赖性,并且引入通道注意力来学习不同通道的重要性权重;其次,在空间维度上利用静态图学习层根据节点嵌入构建静态图邻接矩阵,旨在捕获多维时间序列数据的全局空间依赖性,同时利用动态图学习层构建一系列演化的图邻接矩阵,旨在建模局部动态的空间依赖性;最后,联合优化重构模型和预测模型,通过重构误差和预测误差计算异常分数,然后比较阈值和异常分数的关系,进而检测异常。在MSL、SMAP和SWaT三个公开数据集上的实验结果表明,该模型在异常检测性能指标F1分数方面优于OmniAnomaly、MTAD-GAT和GDN等相关的基线模型。
随着各类位置服务相关应用的快速发展,出现了需要对特定兴趣区域的访问用户进行查询和统计的服务需求。现有的查询方案可实现对访问用户的隐私保护,但采用的同态加密协议会引入较高的计算开销,无法实现对移动终端的实时统计,且存在不同兴趣区域的误判问题。基于布隆过滤器和安全向量内积协议,提出一种新的轻量级位置隐私查询方案。该方案设计了一种复合空间布隆过滤器,实现多种类位置数据的高效编码,与一种安全的向量内积计算协议结合,在保护用户位置隐私的前提下允许服务提供商完成对特定兴趣区域用户的访问统计。从理论上证明了方案的正确性和安全性,分析了其计算和通信开销。实验结果表明,该方案与典型代表方案相比,避免了用户在不同兴趣区域的误判问题,提高了查询准确度;在所设定实验条件下,离线和在线计算开销可降低2个数量级,同时可减少约50%通信开销。
随着计算机、通信技术的不断发展,网络经常面临各种各样的攻击。无线传感器网络(Wireless Sensor Network,WSN)的分布式和无线传输等特性使其易于遭受网络攻击,为WSN安全防护方案设计带来了严峻考验。入侵检测是一种积极主动的安全防护技术,是网络攻击检测的重要手段,是保障WSN网络环境安全的关键技术。近年来,机器学习方法在许多领域都取得了巨大的发展,在WSN入侵检测领域取得了一定的应用研究成果。为了便于对WSN入侵检测技术进行深入研究,从WSN的特点和WSN入侵检测研究的独特性出发,对近些年该领域的相关研究进行分类综述。首先,简要介绍了WSN所面临的挑战和发展现状。然后,根据WSN的特点分析了入侵检测在WSN中设计时面临的挑战。随后对WSN入侵检测相关研究进行文献综述与分类,重点对基于机器学习的应用研究方法进行分类论述与探讨。最后,讨论该研究方向未来发展前景与方向,为推动WSN入侵检测领域深入研究与实际应用提供参考。
可逆网络因其具有天然可逆的结构,非常适用于信息隐藏领域。图像能以生动直观、有层次的方式传递信息,而音频是一种广泛传播和使用的媒体文件,具有较大的嵌入容量,因此在音频中隐藏图像具有较高的研究和应用价值。在音频藏图任务中,如何表征音频和图像数据以及如何在减少音频失真的同时提高重建图像的质量是两个重要的问题。针对这两个问题,提出了一种基于可逆网络的音频藏图算法。对于数据特征表示,受到JPEG图像压缩中数据处理方法的启发,提出了图像特征提取与表示模块,该模块对彩色图像依次进行分块离散余弦变换、锯齿扫描和高低频分离操作,提取出图像的频域特征并得到其一维表示。此外,为了减少音频失真并提高重建图像的质量,利用小波变换分离音频的高低频分量并引入可逆网络将秘密图像嵌入到载体音频的高频区域中。实验结果表明,所提出的算法在实现高嵌入率的同时,能生成质量更高的隐写音频以及重建出更加还原的彩色图像,且算法具有较高的安全性。
目标跟踪一直是计算机视觉领域中重要且富有挑战的问题。为克服目标形变、遮挡或快速移动等因素对跟踪性能的影响,笔者提出一种结合模板更新与轨迹预测的孪生网络跟踪算法。首先,在基于孪生网络跟踪模型中引入模板图像的自适应更新迭代机制,实现对目标表观变化的动态表征,以此提升目标形状或颜色发生变化时的跟踪性能。具体来说,通过对每一帧跟踪结果的分析,判断是否满足更新条件,设计了自适应模板更新的策略,有效地降低了目标模板被污染的可能性。其次,在目标跟踪过程中引入卡尔曼滤波,通过收集跟踪过程中目标位置信息并进行轨迹预测,将前一帧中跟踪算法预测的目标位置信息与轨迹预测的位置信息相融合,得到当前帧搜索区域的裁剪位置,进而实现了离线跟踪与在线学习的结合,进一步解决了目标被遮挡或者快速移动的问题。最后,在VOT2018和LaSOT数据集上验证了该算法在多种复杂场景下的性能表现。实验结果表明,所提算法的跟踪性能超过了大部分其他跟踪算法。
5G-R作为我国下一代高速铁路移动通信系统,其安全性对于保障高速铁路行车安全至关重要。针对高速铁路5G-R网络切换认证过程易受去同步攻击、不具备前向安全性及计算开销大等问题,提出了一种基于切比雪夫混沌映射与中国剩余定理增强的高速铁路切换认证方案。首先,基于切比雪夫混沌映射半群性,设计通信双方密钥协商机制,实现了切换认证过程中源基站与目标基站之间的双向身份鉴权,能够有效抵抗伪基站和去同步攻击。然后,利用中国剩余定理的秘密共享原理,派生出列车和目标基站的会话密钥,确保了链路计数值NCC在切换时的安全传输,从而克服了切换认证不具备前向安全性的不足。最后,利用BAN逻辑形式化理论和Scyther安全分析工具,分别验证了所提方法的安全性,并与同类协议进行安全性和效率分析。结果表明:所提方案安全性更高,在通信和计算开销等方面较比较方法性能更优,能有效满足5G-R切换认证安全的需求。
针对压缩阵元间距的互质阵列差分共阵存在孔洞、均匀自由度低导致欠定波达方向估计性能受限的问题,提出了一种改进的稀疏阵列设计。首先,通过分析阵列结构对差分共阵冗余性与孔洞位置的影响,得出调整压缩阵元间距的互质阵列的子阵列位置,能够有效地减少差分共阵的冗余,增加连续延迟,提高均匀自由度;其次,调整子阵列阵元位置,给出设计稀疏阵列物理阵元位置的闭式表达式;然后,根据阵元位置推导得到提出的稀疏阵列自由度、均匀自由度以及差分共阵孔洞位置的闭式表达式。理论分析表明,相同阵元数目时,相较于压缩阵元间距的互质阵列及其改进稀疏阵列,该稀疏阵列具有更高的自由度、均匀自由度。最后,利用基于空间平滑的多重信号分类算法,在多种场景下展开波达方向估计仿真实验。结果表明,提出的稀疏阵列在多种实验条件下均具有更优的波达方向估计性能,验证了该设计的有效性。
传统的图像分割方法对图像进行非重叠分块,图像哈希算法只能对图像块内部像素进行特征提取,而简单线性迭代聚类超像素分割算法能在聚合相似像素的同时额外提取形状特征,故在此基础上提出一种结合自适应网格描述符和图像能量的图像哈希算法。首先,使用双线性插值和高斯低通滤波对输入图像进行预处理,并通过简单线性迭代聚类对预处理图像进行超像素分割,对分割得到的超像素区域应用自适应网格描述符提取形状特征;同时利用超像素内部的像素具有相似亮度的特性,以亮度为计算对象求出各超像素的能量值作为图像的能量特征。最后,连接形状特征序列和能量特征序列,再利用密钥加密得到最终哈希序列。实验表明算法在鲁棒性和区别性之间达到了较好的平衡。算法的哈希运算时间为0.128 s,哈希长度为467 bits,具有较快的运算速度且哈希序列较为紧凑。分类性能方面,假阳性率为0时,真阳性率达到0.999 9。拷贝检测方面,查全率和查准率均在95%以上。此外,与一些同类型算法相比,提出的算法在分类性能和拷贝检测方面也更具优势。
针对现有视频修复方法无法有效利用远处空间内容信息而导致修复结果中存在结构和纹理不合理的问题,提出了一种基于多注意力机制的纹理感知视频修复方法。该方法设计了由多头时空注意力和单图局部注意力构成的多注意力机制以保证全局结构并增强局部纹理,其中多头时空注意力关注整体时空信息,单图局部注意力通过局部窗口的自注意力机制精炼提取局部信息。另外,采用可即插即用的快速傅里叶卷积层残差块代替前馈网络中的普通卷积,将感受野扩展为整个图像,进一步增强了模型对图像纹理和结构的全局信息的获取能力。快速傅里叶卷积层残差块和单图局部注意力相辅相成,共同提升局部纹理的修复质量。在YouTube-VOS和DAVIS数据集上的实验结果表明,虽然提出的方法修复结果的客观质量评价仅次于最优方法Fuseformer,但其参数量和运行时间分别下降了54.8%和21.5%,而且能够生成视觉上更逼真、语义上更合理的修复内容。
文本检测在图像理解中发挥着重要的作用。基于深度学习的文本检测是当前的主流算法,包括单阶段方法和双阶段方法两类,而且后者的检测精度往往高于前者。双阶段的检测方法通常包含感兴趣区域特征池化操作,为进一步的检测和识别任务提供特定维度的局部区域特征。然而对于弯曲文本等复杂文本区域来说,现有的基于矩形感兴趣区域的池化方法不再适用,而基于点特征替代区域特征的方法又损失了空间信息。针对该问题,提出了一种基于多边形特征池化和Transformer的复杂文本区域检测方法。首先,将复杂文本区域检测中感兴趣区域进行多边形特征池化,将池化操作的区域形状从矩形拓展到多边形并且不需要借助其他形状进行拟合,即可将多边形区域对应的特征池化为固定维度的特征序列,避免了拟合过程中出现误差。进而,将池化后的特征视为具有空间关系的序列,然后利用Transformer融合视觉特征之间的上下文关系,降低训练难度,提升检测精确度。在包含弯曲文本等复杂文本情况的ICDAR2015、MLT、Total Text和CTW1500数据集上的测试实验结果表明,提出的双阶段检测算法能更好地提取感兴趣区域特征,并取得了比现有方法更好的检测结果。
随着移动通讯领域的蓬勃发展,现代战争中对于远距离目标的探测更加注重隐蔽性和安全性。在这一背景下,采用被动接收信号的方式进行非合作多目标定位的研究受到广泛关注,然而以被动的方式对多个非合作目标进行定位时,信号数据之间的匹配关系极大程度上影响了各目标位置估计结果的精确度。针对数据关联关系的复杂性和多样性的问题,提出了一种非合作多目标的分布式定位算法。算法通过获取信号计算角度和强度量测,并构建量测数据对,筛选候选参考点以降低量测数据关联复杂度,以量测数据对的匹配概率分析构建代价函数,通过选取最小代价点所量测信息作为该目标的最匹配量测,并通过聚类分析构建最终代理点集合解算各待测目标位置。仿真结果表明,在相同场景中所提算法能将目标匹配成功率提高约26.3%,运算速度提高约16.8%,且在6 km×4 km的区域中将平均定位误差控制在约17.41 m,能够快速、准确地进行多目标位置估计。
自动调制识别技术能够准确识别信号的调制类型,是信号处理领域中的一项关键技术。传统的识别方法在低信噪比下存在着识别准确率低的问题,并且当信号频率不稳定,或存在异步采样时,常规的识别方法性能将会出现恶化甚至失效。基于此,在信噪比和延迟变化的信道条件下,针对低速异步采样信号,研究基于深度学习的调制方式识别技术。首先对低速异步采样信号进行建模,利用其同相正交分量生成二维异步同相正交直方图,然后通过径向基函数神经网络提取该二维图像的特征参数,完成对输入信号的调制方式识别,最后经过大量的计算机仿真验证了该方法对7种调制方式的识别准确率。实验结果表明,在受到加性高斯白噪声的信道模型下,在低速异步采样的输入信号信噪比为6 dB时,可达到约95%以上的平均识别准确率,并通过对比实验验证了所提方案的有效性和鲁棒性。
全同态加密技术具备的密文计算特性可以有效保护用户在互联网上的敏感数据,但该技术存在的密文膨胀问题是制约其在云计算、隐私保护等领域进行实际应用的一个难点。针对上述问题,提出了混合全同态加密方案FHE-LowMC,将LowMC对称加密算法与BGV全同态加密算法结合,分析了LowMC在BGV全同态加密环境下的同态噪声。首先给出了将LowMC明文编码成整系数多项式的方法,利用编码和解码完成不同空间明文消息的转换;然后描述了分圆多项式f(X)的选取规则,给出了适合LowMC加密算法的f(X)的条件;接着分析了简化LowMC的同态噪声;最后对一般情况下的LowMC进行同态噪声评估。结果表明,LowMC轮函数所消耗的电路层数大约为两层。相较于目前常用的AES和BGV结合的方案,LowMC与BGV结合的方案噪声更小,即消耗的电路的层数更少,成本更低,更适合构造基于全同态的云服务器;此外用户可以自主选择LowMC的参数集( n ˜,k,m,d),可以满足用户的不同需求,适用范围更广。
卫星网络是构建广覆盖、巨连接、全方位、高可靠的天地一体化信息网络的关键。针对卫星网络结构复杂、业务需求多元化等问题,提出了基于拓扑感知的软件定义卫星网络多业务路由算法。为了实现灵活自适应管控,构建了星地协同的软件定义卫星网络架构。在该架构的双层集中控制平面中,高轨卫星集中感知数据平面卫星网络拓扑信息,负责提取节点及链路属性以刻画星间链路可靠性。在所提出的星地协同的软件定义卫星网络架构下,通过构建拓扑感知模型、刻画动态链路属性以及构建多业务按需路由模型,设计了基于拓扑感知的多业务按需路由算法。针对时延、带宽、可靠性敏感3类业务,选取K最短路径作为解空间,结合拓扑路径可靠性感知与业务需求偏好,合理分配链路资源以满足用户多样的业务需求,实现算法的动态拓扑及多元服务自适应。仿真结果表明,所提路由算法有效降低了平均端到端时延及丢包率,且在业务满意度方面有明显提升。
