Performance improvement of licklider transmission protocol in complex deep space networks based on parameter optimization

A reasonable parameter configuration helps improve the data transmission performance of the Licklider Transmission Protocol(LTP).Previous research has focused mainly on parameter optimization for LTP in simplified scenarios with one to two hops or multihop scenarios with a custody mechanism of the Bundle Protocol(BP).However,the research results are not applicable to communications in Complex Deep Space Networks(CDSNs)without the custody mechanism of BP that are more suitable for deep space communications with LTP.In this paper,we propose a model of file delivery time for LTP in CDSNs.Based on the model,we propose a Parameter Optimization Design Algorithm for LTP(LTP-PODA)of configuring reasonable parameters for LTP.The results show that the accuracy of the proposed model is at least 6.47%higher than that of the previously established models based on simple scenarios,and the proposed model is more suitable for CDSNs.Moreover,the LTP parameters are optimized by the LTP-PODA algorithm to obtain an optimization plan.Configuring the optimization plan for LTP improves the protocol transmission performance by at least 18.77%compared with configuring the other parameter configuration plans.

Directional Routing Algorithm for Deep Space Optical Network

With the development of science, economy and society, the needs for research and exploration of deep space have entered a rapid and stable development stage. Deep Space Optical Network(DSON) is expected to become an important foundation and inevitable development trend of future deepspace communication. In this paper, we design a deep space node model which is capable of combining the space division multiplexing with frequency division multiplexing. Furthermore, we propose the directional flooding routing algorithm(DFRA) for DSON based on our node model. This scheme selectively forwards the data packets in the routing, so that the energy consumption can be reduced effectively because only a portion of nodes will participate the flooding routing. Simulation results show that, compared with traditional flooding routing algorithm(TFRA), the DFRA can avoid the non-directional and blind transmission. Therefore, the energy consumption in message routing will be reduced and the lifespan of DSON can also be prolonged effectively. Although the complexity of routing implementation is slightly increased compared with TFRA, the energy of nodes can be saved and the transmission rate is obviously improved in DFRA. Thus the overall performance of DSON can be significantly improved.

A SURVEY OF DEEP SPACE COMMUNICATIONS

Deep space communications has played an important role in deep space exploration. Compared with common satellite and terrestrial communications, deep space communications faces more challenging environment. The paper investigated the unique features of deep space communica-tions in detail, discussed the key technologies and its development trends for deep space communica-tions.

广义确定性标识网络

随着智能制造、智能交通等重大国家战略实施,确定性成为信息网络尤其是行业专网的新焦点.现有确定性网络技术始终关注网络传输要素(带宽、时隙等)来保障数据流的确定性传输.然而,仅靠保障传输要素无法支撑新兴行业应用的多样化需求.例如,在算网融合场景,智算任务要求同时保障传输与计算要素的确定性来实现高性能通信;在绿色通信场景,需要考虑节点能量要素的确定性以维持网络稳定运行.针对上述需求,本文基于前期提出的标识网络技术,研究面向传输、计算、存储、能量等多要素的广义确定性网络.首先提出广义确定性标识网络架构,包括差异化服务层、异构融合网络层和智慧化适配层.差异化服务层和异构融合网络层,分别实现差异化确定性应用需求和异构化确定性网络要素的统一标识和描述,并通过标识解析映射实现确定性信息向智慧化适配层的统一封装和传递;智慧化适配层完成差异化确定性应用需求和异构化确定性网络要素的适配.现有确定性资源适配方法,即使仅考虑单一网络内的基本确定性要素,仍面临计算时间长、求解复杂性高、灵活度低等问题,为了支持更加复杂的多确定性要素、多种异构网络的协同适配,设计了基于深度强化学习的端到端的确定性调度(End-to-end Deterministic resource scheduling,E2eDet)算法,该算法可统一化、端到端地为混合数据流协同分配多种确定性网络资源,满足不同应用的差异化确定性需求.实验表明,E2eDet比DeepCQF和Random算法分别提升了28.4%和6.38倍数据流调度数量,同时E2eDet可以较好地权衡计算时间和调度能力.

神经架构搜索综述

近几年,深度学习因具有强大的表征能力,已经在许多领域中取得了突破性的进展,而神经网络的架构对它的性能至关重要。然而,高性能的神经网络架构设计严重依赖研究人员的先验知识和经验,神经网络参数量庞大,难以设计最优的神经网络架构,因此自动神经架构搜索(NAS)获得了极大的关注。NAS是一种使用机器学习的方法,可以在不需要大量人力的情况下,自动搜索最优网络架构的技术,是未来神经网络设计的重要手段之一。NAS本质上是一个搜索优化问题,通过对搜索空间、搜索策略和性能评估策略的设计,自动搜索最优的网络结构。从搜索空间、搜索策略和性能评估策略这3个方面详细且全面地分析、比较和总结目前NAS的研究进展,方便读者快速了解神经架构搜索的发展过程和各项技术的优缺点,并提出NAS未来可能的研究发展方向。

欧美月球GNSS规划现状分析综述

月球是地球最重要的天然卫星,当前国际上正在迎来新一轮月球探索高潮,数十个机构和商业团队正在规划月球探索任务,并设想在未来实现航天员长期驻月,围绕月球的“太空竞赛”刚刚开始。月球GNSS(基于现有的地球GNSS以及新的环月卫星通信导航基础设施的月球卫星通信导航定位技术)是空间基准科研的基础,能够提供航天器着陆定位以及月面(及其覆盖空间)定位、导航与授时等服务,同时可以将月球作为试验场,将导航工具包扩展到更远的目的地(如火星)。对欧美近期发布的月球GNSS规划进行了整理归纳,其中包括美国月球GNSS接收机实验(LuGRE)计划和欧洲月光(MoonLight)计划,以及美国中远期月球通信中继和导航系统(LCRNS)计划,这些计划可以为我国开展月球GNSS规划提供参考。

深空探测自主运行的一种可信性技术体系

未认知与不确定性是深空探测任务的基本特征.本文基于战略导向的体系化基础研究,建立了一种面向科学价值最大化的探测场景和以可靠性为核心技术基础的深空探测自主运行可信性技术体系.分析研究了深空探测场景下的可靠性概念;面向精确感知、最优计算、准确决策、快精准执行的目标要素,提出了深空探测自主运行的可信性体系框架以及“需求-认知-工程”总体技术架构;针对自主运行可信性的关键技术难点,开展了可靠性导向的多物理场、强耦合白盒建模,复杂网络故障传播机制分析,COTS元器件深空探测应用的高可靠保证,以及“模型+数据+知识”一体的融合机制分析等研究.对该技术体系的关键技术验证策略及其最小系统在卫星星座中的应用进行了验证,结果表明,所提出的技术体系具有较高的工程价值.

结合双曲图注意力网络与标签信息的短文本分类方法

针对现有方法在文本分类任务中没有综合考虑文本的层级结构和标签对于文本特征学习的重要性而导致的鲁棒性不足、表达能力不足等问题,提出了一种基于双曲图注意力网络的短文本分类算法L-HGAT。利用文本的复杂层级结构与双曲空间的树相似性特征的契合性,将文本嵌入到具有负常数曲率的双曲空间中,充分利用双曲流行表征的强大表达能力。设计双曲图注意力网络,融合节点特征与边特征,增强对文本中关键局部信息的聚合能力。使用基于双曲空间中的测地线距离的标签文本交互函数进一步引导文本特征学习,以此提升文本分类精度。实验结果表明,与基准模型相比,所提方法在基准数据集上显著优于现有研究方法,能够有效地提升模型性能,更好地完成文本分类任务。

基于应用场景的城市深部地下空间规划模式研究

地下空间开发利用是解决当前我国土地资源紧张、人口稠密、交通堵塞等诸多城市问题的一种重要途径,但当前浅层地下空间开发利用方式难以直接指导我国复杂的深地开发场景,探寻深地空间开发组织模式是我国新时期城市化发展的必然需求。通过梳理国内外深部地下空间应用场景,通过分析深地矿井、深地交通、深地储存、深地实验室等各类场景下相应空间特征以及使用需求等,总结提出了点状、线状、面状和立体网络式4种典型的深部地下空间网络组织模式,并分析4种典型发展模式的适用特征与可能的应用场景,以期为我国深地空间开发建设和场景设计提供参考借鉴。

基于深度强化学习的空天地一体化网络资源分配算法

空天地一体化网络(SAGIN)通过提高地面网络的资源利用率可以有效满足多种业务类型的通信需求,然而忽略了系统的自适应能力和鲁棒性及不同用户的服务质量(QoS)。针对这一问题,该文提出在空天地一体化网络架构下,面向城区和郊区通信的深度强化学习(DRL)资源分配算法。基于第3代合作伙伴计划(3GPP)标准中定义的用户参考信号接收功率(RSRP),考虑地面同频干扰情况,以不同域中基站的时频资源作为约束条件,构建了最大化系统用户的下行吞吐量优化问题。利用深度Q网络(DQN)算法求解该优化问题时,定义了能够综合考虑用户服务质量需求、系统自适应能力及系统鲁棒性的奖励函数。仿真结果表明,综合考虑无人驾驶汽车,沉浸式服务及普通移动终端通信业务需求时,表征系统性能的奖励函数值在2 000次迭代下,相较于贪婪算法提升了39.1%;对于无人驾驶汽车业务,利用DQN算法进行资源分配后,相比于贪婪算法,丢包数平均下降38.07%,时延下降了6.05%。

基于知识融合和深度强化学习的智能紧急切机决策

紧急控制是在严重故障后维持电力系统暂态安全稳定的重要手段。目前常用的“人在环路”离线紧急控制决策制定方式存在效率不高、严重依赖专家经验等问题,该文提出一种基于知识融合和深度强化学习(deep reinforcement learning,DRL)的智能紧急切机决策制定方法。首先,构建基于DRL的紧急切机决策制定框架。然后,在智能体处理多个发电机决策时,由于产生的高维决策空间使得智能体训练困难,提出决策空间压缩和应用分支竞争Q(branching dueling Q,BDQ)网络的两种解决方法。接着,为了进一步提高智能体的探索效率和决策质量,在智能体训练中融合紧急切机控制相关知识经验。最后,在10机39节点系统中的仿真结果表明,所提方法可以在多发电机决策时快速给出有效的紧急切机决策,应用BDQ网络比决策空间压缩的决策性能更好,知识融合策略可引导智能体减少无效决策探索从而提升决策性能。

基于深度强化学习的航天器功率信号复合网络优化算法

为了实现航天器电源系统的灵活高效并网,最大化有限能量的利用,提出一种基于深度强化学习(deep reinforcement learning,DRL)的功率传输与信号传输复合网络拓扑优化模型,并使用知识蒸馏原理的多种可解释组件模型对优化过程进行剖析。首先,分析在轨运行阶段航天器母线电压调节控制域变换规律,并结合节点传播性参数,建立功率传输与信号通信的复合网络拓扑模型。然后,利用A3C(asynchronous advantage actor-critic)算法,对信号传输网络路由分布、拓扑结构等方面潜在的运行可靠性风险进行自适应性优化。最后,结合多种可解释组件对已训练的DRL模型进行知识蒸馏,形成一种可解释的量化分析方法。所提方法可以指导空间电源在随机阴影影响下选择最佳并网方案,并为更高任务要求和复杂环境下空间电源控制器设计提供理论支持。

基于可解释深度卷积网络的空时自适应处理方法

在实际应用中,空时自适应处理(STAP)算法的性能受限于足够多独立同分布(IID)样本的获取。然而,目前可有效减少IID样本需求的算法仍面临一些问题。针对这些问题,该文融合数据驱动和模型驱动思想,构建了具有明确数学含义的多模块深度卷积神经网络(MDCNN),实现了小样本条件下对杂波协方差矩阵快速、准确、稳定估计。所构建MDCNN网络由映射模块、数据模块、先验模块和超参数模块组成。其中,前后端映射模块分别对应数据的预处理和后处理;单组数据模块和先验模块共同完成一次迭代优化,网络主体由多组数据模块和先验模块构成,可实现多次等效迭代优化;超参数模块则用来调整等效迭代中可训练参数。上述子模块均具有明确数学表述和物理含义,因此所构造网络具有良好的可解释性。实测数据处理结果表明,在实际非均匀杂波环境下该文所提方法杂波抑制性能优于现有典型小样本STAP方法,且运算时间较后者大幅降低。

基于模型驱动深度学习的OTFS检测方法

正交时频空(Orthogonal Time Frequency Space, OTFS)调制技术凭借对多普勒频移的优良抗性,保证了高动态场景下的可靠性通信。与大多数OTFS信号检测方案相比,基于深度学习(Deep Learning, DL)的OTFS检测器不需要耗费高额的导频能量,以此获得精确的信道状态信息。基于多维输入的卷积神经网络(Convolutional Neural Networks, CNN)和一维输入的深度神经网络(Deep Neural Networks, DNN),搭建了OTFS信号检测模型,并结合OTFS的输入输出关系,以模型驱动,提出一种部分输入方法。与数据驱动DL相比,该方法沿时延轴截断输入数据,仅向网络输入与待检测信号相关性强的部分接收信号。该方法不仅减小了数据驱动CNN和DNN的训练参数量,降低了训练复杂度,而且检测性能也不弱于传统的线性最小均方误差(Linear Minimum Mean Square Error, LMMSE)算法。

基于深度强化学习的空天地一体化网络信息物理系统垂直切换策略

针对空天地一体化网络信息物理系统模型复杂、很难获得网络拓扑先验知识和模型化假设的特点,研究其基于深度强化学习的垂直切换策略。首先,综合考虑系统稳定性、切换开销和网络使用成本约束,将垂直切换策略问题建模为约束马尔可夫决策过程(CMDP),并给出保证可行解存在的充分条件;其次,提出约束-近端策略优化(CPPO)算法解决该问题,并在基站侧引入分布式强化学习机制加速训练收敛。相较于基准策略,仿真验证了所提垂直切换策略的优越性和有效性。

基于深度神经网络的超声弹性成像鉴别宫颈占位性病变良恶性的智能系统构建及效能分析

目的 基于深度神经网络(DNN)构建超声弹性成像鉴别宫颈占位性病变(SOL)良恶性的智能诊断模型并分析其效能。方法 回顾性分析2018年1月—2022年12月、2023年1月—2024年1月本院收治的266例和115例宫颈SOL患者的临床资料,分别作为训练组、验证组。所有患者入院后未治疗前均行超声弹性成像检查。收集训练组超声弹性成像图像并在预处理后输入计算机数据库,通过预训练获取图像特征,进行图像特征分类并输出,构建基于DNN的智能诊断模型。对验证组,以组织病理学结果为金标准判断基于DNN的智能诊断模型、超声弹性成像对宫颈SOL良恶性的诊断灵敏度、特异度及准确度,采用Kappa检验评估基于DNN的智能诊断模型、超声弹性成像诊断结果与病理结果的一致性。结果 验证组115例患者中,组织病理检查证实恶性60例,良性55例;基于DNN的智能诊断模型诊断验证组的灵敏度、特异度及准确度分别为95.00%、96.36%、95.65%,高于超声弹性成像的86.67%、89.09%、87.83%;Kappa检验结果显示,基于DNN的智能诊断模型诊断验证组的结果与病理学结果一致性高(P<0.001),超声弹性成像诊断验证组的结果与病理学结果存在一致性(P<0.001)。结论 本研究成功构建了基于DNN的智能诊断模型,并且验证了其可提升宫颈SOL良恶性的鉴别诊断效能。

深地空间长距离空气输送系统方案比较及优化研究

以某深地空间长距离送风系统为例,采用Ventsim软件计算了4种风量调节方案的系统风机风压与管道阻力的变化,提出了增加干管风机数量和改变进风竖井位置2种优化方法,分析了送风系统管网阻抗与等积孔面积的变化。结果表明,优化后送风系统的管网阻抗和等积孔面积分别最大降低0.102 kg/m^(7)和0.030 m^(2),科学的送风方案既能满足风量需求,又能降低长距离送风系统的阻力,具有较好的节能与经济效益。

DNN在位级可组合架构上的数据流优化方法

位级可组合架构用于支持有多种数据位宽类型的神经网络计算。其硬件结构有较多变体,面对不同神经网络模型需额外设计程序调度。过程耗时,阻碍软硬件的快速迭代和部署,效果难以评估。相关的数据流建模工作缺乏位级计算描述和自动化方法。提出了基于数据流建模的自适应位级可组合架构上的数据调度优化方法解决上述问题。引入位级数据流建模,以多种循环原语和张量-索引关系矩阵,描述位级可组合硬件结构的特征和应用的数据调度过程。从建模表达中提取数据访问信息,统计数据复用情况,进行快速评估。构建了设计空间探索框架,针对不同应用和硬件设计约束自适应优化数据调度过程。利用索引匹配方法和循环变换方法进行设计采样,添加贪心规则进行剪枝,以提高探索效率。在多个应用程序和多种硬件结构约束下进行实验。结果表明对比先进的手动设计的加速器和数据调度,获得了更好的性能表现。

应用深度自编码网络的局域网空间入侵监测系统设计

为有效追赶恶意代码更新速度,实时监测多种网络攻击,设计应用深度自编码网络的局域网空间入侵监测系统。先采用库函数以及FHW抓包方法抓取局域网各监测点的数据包,提取数据包数据特征;然后结合支持向量回归预测算法构建入侵监测模型,完成入侵数据监测;最后将入侵监测结果保存至数据库中,判定是否需向用户发出预警,由此完成局域网空间入侵监测。经实验验证该系统能够监测到多种攻击手段,且监测完成时间较短,能够快速实现监测,且在24 h内监测到的入侵攻击强度与实际攻击强度未存在较大差距。

DMANet:针对空间非合作目标位姿估计的密集多尺度注意力网络

利用单目相机对空间非合作目标进行准确的姿态估计对于空间碎片清除、自主交会和其他在轨服务至关重要。然而,单目姿态估计方法缺乏深度信息,导致尺度不确定性问题,大大降低了其精度和实时性。本文首先提出了一种多尺度注意块(Multi-scale attention block, MAB),从输入图像中提取复杂的高维语义特征。其次,基于MAB模块,提出了空间非合作目标6自由度位姿估计的密集多尺度注意网络(Dense multi-scale attention network, DMANet),该网络由平面位置估计、深度位置估计和姿态估计3个分支组成,通过引入基于欧拉角的软分类方法,将位姿回归问题表述为经典分类问题。此外,设计了空间非合作目标模型,并利用Coppeliasim构建了姿态估计数据集。最后,与其他最先进的方法相比,在SPEED+、URSO数据集和本文数据集上全面评估了所提出的方法。实验结果表明,该方法具有较好的姿态估计精度。