基于深度学习的HARQ辅助空天地融合网络时延受限容量预测

空天地融合网络(Satellite-Aerial-Terrestrial Integrated Network,SATIN)可以满足未来网络对全时全域全空通信和网络互联互通的需求。为了降低用户端传输时延并满足高频谱利用效率的要求,研究了基于深度学习的混合自动重复请求(Hybrid Automatic Repeat reQuest,HARQ)辅助的SATIN的时延受限容量(Delay-Limited Throughput,DLT)。为了提升性能预测效率和实时性,提出了基于卷积神经网络(Convolutional Neural Network,CNN)的性能预测方法,采用了一种去除池化层的改进CNN模型。预测结果表明,所提出的CNN预测结果较优,较Elman、BP等传统机器学习方法有更好的预测性能,其误差在10~(-3)浮动,且预测时间较其他方法大幅度减少。

5G-A空天地融合核心网方案及关键技术

5G Advanced将融合地面基站、中高空飞行器、卫星等各类网络节点,实现全球无缝地理覆盖。在运营商网络中,NTN作为新的接入类型和回传类型,需要考虑融合协同问题。提出了空天地融合核心网方案,分析了业务SLA保障和QoS控制增强、基于AI的用户面策略、智能算网协同调度、卫星非连续覆盖等待定时器及自适应智能化运维和管理等关键技术,为空天地融合核心网实现网络动态协同提供了有效、可行的实现方法。

天地空融合通信在消防应急通信保障中的实施与应用探究

天地空融合通信在消防应急通信中发挥着关键作用,具有应用范围广和不受多维空间限制的优势。实际应用中,能够发现该系统具有较强的通信能力,可以利用其创建新的救援思路,强化通信保障功能。从天地通融合通信的设计思路和实施保障展开分析,结合消防支队的防震综合演练活动,系统阐述其中应用的技术,为现场救援提供保障。

天地空融合通信在消防应急通信中的运用

通信中断,通信不畅,是消防应急救援实践中经常遇到的问题和挑战。考虑到消防应急救援现场通信的实际情况,有必要基于当前的通信技术,探索构建天地空融合的通信系统,真正提高消防应急通信保障力。文章结合现实,在概括介绍天地空融合通信的基础上,就融合通信系统构建的思路,以及具体的策略方法进行探讨分析,为构架天地空融合通信系统建设提供相应的参考与借鉴。

天地空融合通信在消防应急通信中的应用研究

随着我国城市化和工业化的不断推进,在提升人们物质生活水平的同时也使得消防救援面临极为严峻的形势,救援的难度不断增加。同时我国幅员辽阔,地形地势多样,发生自然灾害的概率较大,一旦出现灾害,须立即投入救援才能最大限度地降低损失,保证人民生命财产安全不受损失。而在开展应急救援的过程中,通信顺畅可保障救援有序开展,提升救援效率。随着我国科学技术水平的不断提高,我国已经搭建出天地空融合通信系统,极大地提升了消防应急通信能力。本文分析天地空融合通信的含义,并提出天地空融合通信系统搭建策略,以期为今后开展相关研究提供参考。

基于深度学习的空天地缓存中继网络性能评估方法

空天地融合网络(Satellite-Aerial-Terrestrial Integrated Network,SATIN)充分发挥一体化网络架构下全局信息处理、灵活部署、广泛覆盖范围等优势,能够实现多维复杂网络信息的一体化处理和资源利用率最大化。为了降低用户端传输时延并满足高频谱利用效率的要求,将无线缓存融入SATIN中,具体研究了2种典型中继缓存方案,即最多访问业务缓存(Most Popular Content Caching,MPCC)方案和均匀缓存(Uniform Caching,UC)方案,并在此基础上推导了不同的中继缓存方案下网络中断概率(Outage Probability,OP)的闭合表达式。此外,为了提升性能评估效率和实时性,提出了基于卷积神经网络(Convolutional Neural Network,CNN)的性能预测方法。同时,为了避免输入数据重要特征信息的丢失,所提预测方法采用了一种去除池化层的改进CNN模型。仿真并对比了在不同参数条件下3种缓存中继方案的OP性能表现。预测结果表明,所提出的改进后的CNN预测方法能准确预测系统性能,并且较已有方案有更好的实时性。

基于深度强化学习的计算卸载与资源分配策略

为了扩大车载边缘网络的覆盖范围及其计算能力,提出了一种适用于空天地融合车载网的计算卸载架构。考虑计算任务的时延和能耗约束,以及空天地融合车载网的频谱、计算和存储约束,将计算卸载决策和资源分配的联合优化问题建模为一个混合整数非线性规划问题。基于强化学习方法,将原问题转换成一个马尔可夫过程,提出了一种深度强化学习算法以求解该问题,所提算法具有较好的收敛性。仿真结果表明,所提算法在任务时延和成功率方面优于其他算法。