讨论了现有无人机测控与信息传输系统中采用点到点传输方式存在的不足之处以及目前空间通信的发展趋势,将无人机测控与信息传输系统的特点与CCSDS建议中IP over CCSDS链路层协议实现方式相结合,提出了一种改进型CCSDS封装服务性能增强...讨论了现有无人机测控与信息传输系统中采用点到点传输方式存在的不足之处以及目前空间通信的发展趋势,将无人机测控与信息传输系统的特点与CCSDS建议中IP over CCSDS链路层协议实现方式相结合,提出了一种改进型CCSDS封装服务性能增强网关实现技术,将无人机机上设备与地面测控、通信网无缝连接,实现了端到端的数据交换。测试结果表明,采用该技术能较好地降低IP over CCSDS网关通用处理器资源,降低CCSDS成帧处理时延抖动,大幅提高TCP协议在空间链路上的传输效率。展开更多
航天测控通信网自建成以来,整体运行较为稳定,但在网络安全方面也暴露出了一些问题,为研究和解决目前航天测控通信网中存在的网络安全问题,在分析TCP/IP(Transmission Control Protocol/Intcrnct Protocol,传输控制协议/互联网协议)分...航天测控通信网自建成以来,整体运行较为稳定,但在网络安全方面也暴露出了一些问题,为研究和解决目前航天测控通信网中存在的网络安全问题,在分析TCP/IP(Transmission Control Protocol/Intcrnct Protocol,传输控制协议/互联网协议)分层协议基本原理的基础上,研究了IP网数据链路层、网络层和传输层的协议漏洞及常见攻击方法,详细介绍了当前航天测控通信网的网络安全部署情况,根据网络现状分别对航天测控通信网上数据链路层、网络层和传输层存在的安全问题进行了纵向分析,针对分析出的各类安全问题,进一步给出了有效的防御措施和防护方法。最后,探讨提出了一套航天测控通信网配置维护管理系统的设计方案,通过建立设备配置信息库、检查信息记录库及网络故障库等,实现了对航天测控通信网安全稳定运行的有效管理。展开更多
随着无人机作为空中中继和终端技术的迅速发展,物理层安全问题在近几年间已经成为一个研究热点.本文将无人机发射的通信功率分为两部分(保密信息功率和人工噪声功率),在传输保密信息时能有效防止非法窃听,同时考虑了无人机在空中飞行时...随着无人机作为空中中继和终端技术的迅速发展,物理层安全问题在近几年间已经成为一个研究热点.本文将无人机发射的通信功率分为两部分(保密信息功率和人工噪声功率),在传输保密信息时能有效防止非法窃听,同时考虑了无人机在空中飞行时所需的动力功耗,通过联合优化无人机的飞行轨迹和功率分配比,以实现在固定能量下平均传输信息量最大化的目的.将这一情景建模成马尔可夫模型(MDP),并利用Curiosity-Driven Deep Q-learning Network(C-DQN)算法进行训练优化,结果表明,该算法具有良好的收敛效果.展开更多
文摘讨论了现有无人机测控与信息传输系统中采用点到点传输方式存在的不足之处以及目前空间通信的发展趋势,将无人机测控与信息传输系统的特点与CCSDS建议中IP over CCSDS链路层协议实现方式相结合,提出了一种改进型CCSDS封装服务性能增强网关实现技术,将无人机机上设备与地面测控、通信网无缝连接,实现了端到端的数据交换。测试结果表明,采用该技术能较好地降低IP over CCSDS网关通用处理器资源,降低CCSDS成帧处理时延抖动,大幅提高TCP协议在空间链路上的传输效率。
文摘航天测控通信网自建成以来,整体运行较为稳定,但在网络安全方面也暴露出了一些问题,为研究和解决目前航天测控通信网中存在的网络安全问题,在分析TCP/IP(Transmission Control Protocol/Intcrnct Protocol,传输控制协议/互联网协议)分层协议基本原理的基础上,研究了IP网数据链路层、网络层和传输层的协议漏洞及常见攻击方法,详细介绍了当前航天测控通信网的网络安全部署情况,根据网络现状分别对航天测控通信网上数据链路层、网络层和传输层存在的安全问题进行了纵向分析,针对分析出的各类安全问题,进一步给出了有效的防御措施和防护方法。最后,探讨提出了一套航天测控通信网配置维护管理系统的设计方案,通过建立设备配置信息库、检查信息记录库及网络故障库等,实现了对航天测控通信网安全稳定运行的有效管理。
文摘随着无人机作为空中中继和终端技术的迅速发展,物理层安全问题在近几年间已经成为一个研究热点.本文将无人机发射的通信功率分为两部分(保密信息功率和人工噪声功率),在传输保密信息时能有效防止非法窃听,同时考虑了无人机在空中飞行时所需的动力功耗,通过联合优化无人机的飞行轨迹和功率分配比,以实现在固定能量下平均传输信息量最大化的目的.将这一情景建模成马尔可夫模型(MDP),并利用Curiosity-Driven Deep Q-learning Network(C-DQN)算法进行训练优化,结果表明,该算法具有良好的收敛效果.