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.pdf
《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.pdf》由会员分享,可在线阅读,更多相关《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.pdf(9页珍藏版)》请在咨信网上搜索。
1、DOI:10.20079/j.issn.1001-893x.220210005引用格式:郭凇岐,安康,孙艺夫,等.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J.电讯技术,2023,63(7):963-971.GUO S Q,AN K,SUN Y F,et al.Delay-limited throughput prediction of HARQ-assisted satellite-aerial-terrestrial integrated network:a deep learning approachJ.Telecommunication Engineering,202
2、3,63(7):963-971.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郭郭凇凇岐岐1 1,2 2,安安 康康1 1,2 2,孙孙艺艺夫夫2 2,3 3,施施育育鑫鑫2 2,3 3,朱朱勇勇刚刚1 1,2 2,梁梁 涛涛2 2(1.南京信息工程大学 电子与信息工程学院,南京 210044;2.国防科技大学第六十三研究所,南京 210007;3.国防科技大学 电子科学学院,长沙 410073)摘 要: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
3、。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。关键
4、词:空天地融合网络(SATIN);混合自动重复请求(HARQ);时延受限容量;卷积神经网络(CNN)开放科学(资源服务)标识码(OSID):微信扫描二维码听独家语音释文与作者在线交流享本刊专属服务中图分类号:TN927 文献标志码:A 文章编号:1001-893X(2023)07-0963-09Delay-limited Throughput Prediction of HARQ-assisted Satellite-Aerial-Terrestrial Integrated Network:A Deep Learning ApproachGUO Songqi1,2,AN Kang1,2,SU
5、N Yifu2,3,SHI Yuxin2,3,ZHU Yonggang1,2,LIANG Tao2(1.School of Electronic and Information Engineering,Nanjing University of Information Science&Technology,Nanjing 210044,China;2.The 63rd Research Institute of National University of Defense Technology,Nanjing 210007,China;3.School of Electronic Scienc
6、e,National University of Defense Technology,Changsha 410073,China)Abstract:The Satellite-Aerial-Terrestrial Integrated Network(SATIN)can provide seamless information services for users,and meets the needs of future networks for full-time,all-domain,all-space communication and network interconnection
7、.In order to reduce the transmission delay at the user terminal and satisfy the requirements of high-frequency spectrum utilization efficiency,the authors investigate the Delay-limited Throughput(DLT)of SATIN assisted by Hybrid Automatic Repeat reQuest(HARQ)based on deep learning.In order to improve
8、 the efficiency and real-time of performance prediction,a performance prediction method based on Convolutional Neural Network(CNN)is proposed,which adopts an improved CNN model with removing the pooling layer.The prediction results show that the proposed CNN prediction results are better and have en
9、hanced prediction performance than other machine learning methods such as Elman and BP,and the error fluctuates at 10-3.Also,the prediction time is much less.Key words:satellite-aerial-terrestrial integrated network(SATIN);hybrid automatic repeat request(HARQ);delay-limited throughput;convolutional
10、neural network(CNN)369第 63 卷 第 7 期2023 年 7 月电讯技术Telecommunication EngineeringVol.63,No.7July,2023收稿日期:2022-02-10;修回日期:2022-04-07基金项目:国家自然科学基金资助项目(61901502)通信作者:安康0 引 言随着无线通信向移动化、异构化、全球化和多网系融合的方向发展,以及星载处理性能的大幅提升和空间组网关键技术的突破,基于不同轨道的卫星、空中平台、无人机和地面辅助中继空天地融合网络(Satellite-Aerial-Terrestrial Integrated Netw
11、ork,SATIN)能够为全球广域空间范围内的各种应用提供协同、高效和安全的信息保障,在军事和民用领域都引起了极大的关注1-2。典型的卫星和空间信道损伤,如路径损耗、延迟和多普勒频移给卫星无线网络的实现带来了严峻的挑战。这是由于不可靠通信而导致的错误数据的重传而引起的,并且对所请求业务的延迟有显著的影响。近年来,混合自动重传请求(Hybrid Automatic Repeat reQuest,HARQ)协议受到了广泛的关注,其不仅可以提高无线系统的可靠性,还提高了其频谱效率和能量效率。该协议引入了由于不可靠通信而导致错误数据的重传,并显著降低了所请求业务的延迟。现有的工作已经考虑将 HARQ
12、协议应用于SATIN 的各种服务、架构和解决方案3。近年来,人工智能(Artificial Intelligence,AI)技术在无线通信领域得到广泛应用,其中深度学习(Deep Learning,DL)和 强 化 学 习(Reinforcement Learning,RL)两种方法应用最为广泛。RL 可以通过智能体与环境交互的反馈学习最佳行动策略,并应对未知网络环境下的学习决策,适合于空天地一体化网络复杂、动态且网络数据收集成本较高的特性,是解决最优网络控制、资源分配、服务编排等问题的关键方法4-5。针对空天地网络高动态、大时延、分布式的特点,文献6根据当前用户终端分布和 信 道 分 配 状
13、 态,通 过 包 含 卷 积 神 经 网 络(Convolutional Neural Network,CNN)的 深 度 Q-learning 学习动态卫星信道选择策略。与此同时,深度学习凭借其模型/数据驱动特点以及可移植性的优势已被广泛应用于无线通信系统传输设计、性能评估、频谱管理、网络及系统优化等方面7。目前,深度学习在 SATIN 中应用较少。本文将应用深度学习对空天地网络性能进行预测,利用 DL 的学习和预测能力,优化传统网络性能预测方法,并降低系统的资源开销。本文将 HARQ 协议引入 SATIN 中,SATIN 利用中继策略实现的空间分集和 HARQ 协议提供的时间分集,可以进一
14、步提高网络的可靠性和效率。本文研究了基于 HARQ 协议的 SATIN 性能,通过仿真验证了不同 HARQ 方案和中继策略的性能评估,并分析了不同系统参数对网络性能的影响。考虑到目前的网络性能预测方法存在不智能、效率低、时间慢等问题,采用了 CNN 对不同 HARQ 方案和中继策略下的 DLT 值进行预测。尽管当前已有相关文献利用深度学习对移动物联网等网络的中断概率等网络性能进行了预测9-10。但是,由于空天地网络与地面移动物联网等的差异性,已有性能分析和预测方法并不适用于所研究的空天地网络。因此,本文首先推导了空天地网络的性能闭式解,并将现有深度学习方法拓展至空天地网络的性能预测。1 系统和
15、信道模型本文采用的系统模型如图 1 所示,一个卫星(S)节点在一个高空平台中继(R)节点的协作下与一个地面目标用户(D)进行通信,其中 S-R 链路服从阴影莱斯(Shadowed-Rician)信道衰落特性,R-D链路服从 Nakagami-m 分布信道衰落特性。图 1 系统模型整个通信过程分为两个阶段进行:第一个阶段,卫星将编码信号发送到高空平台中继;第二个阶段,电讯技术 2023 年高空平台中继放大并转发接收到的信号至地面用户。因此,高空平台中继和地面用户接收的信号可以分别表示为y1=h1x+n1,(1)y2=Gh2y2+n2。(2)CSI-assisted 和 Fixed-Gain 的增
16、益因子分别表示为GCSI-assisted=P2P1h12+2,(3)GFixed-Gain=P2P1E h12+2。(4)式中:P1和 P2表示卫星和高空平台中继发射功率;h1和 h2是每条链路的信道衰落系数;2是噪声功率。将式(1)(4)相结合,对于不同的中继策略,第 l 次重传在地面用户处的信噪比(Signal-to-Noise Ratio,SNR)可以表示为CSI-assistedl=1,l2,l1,l+2,l+1,(5)Fixedl=1,l2,l2,l+C。(6)S-R 链路的概率密度函数(Probability Density Function,PDF)可以表示为 f1,l(x)=
17、lexp-(l-l)x1,l()ml-1kl=0(kl,1,l)xkl。(7)R-D 链路的 PDF 可以表示为f2,l(x)=mllxml-1(ml)ml2,lexp-l2,lx()。(8)式中:(kl,1,l)=(-1)kl(1-ml)klkll(kl!)2kl+11,l。2 性能评估通常卫星通信服务需要保证特定的延迟要求,因而 DLT 是优先研究的目标性能。在 HARQ 传输协议下,DLT 可以表示为Tkj(R,L)=R21-Pkout,j(L)L-L-1l=1Pkout,j(l)l(l+1)。(9)式中:jCSI-assisted,Fixed;kCC,IR;1/2 代表了两个时隙的传输
18、;R 表示信息传输速率;L 表示用户能够正确解码的重传过程。在 HARQ-CC 方案中,用户组合同一数据包的所有接收版本,并执行最大似然解码准则。最低编码率对应于给定数据分组经过 L 次重传的情况。经过 l 次重传后,HARQ-CC 方案下码率可以表示为ICCj,l=lb 1+lt=1jt()。(10)对于 HARQ-IR 方案,在信号接收的目的地采用码组合技术,经过 l 轮后,HARQ-CC 方案下互信息可以表示为IIRj,l=lb(1+jl)。(11)因此,可以相应地得出不同方案 l 轮后的中断概率(Outage Probability,OP)为PCCout,j(l)=PrICCj,lR=
19、Pr jl2R-1l,(12)PIRout,j(l)=Pr IIRj,lRl=Pr jl2Rl-1。(13)2.1 CSI-assisted 中继策略经过 l 次重传后,系统的 OP 可以表示为 Prjlx=Fjl(x)。(14)式中:Fjl(x)表示为 jl的累积分布函数(Cumulative Distribution Function,CDF)。基于式(5),Fjl(x)可改写为PrCSI-assistedl x=Pr1,l2,l1,l+2,l+1 x()=1-x1-F1,lx(y+1)y-x()f2,l(y)dy。(15)将式(7)进行积分后,同式(8)代入式(15),进一步得到FCSI
20、-assistedl(x)=1-lmllyul(ml)ml2,lml-1kl=0klul=0(kl,ul,1,l)xx(y+1)y-x()ulexp-ly2,l-(l-l)1,lx(y+1)y-x()dy。(16)最后,通过应用积分恒等式0 xv-1exp-x-x()dx=2()v2Kv(2)得到FCSI-assistedl(x)=1-2lmll(ml)ml2,lexp(-(+)x)ml-1kl=0klul=0uln=0uln()569第 63 卷郭凇岐,安康,孙艺夫,等: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第 7 期(kl,ul,1,l)xul+22,l(x+1)n-
21、ul-2x(x+1)()2K(2x(x+1)。(17)式中:=n-ul+1;=(l-l)1,l;=l2,l。基于上述传输策略和统计特性,将式(17)代入到式(12)中,将进一步计算后的式(12)代入到式(9)中,CSI-assisted 中继协议下,HARQ-CC 方案的DLT 表达式为式(18)。对于 HARQ-IR 方案,可以通过将式(17)代入到式(13)中,将进一步计算后的式(13)代入到式(9)中,CSI-assisted 中继协议下,HARQ-IR 方案的 DLT 表达式为(19)。TCCCSI-assisted(R,L)=R21-1L1-2lmll(ml)ml2,lexp-(+)
22、2R-1L()ml-1kl=0klul=0uln=0uln()(kl,ul,1,l)2,l2R+L-1L()n-ul-22R-1L()ul+2()2K22R-1L()2R+L-1L()()-L-1l=11l(l+1)1-2lmll(ml)ml2,lexp-(+)2R-1l()ml-1kl=0klul=0uln=0uln()(kl,ul,1,l)2,l2R+l-1l()n-ul-22R-1l()ul+2()2K22R-1L()2R+L-1L()(),(18)TIRCSI-assisted(R,L)=R21-1L1-2lmll(ml)ml2,lexp-(+)2RL-1()ml-1kl=0klul=
23、0uln=0uln()(kl,ul,1,l)2,l2RL()n-ul-22RL-1()ul+2()2K2 2RL-1()2RL()()-L-1l=11l(l+1)1-2lmll(ml)ml2,lexp-(+)2Rl-1()ml-1kl=0klul=0uln=0uln()(kl,ul,1,l)2,l2Rl()n-ul-22Rl-1()ul+2()2K2 2RL-1()2RL()()。(19)2.2 Fixed-Gain 中继策略Fixed-Gain 中继策略的 CDF 由下式给出:FFixedl(x)=Pr1,l2,l2,l+Cl x()=1-u1-F2,lClxy-x()f1,l(y)dy。(
24、20)将式(8)积分后和式(7)代入式(20),可以得到FFixedl(x)=1-lml-1kl=0(kl,1,l)mi-1k=01(k+1)i2,i()kClxy-x()kuyklexp-(l-l)1,ly-l2,lClxy-x()dy。(21)借助积分 恒 等 式0 xv-1exp-x-x()dx=2()v2Kv(2),可以得到最终 FFixedl(x)的表达式为FFixedl(x)=1-2lexp(-x)ml-1kl=0(kl,1,l)kln=0kln()xkl-nx()2KI2x()。(22)式中:=(l-l)1,l;=Cll2,l;=n+1。另外,Cl表示为Cl=1G2l2=Eh1,
25、l2PS2+1=E1,l+1,(23)电讯技术 2023 年进一步有Cl=lml-1ki=0(-1)kl(1-ml)klkll(kl+1)!(kl!)2(l-l)kl+21,l+1。(24)对于 HARQ-CC 方案,将式(22)代入到式(12)中,将进一步计算的式(12)代入到式(9)中,Fixed-Gain 中继策略的 DLT 表达式为式(25)。对于HARQ-IR 方案,将式(22)代入到式(13)中,将进一步计算的式(13)代入到式(9)中,可以得到此方案下的 DLT 表达式为式(26)11。TCCFixed(R,L)=R21-1L1-2lexp-(2R-1)L()ml-1kl=0(k
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 深度 学习 HARQ 辅助 天地 融合 网络 受限 容量 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。