[发明专利]一种应用于卫星网络的拓扑预测模型训练方法及预测方法

说明书

本发明提出一种应用于卫星网络的拓扑预测模型训练方法，所述卫星网络包括多个卫星、多个终端以及多个地面站，所述拓扑预测模型包括时空学习层和全连接层，所述方法包括如下步骤：S1、获取目标区域内的卫星网络历史拓扑图数据，所述卫星网络历史拓扑图数据包括多个时刻连续的卫星网络拓扑图，每一时刻的卫星网络拓扑图包括多个节点和多条边，其中，节点表示终端、卫星或者地面站，任意两个节点之间有边表示该两个节点之间设置有链路；S2、基于步骤S1获取的卫星网络历史拓扑图数据训练所述拓扑预测模型直至收敛。本发明提出的方案采用权重记忆参数来代替巨大的存储消耗，极大的降低存储占用并保证了网络拓扑信息的完整性。

技术领域

本发明涉及卫星通信技术领域，具体来说，卫星通信技术领域中的卫星网络拓扑研究，更具体地说，涉及一种应用于卫星网络的拓扑预测模型训练方法及预测方法。

背景技术

卫星通信网络被认为是通信技术的重要组成部分，具有大规模、广覆盖、低时延等优势，其目标是为全球用户提供无处不在的互联网接入服务。但是由于卫星通信网络中的卫星节点处于高速运动状态，使得卫星与地面站之间的星地链路以及卫星与卫星之间的星间链路通断频繁，还使得卫星网络拓扑高度复杂且具有强动态性，这就导致端到端业务传输路径难以构建，进而影响对卫星通信网络的管理。

为了能够更好地对卫星通信网络进行管理，研究人员提出可以根据卫星网络拓扑的时变特性进行卫星网络拓扑预测，并基于预测得到的卫星网络拓扑实现端到端链路的有效预测，端到端链路预测指的是预测两终端通过卫星网络通信时的完整链路。在获得端到端链路的有效预测的前提下，可以实现更好的端到端业务构建，从而更好的进行卫星通信网络的管理和应用。

针对卫星网络拓扑预测，研究者提出了多种方案，其中比较具有代表性的有如下几类：1、采用快照的方式存储一个周期变化的卫星网络拓扑图数据以预测某一时刻的卫星网络拓扑，但是当网络规模较大时，基于快照方法生成的子图数量与时间长度成正比，其存储空间与网络规模成正比，会产生存储空间占用量大的问题。2、采用遍历法预测某一时间的卫星网络拓扑，但是这类方案拓扑计算复杂度高，并且在获取某一时间的网络拓扑时，需要遍历所有时间段的卫星网络拓扑，时间开销大。3、可以基于获取到的不同时刻的星间链路以及星地链路数据对模型进行训练，以此构建链路预测模型进链路预测，但是该类方案未考虑用户链路的变化导致所获取的卫星网络拓扑信息不完整，影响链路预测的准确性。

尽管现有技术提出的方案能够地对卫星网络拓扑进行预测，但仍存在存储空间占用量大、拓扑计算复杂度高，且由于未考虑用户链路的变化导致所获取的卫星网络拓扑信息不完整等问题，从而不利于卫星网络拓扑预测。

发明内容

因此，本发明的目的在于克服上述现有技术的缺陷，提供一种应用于卫星网络的拓扑预测模型训练方法和一种应用于卫星网络的拓扑预测方法。

本发明的目的是通过以下技术方案实现的：

根据本发明的第一方面，提供一种应用于卫星网络的拓扑预测模型训练方法，所述卫星网络包括多个卫星、多个终端以及多个地面站，所述拓扑预测模型包括时空学习层和全连接层，所述方法包括如下步骤：S1、获取目标区域内的卫星网络历史拓扑图数据，所述卫星网络历史拓扑图数据包括多个时刻连续的卫星网络拓扑图，每一时刻的卫星网络拓扑图包括多个节点和多条边，其中，节点表示终端、卫星或者地面站，任意两个节点之间有边表示该两个节点之间设置有链路；S2、基于步骤S1获取的卫星网络历史拓扑图数据训练所述拓扑预测模型直至收敛。

在本发明的一些实施例中，所述时空学习层包括一个或多个时空学习模块，所述时空学习模块用于获取卫星网络拓扑图数据的空间特征和时空特征。

在本发明的一些实施例中，所述时空学习模块包括串联的一个图卷积模块、一个时间特征提取模块，其中，所述图卷积模块用于提取卫星网络拓扑图数据的空间特征，所述时间特征提取模块用于根据所述图卷积模块的输出与卫星网络拓扑图数据获取卫星网络拓扑图数据的时空特征。