湖北邮电规划设计有限公司 湖北 430023
摘要：无人机群作战被认为是颠覆未来战场的新型作战力量，已成为世界各国展开激烈竞争的高科技领域之一。在无人机群侦察、无人机群饱和攻击、无人机群遭遇战等典型作战想定下，战场环境相比传统作战更加不透明，战场态势时空变化更加剧烈，战场信息元素种类及其关联更加复杂，敌方、我方、友方目标交错共存，导致战场信息环境往往是复杂不确定的。本文主要对无人机群通信网络态势感知研究现状与发展趋势进行探讨。
关键词：无人机群;通信网络；发展趋势
1 无人机群通信网络态势感知研究动态
通信网络态势感知是实现无人机群通信网络测绘成像的基石，其主要目标是获取通信网络当前状态、综合形势以及演化趋势等时域、频域、空域、用户域、网络域等多域立体网络态势信息。通信网络态势感知的关键在于提高态势获取的准确性与时效性，并尽量减少感知信息的冗余度和节点间交互开销。无人机群通信网络是一种相对较新的网络形态，直接相关的国内外研究报道比较少，本文将从广义通信网络态势感知的角度阐述国内外研究动态，提炼无人机群通信网络态势感知的研究方向与发展趋势。
2 电磁频谱态势感知
电磁频谱态势是无人机群通信网络态势感知的重要内容，空间频谱态势感知是其发展趋势。优质的频谱资源紧缺成为制约大规模无人机群智能组网的瓶颈之一。频谱态势感知最早来源于认知无线网络方面的研究，美国弗吉尼亚大学技术团队于2006年首次提出了射频环境地图(ＲadioEn-vironmentalMaps，ＲEMs)的概念与模型，旨在建立包含用频设备位置及行为、频谱政策及规则、地理特征及可用频谱资源等多维信息的频谱数据库。在此基础上，法国TelecomＲ＆D的OrangeLabs实验室将ＲEMs进一步深化，利用数据空间相关性实现对数据的解析补全，提供一种可视化频谱环境地图以便于检测、分析、决策及资源管理。自2010年至今，美国明尼苏达大学的Gianna-kis教授团队系统地研究了时－空－频三维获取功率频谱密度图和局部信道增益图，让认知无线电系统识别可用频谱机会、用户位置、发射功率估计及移动用户的轨迹追踪，并实现干扰控制、频谱资源分配以及路由规划。美国军方亦非常重视频谱态势图的研究，美国国防部高级研究计划局(DARPA)支持了“先进射频地图”项目(AdvancedRFMapping)，主要目标是从时域、频域、空域三个维度绘制射频地图，为用户提供强大的态势感知能力，以避免频谱冲突或快速消除频率冲突，支持通信、情报、监视和侦察系统。南京航空航天大学的吴启晖教授团队从频谱态势理论模型、广域频谱态势感知、动态频谱态势生成和频谱态势高效利用四个方面，梳理了对电磁频谱空间认知基础理论和关键技术的研究现状，并指出将孤立、分散、静态的频谱数据整合成一个整体，动态、关联、可视的异构数据集合是频谱态势未来的发展方向。西安电子科技大学的李赞教授团队围绕网络化智能频谱监测基础理论和关键技术，提出了基于单点、协作、多目标系列稳健频谱感知方法和智能频谱控制策略，搭建了网络化智能频谱监测系统(即“电磁眼”)，为空天地一体化网络体系的频谱管控与用频保护提供智能服务与决策支持。注意到，当前大多数关于频谱态势的研究显式或隐式假设频谱设备以单天线为主，频谱态势以全向辐射为主;然而，随着MIMO以及波束赋形技术逐渐成为无线通信的主流和标配，基于多天线/天线阵列的频谱波束态势感知成为研究的难点和趋势。
3 网络拓扑态势感知
网络拓扑识别是通信网络态势感知的核心和关键，国内外大多数研究工作集中在有线网络拓扑识别，关于无线网络拓扑识别目前处于起步阶段。早期的研究工作主要是在有线连接的计算机网络中以网络参与者的身份进行的，如Mansfield在文献中首先提出了基于SNMP的网络层拓扑发现算法，美国加州大学的Shaikh等在文献中提出了根据OSPF协议构建网络的拓扑结构及网络监控的方法等。
随着研究的进一步深入，网络拓扑发现也延伸到无线通信网络中。但由于无线通信中介质的广播特性以及信号传播中衰落、干扰的存在，无线网络拓扑发现变得异常艰难。一种方法是借助霍克斯过程来解决这个问题，如美国佐治亚理工学院的Moore在文献中通过利用通信对等这一合理假设，即某一发射机进行一次传输信息通常会导致其他发射机返回消息/确认/包转发的响应，用不同发射机同时发生的传输来推断其之间的关系，将数据建模为Hawkes过程，对实际无线网络通信数据学习了网络的拓扑结构并检测拓扑结构的变化。此外，美国加州大学洛杉矶分校的Laghate等在文献中利用格兰杰因果关系对常用通信协议的响应机制进行建模，来学习时间复用通信网络的拓扑结构，实验证明该方法能够以较高的时间分辨率推断群网络中的有向数据流。
4 网络演化趋势预测
网络演化趋势预测是主动获取通信网络态势的重要手段，是支撑无人机群网络智能化的关键技术之一。现有工作主要针对网络中链路动态变化的趋势进行预测，主要分为基于节点属性的预测方法、基于网络结构的预测方法和基于学习的预测方法。美国加州大学尔湾分校的O’Madadhain等人在文献中结合两个事件网络———科学家合作网和电子邮件网络，提出了基于网络结构和节点属性的局部条件概率模型，预测节点间随时间变化的关系。Liu等人在文献中针对线性网络拓扑，重点考虑了非共同邻居节点向预测端点传递资源的数量，结合共同邻居和非共同邻居的贡献提出了新的预测指标，在预测网络中的缺失链接时体现出较好的性能。新墨西哥大学的Clau-set等人在文献［26］中基于网络的层次组织特性，结合概率图模型提出了普适的层次化网络模型，通过计算形成该层次随机网络的期望概率，来预测两个节点的连边概率。北亚利桑那大学的Ｒazi等人开发了基于粒子群优化和卡尔曼滤波的跟踪策略，在时变信道和跟踪资源有限条件下为UAV找到最优跟踪策略，预测UAV网络拓扑变化。该实验室的Han等人在文献［28］中针对极度动态变化的无人机网络，开发了一种无监督的在线学习方法用于无人机的联合移动预测以及无人机的对象分析，所提出的方法不仅能预测无人机周围飞行物体的未来位置，并且能在无先验知识前提下按机动性的相似性将其分组，该方法能灵活预测移动性未知的新目标，适用于具有异构节点的新兴飞行ad－hoc(FANETs)网络。
5 无人机群通信网络态势感知研究趋势
由上文分析可知，在网络态势感知方向上国内外取得了阶段性的研究成果，但大部分偏重于互联网、蜂窝网络等拥有固定地面基础设施下参与式感知的研究，还存在如下局限性。
(1)缺少考虑大规模无人机群网络呈现的多域立体、位置/拓扑捷变、复杂关联等特性，难以直接应用于无人机群网络的网络态势感知。
(2)大多数现有研究集中在网络离散状态信息的可靠获取，对网络全局形势的高效推理和网
络演化趋势的精准预测研究还不够系统深入。
(3)大多数相关工作聚焦于群体协同感知中个体激励机制的设计，体现的智能化水平有限，特别是提升群体智能方面仍大有可为。
结束语
总体来说，大规模无人机群网络是一种新的网络形态，与之密切相关的网络态势感知才刚刚起步，迫切需要深入研究多域立体网络态势获取的复杂性、整体性与实时性。
参考文献
[1]段海滨，邱华鑫．基于群体智能的无人机集群自主控制［M］．北京:科学出版社，2019．
[2]张余，柳永祥，张涛，等．电磁频谱战作战样式初探［J］．航天电子对抗，2017(5):14－17．