ISSN 2096--8930

CODEN TYXWAG

CN 10--1706/TN

Beijing, China

5 1 Vol.5 No.1 2024 3 Mar. 2024

中国科技核心期刊

主 管 单 位　工业和信息化部

主 办 单 位　人民邮电出版社有限公司

指 导 单 位　中国卫星网络集团有限公司

出 版 单 位　北京信通传媒有限责任公司

主 　 　 编　陆　军

执 行 主 编　吴　巍

副 主 编　汪春霆　李建明　吕子平

朱德成　孙启彬　刘华鲁

编 辑 部 主 任　牛晓敏

编辑部副主任　赵路路

编 辑 单 位　《天地一体化信息网络》 编辑部

地 　 　 址　北京市丰台区东铁匠营街道顺八条1号院B座

北阳晨光大厦2层

邮 政 编 码　100079

编 辑 部 电 话　010-53878178，53879078，53879076

发 行 部 电 话　010-52265707

投 稿 网 址　www.j-sigin.com.cn

电 子 邮 箱　sigin@bjxintong.com.cn

国际标准连续出版物号　ISSN 2096-8930

国内统一连续出版物号　CN 10-1706/TN

国 内 发 行　中国邮政集团有限公司北京市报刊发行局

订 购 处　全国各地邮局

发 行 代 号　国内80-791

印 　 　 刷　北京艾普海德印刷有限公司

定 　 　 价　60.00元

法 律 顾 问　北京市蓝石律师事务所

Space-Integrated-Ground

Information Networks

(Quarterly, started in 2020)

Vol.5 No.1 (Serial No.15), Mar. 2024

天地一体化信息网络

TIANDI YITIHUA XINXI WANGLUO

（季刊，2020年创刊）

第5卷 第1期（总第15期），2024年3月

Competent Unit: Ministry of Industry and Information Technology

of the People's Republic of China

Sponsor: Posts & Telecom Press Co., Ltd.

Guiding Unit: China Satellite Network Group Co., Ltd.

Publisher: China InfoCom Media Group

Editor: Editor Department of Space-Integrated-Ground Information Networks

Editor-in-Chief: LU Jun

Executive Editor-in-Chief: WU Wei

Associate Editor-in-Chief: WANG Chunting, LI Jianming, LYU Ziping,

ZHU Decheng, SUN Qibin, LIU Hualu

Director of Editorial Department: NIU Xiaomin

Deputy Director of Editorial Department: ZHAO Lulu

Address: F2, Beiyang Chenguang Building, Shunbatiao No.1 Courtyard,

Fengtai District, Beijing, China

Postal Code: 100079

Tel: 010-53878178, 53879078, 53879076

Distribution Department Tel: 010-52265707

http://www.j-sigin.com.cn

E-mail: sigin@bjxintong.com.cn

《天地一体化信息网络》

第一届编辑委员会

顾 问 委 员：（按姓氏笔画排序）

　王小谟　尤肖虎　方滨兴　尹　浩

　邬江兴　邬贺铨　刘韵洁　吴建平

　沈荣骏　张　平　张宏科　陆建华

　周志成　郑纬民　姜会林

主 任 委 员：陆　军

常务副主任委员：吴　巍

副 主 任 委 员：汪春霆　李建明　吕子平

　朱德成　孙启彬　刘华鲁

委 员：（按姓氏笔画排序）

　丁　睿　马　晶　王文博　 王艳君

　王敬超　云晓春　方　芳　冯志勇

　匡麟玲　吕瑞峰　朱立东　向开恒

　江　涛　江　鹏　许燕宾　孙　伟

　孙晨华　李　聪　李凤华　李拂晓

　李国通　肖永伟　吴　枫　邹永庆

　邹光南　闵长宁　张　琳　张在琛

　张先超　张更新　张学庆　张钦宇

　张海君　陆　洲　陈山枝　易东山

　罗洪斌　和新阳　季新生　周家喜

　郑作亚　施　闯　姚发海　姚海鹏

　贾　敏　黄照祥　梅　强　曹双僖

　曹桂兴　盛　敏　梁宗闯　梁海滨

　谢海永　缐珊珊　潘　冀　薛晓翃

学术秘书长： 韩增尧

学术副秘书长： 孙娉娉　李文杰

学 术 秘 书：翟立君　徐晓帆

天地一体化信息网络

第 5 卷第 1 期 2024 年 3 月

目 次

专题：卫星互联网体系架构及相关技术

巨型星座路由技术综述 ................................................张佳鑫 常朝阳 张易隆 李 睿 王凯巍 张 兴 2

面向天地融合网络的虚拟网络映射算法 .................................... 方嘉睿 张婷婷 赵禹博 武 楠 梁 蓓 14

基于移动边缘计算的空天地一体化网络架构 ............................................................ 吴 健 贾 敏 郭 庆 24

星地异构网络联合 QoS 保障关键技术 ..................................................................................................................

........................................................................ 林 琳 朱 斌 王泽林 王光全 姚海鹏 董 涛 冯伟莹 32

基于聚类算法内容流行度预测的空天地一体化网络缓存方法 ................................................ 仇 超 王晨阳 40

服务天基感知业务的卫星互联网模拟验证系统设计与分析 ................................................................................

....................................................................................................... 陶 滢 刘 伟 张 磊 高梓贺 周 钠 48

研究

低轨卫星多星协同及星地协同遥通算一体化技术 ................................................................................................

........................................ 蒋忠元 王 森 王启舟 曹相湧 侯兴松 雷 磊 孙冬伟 李兴华 马建峰 60

大规模低轨星座的实时精密定轨技术........................................................................................ 李 桢 施 闯 76

大规模低轨星座多普勒定位算法 ............................................................... 张雨露 李 桢 施 闯 景贵飞 84

应用

卫星互联网安全风险及应对措施分析.........................谷 欣 单 超 孙才俊 李 珂 田 敏 王瑞青 95

Space-Integrated-Ground Information Networks

Vol.5 No.1, March 2024

Contents

Special Issue: Satellite Internet Architecture and Related Technologies

Survey on Routing Technology of Mega Constellation ............................................................................................

.................................... ZHANG Jiaxin, CHANG Zhaoyang, ZHANG Yilong, LI Rui, WANG Kaiwei, ZHANG Xing 2

Virtual Network Embedding Algorithms for Integrated Space-Terrestrial Network ................................................

........................................................................ FANG Jiarui, ZHANG Tingting, ZHAO Yubo, WU Nan, LIANG Bei 14

Space-Air-Ground Integrated Network Architecture Based on Mobile Edge Computing ........................................

.................................................................................................................................. WU Jian, JIA Min, GUO Qing 24

QoS Assurance Key Technologies in Space-Ground Heterogeneous Network ........................................................

......................... LIN Lin, ZHU Bin, WANG Zelin, WANG Guangquan, YAO Haipeng, DONG Tao, FENG Weiying 32

A Space-Air-Ground Integrated Network Caching Method Based on Clustering Algorithm Content Popularity

Prediction .................................................................................................................... QIU Chao, WANG Chenyang 40

Design and Analysis of Satellite Internet Simulation and Verification System for Space Remote Sensing Services

...........................................................................................TAO Ying, LIU Wei, ZHANG Lei, GAO Zihe, ZHOU Na 48

Studies

LEO Multi-Satellite Coordination and Satellite-Ground Coordination Remote Sensing Communication and

Computation Integration Technology ................ JIANG Zhongyuan, WANG Sen, WANG Qizhou, CAO Xiangyong,

HOU Xingsong, LEI Lei, SUN Dongwei, LI Xinghua, MA Jianfeng 60

Realtime Precise Orbit Determination Technology for LEO Mega-Constellation.................. LI Zhen, SHI Chuang 76

Doppler Positioning Performance of LEO Mega Constellation ...............................................................................

.................................................................................................... ZHANG Yulu, LI Zhen, SHI Chuang, JING Guifei 84

Application

Analysis of Satellite Internet Security Risks and Countermeasures .................................................................

........................................................... GU Xin, SHAN Chao, SUN Caijun, LI Ke, TIAN Min, WANG Ruiqing 95

专题：卫星互联网体系架构及相关技术

王文博，男，北京邮电大学副校长，教授，博

士生导师，主要研究方向为无线传输技术、无

线网络理论、无线信号处理。

专 题 导 读

卫星互联网被认为是 6G 网络的重要组成部分，已纳

入我国新基建的范畴。卫星互联网能够为全球提供无缝覆

盖的信息服务，弥补地面通信网络覆盖能力受限的问题，

同时具有突出的超远程、高速移动等应用服务能力，是未

来陆海空天一体化网络的重要组成部分，必将对全球生态

及经济产生深远影响。目前，卫星互联网的星座结构、体

系架构及相关技术已成为卫星互联网领域的研究热点与

关键部分。

为此，本专题特邀请国内知名研究机构、高等院校、

企业的专家学者，对卫星互联网体系架构及相关技术进行

分析研究，提出相应的观点和解决方案，旨在为卫星互联

网的研究和发展提供参考和指导，希望能够对读者有所启

发和帮助。

《巨型星座路由技术综述》针对当前卫星星座巨型化

趋势，分析巨型星座的特点，从组网传输和业务需求两方

面总结巨型星座路由的能力要求，包含信令开销、负载均

衡、故障处理、QoS 保障等 4 个方面，并针对性地分析适

用于巨型星座的路由方法、典型算法及其表现。展望软件

定义网络、区域划分、人工智能、算力路由等 4 种支撑巨

型星座路由相关的技术方向，以期对 6G 卫星互联网建设

提供参考。

《面向天地融合网络的虚拟网络映射算法》首先根据

问题特性概述天地融合网络虚拟网络映射（VNE）面临的

三大核心挑战；然后从场景建模和求解算法两大维度详细

介绍相关研究的进展，主要涵盖服务质量感知 VNE、多

层跨域异构网络 VNE、动态 VNE 以及 VNE 问题求解

算法等 4 个方面，并从理论和实践两个方面深入分析应对

天地融合网络 VNE 的解决策略。

《基于移动边缘计算的空天地一体化网络架构》针对

计算密集型和时延敏感型新兴服务须满足严格的时延、能

耗和可靠性要求，利用移动边缘计算（MEC）技术，解决

将卸载请求回传到云计算中心所具有的高时延和高带宽

消耗的问题。通过将 MEC 技术、联邦学习技术和人工智

能技术引入空天地一体化网络（SAGIN），高效管理网络

中海量、异构的资源，构建低时延、低能耗、高可靠性的

SAGIN，以支持新兴的各种服务。

《星地异构网络联合 QoS 保障关键技术》针对星地异

构网络的拓扑结构高动态、星地链路高差异、网络资源强

受限等特征给星地融合业务高效承载带来重大挑战的问

题，深入分析星地异构网络发展现状，提出星地异构网络联

合 QoS 保障系统架构。并在此基础上，针对跨域资源统一编

排管理、星地联合 QoS 指标参考体系构建、联合 QoS 动态

策略调控、星地资源按需适配与部署等关键技术进行探讨。

《基于聚类算法内容流行度预测的空天地一体化网络

缓存方法》针对空天地一体化网络中恶劣的自然条件可能

造成连通异常和通信阻塞的情况，对一种新的空天地一体

化网络缓存方法进行研究，即基于聚类的内容缓存方法。

基于空天地一体化网络架构，利用提取的内容特征来预测

流行度，并用于缓存替换决策。内容的流行度预测是由动

态聚类算法实现的，这种方法可以有效地减轻地面核心网

的通信压力，从而进一步提升用户体验。使用开放数据集

对算法进行评估，实验仿真结果表明了该方法的可行性和

有效性。

《服务天基感知业务的卫星互联网模拟验证系统设计

与分析》提出具有遥感、星间星地组网、星载边缘计算功

能的低轨卫星与地面云计算中心和天基、临近空间、空中、

陆地、海面等各类型终端构成的卫星互联网总体架构，给

出包括资源层、虚拟化层、服务层、服务管理层及应用层

在内的星载边缘计算功能架构。针对星载计算能力有限、

天基网络拓扑高动态等典型特征，在提出星载边缘计算模

拟验证系统构建方法的基础上，设计服务天基感知业务的

卫星互联网模拟验证系统，开展天基感知信息处理分发试

验，并根据不同信息处理与分发方式对网络资源占用和用

户服务时延的对比，分析不同能力条件下卫星互联网对天

基感知业务服务的能力水平。

本专题汇集了卫星互联网体系架构及相关技术的研究

成果，既表明了目前卫星互联网体系架构方面的主要研究方

向，也可从中感受到这些专家学者对相关问题的独到见解。

[专题策划人]

2024 年 3 月 Space-Integrated-Ground Information Networks March 2024

第 5 卷第 1 期 天 地 一 体 化 信 息 网 络 Vol.5 No.1

巨型星座路由技术综述

张佳鑫 1,2，常朝阳 1,2，张易隆 1,2，李 睿 1,2，王凯巍 1,2，张 兴 1,2

（1. 泛网无线教育部重点实验室，北京 100876；

2. 北京邮电大学信息与通信工程学院，北京 100876）

摘 要：针对当前卫星星座巨型化趋势，分析巨型星座的特点，从组网传输和业务需求两方面总结巨型星座路由的能力要求，

包含信令开销、负载均衡、故障处理、QoS 保障等 4 个方面，并针对性地分析适用于巨型星座的路由方法、典型算法及其表现。

展望软件定义网络、区域划分、人工智能、算力路由等 4 种支撑巨型星座路由的相关技术方向，以期对 6G 卫星互联网建设提

供参考。

关键词：巨型星座，低轨卫星，卫星路由

中图分类号：TN927.2

文献标志码：A

doi: 10.11959/j.issn.2096−8930.2024001

Survey on Routing Technology of Mega Constellation

ZHANG Jiaxin1,2, CHANG Zhaoyang1,2, ZHANG Yilong1,2, LI Rui1,2, WANG Kaiwei1,2, ZHANG Xing1,2

1. Key Laboratory of Universal Wireless Communications of Ministry of Education, Beijing 100876, China

2. School of Information and Communication Engineering, Beijing University of Posts and Telecommunications, Beijing 100876, China

Abstract: With the continuous expansion of satellite constellation, this paper analyzed the characteristics of mega constellation, and

summarized the capability requirements of routing algorithms for mega constellation from two aspects of networking transmission and

service requirements, included reducing signaling overhead, load balancing, fault recovery, and guaranteeing QoS. In addition, it introduced the routing methods, algorithms, and their performances that were applicable to mega constellation. It looked forward to the future related technology directions for mega constellation, included software defined network, area division management, artificial intelligence, and computing power routing, with the aim of providing reference for the construction of 6G satellite Internet.

Keywords: mega constellation, low earth orbit satellite, satellite routing

0 引言

随着全球无线通信网络覆盖和通信需求的不断增长，

卫星互联网成为了第六代移动通信标准（6G）的重要研究

方向[1-2]。国际电信联盟发布的《IMT 面向 2030 及未来发

展的框架和总体目标建议书》[3]中明确提到泛在连接、超

大规模连接为 6G 系统的主要应用场景之一。卫星通信因

其组网灵活、覆盖范围广、不受地理环境制约等优势，将

在 6G 建设中受到更多关注[4]。卫星通信系统按照卫星轨

道的高度不同，可以分为低轨（Low Earth Orbit, LEO）卫

星、中轨（Middle Earth Orbit, MEO）卫星、地球静止轨

道（Geostationary Earth Orbit, GEO）卫星。相比 GEO 卫

星，LEO 卫星以其对地传播时延小、发射成本低、技术更

新快等优点已成为研究热点[5-6]。

近年来，低轨卫星通信已进入快速发展阶段。批量化、

模块化的卫星制造技术显著降低了卫星的制造成本[7]；火

箭重复利用与“一箭多星”等技术极大地降低了卫星的发

射成本；集成电路技术的进步也促进了卫星的模块化、组

件化和小型化，大幅提升了卫星的处理能力，显著降低了

卫星的研制成本。此外，随着激光、微波等星间链路技术

收稿日期：2023−08−01；修回日期：2024−01−30

基金项目：中央高校基本科研业务费专项资金资助（No.2023ZCJH09）；国家自然科学基金资助项目（No.61901048，No.62071063）；国家重点研发计划资助项目（No.

2022YFB2902501, No. 2020YFB1807903)

Foundation Items: The Fundamental Research Funds for the Centra Universities (No.2023ZCJH09), The National Natural Science Foundation of China (No.61901048,

No.62071063)；National Key Research and Development Program of China (No.2022YFB2902501, No.2020YFB1807903)

第 1 期 张佳鑫等：巨型星座路由技术综述 ·3·

的逐渐成熟，卫星间可以实现大带宽直接组网，减少了地

面信关站的数量，消除了地面与卫星的多跳问题，降低了

通信时延[8]。因此，巨型卫星系统的高带宽、低时延、低

成本全球互联服务优势愈发凸显，大规模低轨星座发射计

划层出不穷，卫星数量呈爆炸式发展趋势，低轨卫星互联

网正式进入大规模、巨型化时代。

路由技术是保证卫星互联网各节点之间互联互通的

基础性技术，也是卫星互联网的重要研究方向。由于卫星

网络具有网络拓扑变化频繁、单星资源受限、网络故障修

复困难等特点，地面网络的路由策略并不直接适用于卫星

网络。而目前针对卫星网络的路由算法主要采用基于时间

片的静态路由算法以及集中[9]、分布[10]、集中分布结合[11]

的动态路由算法。这些算法大多依赖于地面集中控制中

心，仅适用于较小规模的卫星星座。相较而言，巨型星座

具有拓扑动态性高、路由更新频繁、信令开销巨大、负载

均衡相对困难、受网络故障影响大、业务服务质量（Quality

of Service, QoS）要求多样等特点，因此，用于小规模星

座的卫星路由算法并不能完全适用于巨型星座。

很多学者针对卫星路由算法开展了研究并根据其特

点形成综述[12]，但是目前已有关于卫星星座网络的路由算

法综述尚未针对巨型星座开展专门研究。本文面向巨型星

座，从组网传输和业务需求两方面总结其对星间路由算法

的能力要求，并详细介绍适用于巨型星座的路由方法、典

型算法及其表现。

1 巨型星座特点及其路由能力要求

1.1 巨型星座特点

近 20 年来，LEO 卫星的发射数量激增了 40 倍，年度

发射卫星总数的占比由 57%快速增长到 97% [1]。相较于 20

世纪末铱星系统与全球星系统的 66 颗卫星和 48 颗卫星，

近几年的卫星星座建设计划一经提出，其规模就高达成百

上千颗[13]。这些巨型星座相比于早期卫星星座具有大规模

广覆盖、拓扑高动态、路由高复杂度、故障易发且处理难

度大、计算能力提高、业务需求多样、系统高容量、负载

分布不均等特征，具体表现如下。

（1）大规模广覆盖。巨型星座卫星节点数量急剧增加，

星座系统节点数量达成千上万颗，同一高度的 LEO 卫星

节点数量也达到成百上千颗。因此，可以覆盖更广泛的地

理区域，为全球通信提供更加稳定和高效的服务。

（2）拓扑高动态。随着卫星节点数量的增加，高速运

动的巨型星座节点间的星间链路的距离变化以及建断链

更加频繁，卫星拓扑连接关系动态时变，具有高动态性。

网络拓扑频繁变化进而导致路由更新频繁，路由策略生成

与路由表更新周期亟须缩短。

（3）路由高复杂度。巨型星座卫星节点数量增多且节

点密度高，数据包端到端传输所历经的卫星节点及星间链

路数量增多。传输路径跳数的增加提高了路由过程中信息

感知、计算、上注和同步的复杂度。

（4）故障易发且处理难度大。卫星所处复杂外太空环

境带来的电磁干扰、人为破坏、自身故障等因素都会影响

到卫星节点与星间链路的正常运行。巨型星座的节点密度

高，任一节点或链路发生故障后受影响的业务传输链路数

目更多，这使得网络故障检测、故障诊断和故障处置的难

度加大。

（5）计算能力提高。参考文献[14]指出卫星的星上处

理能力主要受到板载芯片处理能力、载荷功耗以及星上物

理可用空间的约束。随着技术的发展，芯片集成度和处理

能力的提高以及星上板载空间的延展都会提高卫星的处

理能力。巨型星座卫星数量的增加与单颗卫星处理能力的

增强使其处理计算任务成为可能。

（6）业务需求多样。巨型低轨星座因其广覆盖、时延

较低的优势可以提供高速、稳定的通信服务，其不仅可以

服务于地面通信设备，也可以服务于广域物联网设备、车

载或机载“动中通”设备。卫星能力的提高使得其可以处

理快速目标识别、战场态势感知等多样化业务。

（7）系统高容量。巨型星座通常使用 Ka、Ku 频段，

甚至 V 频段，具有更高的可用带宽。卫星使用更先进的

多址方式、跳波束技术、高增益的天线设计、动态资源

分配技术可以有效地提高系统容量，从而提供更多的业

务接入服务。

（8）负载分布不均。地球表面的陆地及海洋分布、

人口分布与经济差异等因素均会造成业务分布的不均

匀[15]，导致部分卫星需要处理的业务量超过其处理能

力，数据包排队时延增加，甚至被丢包。而另一部分卫

星需要处理的业务量远低于其处理能力，导致卫星资源

被浪费。巨型星座中卫星节点数量多，业务负载分布不

均的特征更加凸显。

此外，巨型低轨星座也面临轨道维护与卫星生产发射

的巨大开销、卫星回收不便、易造成太空污染等问题。

1.2 巨型星座路由能力要求

上文提到了巨型星座的特点，这些特点为巨型星座的

路由算法设计带来了新的挑战，本小节将从组网传输和业

务需求两方面展开分析。

在组网传输方面，由于巨型星座具有拓扑高动态、路

·4· 天地一体化信息网络 第 5 卷

由高复杂度、故障易发且处理难度大等网络特征，因此路

由算法需满足高效智简、信令开销小，以及高韧性、故障

处理能力强等要求。

（1）高效智简、信令开销小。巨型星座路由算法需要

在保持高效的同时降低信令开销，包含集中式控制中用于

上注、洪泛的信令与分布式管控中用于链路状态收集、链

路信息洪泛、拥塞控制过程中的信令，避免网络状态交换

占用过多带宽资源。

（2）高韧性、故障处理能力强。巨型星座中路由传输

跳数增加，导致传输复杂度高且节点与链路易发生故障。

如果算法不能适应网络故障，会极大地增加网络丢包率，

降低服务质量。为了提高网络韧性，路由算法需要有故障

处理能力，表现在当星间链路发生拥塞、卫星节点或星间

链路发生故障时，数据包仍然可以无环路地满足时延要求

的传输。

在业务需求方面，伴随着巨型星座计算能力的提高，

上述多样化的业务需求、更高的系统容量和负载分布不均

等特点，也要求路由算法具备多业务 QoS 保障和全局负载

均衡的能力。

（1）多业务 QoS 保障。巨型星座服务涵盖偏远地区、

海洋、动中通等多种场景，这些场景的业务需求在时延、

带宽、丢包率等方面存在显著差异。面对多类型的业务接

入，巨型星座路由算法需要根据业务的要求选择合适的路

径完成数据传输。

（2）全局负载均衡。巨型星座覆盖面积广，受到地面

地形、人口密度、经济条件的影响，接入流量分布不均，

因此，巨型星座路由算法需要在满足业务要求的前提下，

均衡不同卫星的接入业务量，避免节点拥塞，提高网络可

靠性与吞吐量，增加网络灵活性。

2 巨型星座路由技术分类

下面将从巨型星座路由所需的能力要求出发，从高效

智简、信令开销小，负载均衡，故障处理，QoS 保障 4 个

方面，给出满足不同能力要求的巨型星座路由技术。

2.1 高效智简、信令开销小

在卫星路由过程中所涉及的信令主要分为状态信令

和路由信令两种。状态信令将链路状态和卫星状态广播至

邻居卫星或一定区域范围内的卫星，帮助卫星做出路由决

策。其中，链路状态包括速率、时延和丢包率等，卫星状

态包括负载情况、拥塞状态、能量和计算能力等。路由信

令的作用则是传递路由计算结果和路由表。降低信令开销

的路由方法主要归纳为缩小信令洪泛范围和利用星历信

息计算最优路径这两类，具体见表 1。

（1）缩小信令洪泛范围。卫星状态信息不必洪泛至每

一颗卫星，而是限定在某一特定区域，设定洪泛时间或跳

数使状态信息只传递至邻近的卫星，进而降低信令开销。

基于上述思路，参考文献[16]提出的方案在链路失效

或恢复的情况下，通过设置状态信令生存时间，将链路状

态洪泛限定在受限区域内，并通知卫星更新受影响路径的

状态。参考文献[17]采用同样的思路，将卫星划分区域管

理，区域内采用集中式路由，区域间由区域边缘节点进行

分布式路由，这样区域间路由就不会因卫星间链路的断裂

而改变，当发生常规或不可预测的拓扑变化时，路由可以

以很少的开销快速重建。路由收敛时间是开放式最短路径

优先（Open Shortest Path First，OSPF）算法的 50%～75%。

参考文献[18]中所提算法与在全网拓扑上进行路由洪泛的

协议不同，这种机制仅在全网拓扑的子拓扑上洪泛路由信

息，该子拓扑的链路由所有轨道内链路和相邻轨道的两个

轨道间链路构成，保证所有卫星均可接收到洪泛信息，可

表 1 降低信令开销路由算法分类

算法类型 算法名称 星座规模/颗 特点 减少的信令

种类 性能改进

缩小信令

洪泛范围

X-Y[16] 1 600 为洪泛故障信息设置生存时间，从而限制洪泛范围 状态信令 链路状态数据包减少为未使用洪泛受限

机制时的 1/50～1/10

ASER[17] 1 296 将卫星网络划分区域，限制洪泛范围在区域内 状态信令 路由收敛时间是 OSPF 算法的 50%～

75%

lightweight[18] 168 计算包含所有节点的子拓扑，限制洪泛在子拓扑链

路上 路由信令 路由收敛时间比 OSPF 算法降低了 21%

左右

利用星历

信息计算

最优路径

LADRA [19] 648

将周围卫星的轨道参数预先存储，实时计算出周围

卫星的经纬度。降低卫星与其周围卫星交互产生的

信令开销

状态信令 降低了路由开销随跳数增长的速度

LABRA[20] 66 利用星历信息预测卫星在阴影区的时间，避免在阴

影区的传输，减少卫星之间交互的信令开销 状态信令 当终端比特速率上升到1.3 Mbit/s时，丢

包率才开始上升

第 1 期 张佳鑫等：巨型星座路由技术综述 ·5·

大幅减少链路状态更新包的数目，路由收敛时间比 OSPF

算法降低了 21%左右。

（2）利用星历信息计算最优路径。星历是一种描述太

空飞行体位置和速度的方式，以开普勒定律的 6 个轨道参

数之间的数学关系确定卫星的时间、位置、速度等运行状

态，卫星不需要通过信令包与其他卫星交互，就可以得到

网络拓扑关系，进而计算出路由方案。因此在设计大规模

卫星路由时，可以使用卫星星历对星座中的卫星进行位置

预测。

利用星历信息，参考文献[19]根据卫星运行位置可预

测的特性，将周围卫星的轨道参数预先存储，实时计算出

周围卫星的经纬度，降低路由开销随跳数增长的速度。参

考文献[20]通过实时计算周围卫星的经纬度，进而判别出

邻居卫星是否在日照区或阴影区，优先考虑在日照区的卫

星为下一跳，降低能耗的同时减少路由信令开销。

综上所述，缩小信令洪泛范围的思路分为从时间上限

制信令洪泛和从空间上限制信令洪泛，主要目的是减少卫

星间无效的信令交互。而利用星历信息可直接使卫星获得

其他卫星的信息，从而代替部分信令交互功能，例如对网

络拓扑结构的感知。未来可将两种思路结合，在卫星上预

存周期性的星历信息，对于不可预测的信息，如拥塞状态、

卫星故障状态，则需要发送信令包获取信息的同时限制信

令洪泛范围。

2.2 负载均衡

表 2 对适用于巨型星座的负载均衡路由算法进行了分

类总结，主要包括流量预测、利用备选路径分类和利用业

务流量分类 3 种。

（1）基于流量预测的负载均衡路由算法。该类算法是

指卫星先对即将到达的流量进行预测，再对当前卫星链路

的流量进行分流或绕行的路由策略。其中，采用分流技术

可以将卫星一条链路上的流量按一定比例分配到其他负

载较低的链路，绕行则可将一条链路的流量完全转移到某

条新的链路，以此达到负载均衡的目的。

参考文献[21]的算法中，卫星发生拥塞时，标记所在的

地理位置为拥塞区，并将位置信息发送给其他卫星。当卫

星进入拥塞区时，可预测即将到达的突发流量，卫星即可

在负载超过较低的门限时就开始提前分流。该算法可显著

降低丢包率随每个流的平均比特率增大的速度。刘子鸾等

[22-23]提出了全局与局部相结合的负载均衡路由算法，算法

设定了两个门限值，当卫星负载超过较小门限值时，可预

测该卫星即将拥塞，通知邻居节点计算不包含该节点的分

流路径，当卫星负载超过较大门限值时，通知邻居节点按

比例分流。仿真结果显示该算法可降低丢包率、平均时延，

提高流量空间分散指数。参考文献[24]对地面流量采用虚

拟节点法，将地球表面划分区域并根据统计信息预测业务

流量。在数据分组的换路时延大于排队时延时，优化缓存

队列分配以提供足够的缓存空间；在数据分组的换路时延

小于排队时延时，则通过更换路由路径避免排队时延的增

加。仿真结果表明所提策略可以改善丢包率、端到端时延

和业务空间分布指数。参考文献[25]将地面区域分为低负

表 2 负载均衡路由算法分类

算法类型 算法名称 星座

规模/颗 算法简述 传播时延 链路

带宽

排队

时延

邻居卫星

状态

流量预测

DLBMBCP[21] 66 卫星标记已发生拥塞的区域并将位置传输给邻居卫星。在

这些区域相关卫星将执行门限较小的负载均衡算法 × × √ ×

HGL[22-23] 288

将流量分解为大尺度变化和小尺度随机波动。首先采用全

局负载均衡策略初步分配流量，之后使用局部策略进行实时

的流量调整

√ × √ ×

基于流量预测的卫星节点动

态缓存分配路由[24] 66 根据统计信息预测地面流量，采用分流策略，减小向拥塞节

点发送业务量的比例，使得拥塞节点在一定时间内恢复 √ × √ √

DLR[25] 66 第1阶段建立最优路径实现全局负载均衡。第2阶段局部调

整，在卫星负载超过门限后按比例分流实现局部负载均衡 √ √ √ ×

利用备选

路径分类

HLBRm[26] 128 除局部负载均衡外增加备选路径使流量绕过易拥塞区 √ × √ √

RMLBR[27] —根据当前卫星不同方向链路的拥塞情况选择最优路径或备

选路径 √ × √ ×

利用业务

流量分类

DCCR[28] 66 将业务分为 3 种类型，为每种类型的业务设计路由策略，

在负载均衡的同时提高用户的满意度 × × √

基于拥塞避免的卫星路由[29] 288 根据业务类型和拥塞程度使拥塞卫星的邻居卫星重新选择

下一跳节点或通过 GEO 卫星传输实现负载均衡 × × √ ×

注：表中“√”符号表示该算法负载均衡时考虑了表头的因素； “×”符号表示该算法没有考虑表头的因素； “—”符号表示参考文献中无相关内容。

·6· 天地一体化信息网络 第 5 卷

载区和高负载区，在算法第 1 阶段建立最优路径，通过蚁

群算法实现全局负载均衡；在第 2 阶段局部调整，低负载

区卫星使用较高门限，高负载区卫星使用较低门限，在卫

星负载超过门限后按比例分流实现局部负载均衡。结果显

示该算法对丢包率、平均时延、流量空间分布指数等指标

均有优化。

（2）利用备选路径分类的路由算法。该类算法是指源

卫星收到地面传来的数据包后计算出到目的卫星的主路

径和备选路径，优先使用主路径传输；当主路径发生中断

时，直接用备选路径传输直到主路径恢复，以此保证主路

径中断后，数据包依旧能够快速重传。

参考文献[26]中的算法首先使用最短路径进行路由，

链路拥塞时采用流量绕行。为了进一步解决局部负载均衡

导致的级联拥塞，实现全局负载均衡，设计了长距离绕行

方案使数据包绕过高负载区。在 4.60 Tbit/10 min 的流量

下，所提算法相比其他两种算法，丢包率降低了 51.5%和

77.46%。参考文献[27]提出的算法开始时将排队时延和传

输时延作为链路代价，以链路代价最小为目标，计算一条

最优路径及一条备选路径。卫星选择下一跳时，根据最优

路径和备选路径的链路状态，选择只使用最优路径或将一

半流量分给备选路径，从而实现负载均衡。在 148.3 Tbit /d

的输入条件下，算法的丢包率为 3.38%，吞吐量为

830. 51 Gbit/s。

（3）基于优先级和时延敏感特性的负载均衡路由算

法。按优先级将业务类型从高到低分为用于通知消息的信

令包、对时延敏感的实时业务和对时延不敏感的其他业

务。在负载均衡算法中对不同的业务类型采用不同的路由

策略，以保证时延敏感型业务优先传输。

参考文献[28]中，时延敏感型业务遵循最短路径传

输，带宽敏感型业务优先选低纬度链路传输，对时延不

敏感的业务则是以特定的比例绕行拥塞的节点。算法能

使每种类型的流量的平均时延保持在较低水平。参考文

献[29]的算法中，当数据包到达某节点时，节点首先检

查该数据包的类型，再根据节点的拥塞状态选择将数据

包放入缓存队列、发送信令包控制邻居节点的流量流入

或通知前向节点重新选择下一跳节点。拥塞严重时可通

过 GEO 卫星转发部分对时延不敏感的业务。文中的拥塞

避免和业务分类机制，极大延迟了拥塞出现的时间：数

据传输率约为 1 900 kbit/s 时，网络的平均端到端时延才

开始突然增大。

通过上述算法的对比，总结卫星路由通过流量绕行或

分流实现负载均衡时应主要考虑的几个因素。

（1）传播时延：在有链路拥塞需要绕行或分流时，应

考虑包发送过程的时延，不应绕行过远导致时延过长。

（2）排队时延：当链路占用率较高时，数据包进入链

路不会直接发送而是排队等候，因此为保证总时延不至于

过大，要将排队时延也作为考虑因素。

（3）链路带宽：链路剩余带宽也反映了链路的占用情

况，数据包处于当前节点时，可将最新得到的当前网络链

路带宽占用情况转换为占用带宽权重。

（4）相邻卫星状态：为了防止数据包进入的下一跳卫

星的所有路径均拥塞，无法选择下一跳卫星的情况，要考

虑相邻卫星的链路状态。

流量预测方法和备选路径方法可作为负载均衡过程

的两个阶段。卫星通过信令包的交互获取卫星负载、链路

负载、地理位置等信息并对负载进行预测。如果某颗卫星

预测到即将发生拥塞，则通过备选路径提前分流。这两种

方法均可与业务分类的方法同时使用，优先级最高的业务

按最短跳数路由，优先级较低的业务在需要负载均衡时优

先分流，从而满足多种业务类型的 QoS 需求。

2.3 故障处理

卫星运行过程中，电磁干扰、物理故障、能量限制等

因素都可能导致故障，这些故障会在巨型星座中产生更大

影响。表 3 总结了故障处理路由算法分类，分为节点故障

和链路故障两大类，处理方法可大致分为分区域管理、基

于软件定义网络（Software Defined Network, SDN）和基于

环路避免技术。

（1）分区域管理路由方法。在处理故障的过程中，由

于卫星需要获取其他卫星的故障信息并根据算法选择下

一跳，这对星上计算能力、存储能力等有较高要求。因此，

对卫星网络区域按照需求进行划分，是简化管控方法、降

低对卫星存储计算性能要求的有效手段。

按照这一思想，参考文献[17]使用分区域路由机制，

根据拓扑结构将网络划分成规则的矩形，卫星被分组到

各个区域。当卫星出现故障时，域间路由不会受到影响，

而域内路由因涉及的卫星数较少，可以以较少的开销快

速重建路由。参考文献[30]在设计抗毁路由算法时提出

一种基于人口密度的正多边形分域机制，每个区域设置

区头节点收集该区域故障信息上报总节点，并下发信息

给区域内节点。

（2）基于 SDN 的路由方法。SDN 技术将网络的控制

平面和数据平面相分离，低轨卫星节点可作为数据平面仅

负责数据的传输，而链路的维护和路由计算都由控制平面

进行处理。巨型星座星间信令跳数大幅增加，使用该技术

第 1 期 张佳鑫等：巨型星座路由技术综述 ·7·

可更快地监测和控制整个网络的状态，故障信息也更容易

发送至其他卫星。

参考文献[31]在 3 层卫星网络的基础上基于 SDN 设

计了一种卫星网络模型，作为局部控制器的 MEO 卫星

对其通信范围内的卫星进行控制，收集网络状态信息，

并上传给 GEO 卫星，GEO 卫星通过广播发送给地面控

制中心，地面控制中心计算出路由表后上传给 LEO 卫

星，最后 LEO 卫星执行容错路由算法。与参考文献[31]

绕行故障卫星的方法不同，参考文献[32]提出了一种软

件定义卫星网络架构下的链路故障检测和恢复方法。结

合保护式和恢复式两种方案的优势，先为所有业务预先

计算备选路径，在主路径出现故障后先由备选路径恢复

业务，当地面网关控制器计算好新的最优路径后再由最

优路径传输，既可降低故障恢复时间，又可保证较低的

传播时延。

（3）基于环路避免技术的路由方法。路由算法为了规

避故障节点，会选择在遇到故障节点时绕行，当故障节点

较多时，由于数据包的多次绕行，可能使其回传至起始节

点。由于采用的路由算法相同，数据包传输会形成环路。

因此路由算法中需要增加环路避免机制。

参考文献[33]提出了一种基于红绿灯的卫星网络智能

路由策略，其中的环路避免机制要求数据包传输时在其

头部记录传递的跳数，当数据包到达卫星时，卫星的标

号被插入数据包的头部；然后检查下一跳的候选节点是

否出现在头部，将出现的节点从候选节点中排除。如果

当前节点的候选节点都被排除，则将数据包退回上一节

点。参考文献[16]提出了一种部分记录循环避免机制，主

要思想是仅在必要时记录节点，只有当数据包下一跳方向

不为主方向时，数据包才会在头部记录卫星。上述基于环

路避免技术的路由方法在网络中的故障发生较少时可减

少信令开销。

在大规模卫星星座中，根据故障发生的频率或数量

需采用不同的故障处理机制。如果少量卫星发生故障，

可使用分区域管理或 SDN 技术进行故障的处理。如果大

量卫星发生故障，则会形成故障块，此时需要在路由算

法中额外加入环路避免机制。未来可将 SDN 技术与分区

域管理相结合，MEO 卫星或 GEO 卫星作为 SDN 技术中

的控制平面，每个控制平面的卫星管理其连接范围内的

一组卫星。这样不同区域之间的故障信息传递速度会得

到较大提升。

2.4 QoS 保障

典型的卫星通信业务可分为快速目标识别、广域物联

业务、星上快速处理等，其对于时延、容量、连接数等的

需求差异很大。表 4 总结了适用于巨型星座 QoS 保障的路

由算法。

多业务 QoS 保障路由算法主要通过为不同业务设置

不同的约束代价来计算路由，或根据不同的业务需求选

择不同的算法来实现不同业务的区别处理，满足各类业

务的要求。

参考文献[34-37]将业务分为 3 类，分别为交互式实时

数据传输等时延敏感型业务、多媒体视频点播与大文件传

输等带宽敏感型业务、无特殊要求的尽力交付型业务。使

用遗传算法与基于 SDN 架构的路由算法是解决 QoS 保障

的两种重要途径。

表 3 故障处理路由算法分类

算法

类型 算法名称 星座

规模/颗 故障处理方法 故障类型 性能改进

分区域

管理

ASER[17] 1 296 将卫星网络划分区域，出现故障时域间路由不会受到

影响，可以快速重建路由 链路故障 路由收敛时间是 OSPF 算法的 50%～75%

MFDR[30] 66

基于人口密度划分区域，使总节点下发的指令很快到

达区头节点，从而下发到各个成员节点，及时上报故障

信息

节点故障

在故障发生后恢复的路径时延方面、有效资

源利用率方面都优势明显，算法运行时间也

略有降低

基于

SDN

FTR[31] 66

控制与业务分离，卫星节点仅负责数据的传输，而链路

的维护和路由计算都由控制器处理 节点故障

当网络中节点和链路的失效情况较严重时，

FTR 的路由 总 时 延 比 其 他 算法降低了

3.99%～37.95%

SDSN[32] 66

利用主动上报式故障检测机制将故障发现时延降低到

毫秒级，同时设计了链路故障检测算法来实现对故障

的准确定位

节点故障

可同时保证故障恢复时间和端到端时延较低

基于环

路避免

技术

TRL[33] 66 数据包记录经过的卫星节点序号，选择下一跳时查询记

录，防止形成环路 节点故障 算法对丢包率、时延、流量分布指数有优化

X-Y[16] 1 600 部分记录循环避免机制，仅在数据包偏离主方向后记录

节点 链路故障 在 20%链路故障的情况下，链路状态报文数

量仅为链路状态算法的 1/10

·8· 天地一体化信息网络 第 5 卷

（1）遗传算法。遗传算法是解决多目标优化的有效方

法，借助其随机性和隐含并行性的优势，能同时搜索多目

标优化问题的最优解。

MSR-RP 算法[34]通过划分区域，低负载区路由计算不

区分业务类型，根据业务权重动态调整链路代价；高负载

区使用遗传算法计算路由，以最大化网络吞吐量和负载均

衡指数为目标设计适应度函数，将不同业务的 QoS 指标作

为约束条件，由控制中心统一计算高负载区每颗卫星不同

类型业务的路由路径，在实现良好的负载均衡的同时为多

种业务提供 QoS 保障。参考文献[35]提出了一种基于

Pareto 多目标遗传的 LEO 星座多业务 QoS 路由算法，将

业务分为 3 类，同时对卫星链路持续时间、链路可用带宽

以及卫星的使用寿命期限进行建模，利用遗传算法搜索

Pareto 问题的最优解。

（2）基于 SDN 架构的路由算法。SDN 架构将控制与

业务分离，能够更好地掌握网络链路状态，保证较低的数

据传输时延和更少的资源消耗，实现资源优化分配，适合

用来解决多业务 QoS 保障问题。

参考文献[36]提出一种基于 SDN 架构的多 QoS 目标

优化算法，使用 Dijkstra 算法寻找最短路径，使用拉格朗

日松弛法对多约束问题进行松弛处理，得到链路权重公

式，修改权重到所选路径以满足 QoS 的需求，并逐步迭代，

找出满足多 QoS 需求的最优路径。参考文献[37]提出基于

SDN 架构的高性能 QoS 保障路由算法，高轨道卫星得到

的星间链路的流量状态，定义链路负载矩阵，给出星间链

路负载度函数，并获得每条路径的负载度，针对不同要求

的业务服务类型定义权重因子矩阵，通过调整权重因子来

满足多用户的 QoS 要求。

对于多种业务类型和多目标 QoS 问题，所涉及的优

化目标有多个，例如时延、吞吐量、丢包率等。直接设

计合适的 QoS 路由算法较为困难，而遗传算法则简单有

效。遗传算法可有效利用信息并根据反馈动态调整路由

策略。SDN 技术使得网络链路状态更易获取，可以以较

低的时延和信令开销实现资源分配，为遗传算法的实现

提供了保障。

3 巨型星座路由技术展望

上文针对巨型星座路由技术所面临的问题依次介绍

了已有的解决方案，并依据其所满足的能力要求进行了分

类总结。下面将对巨型星座路由相关技术进行展望，以期

为未来研究提供思路。

3.1 基于软件定义网络的协同控制路由算法

上文已经提到 SDN 技术可以有效解决巨型星座故障

处理、QoS 保障等问题。然而，巨型星座还面临卫星节点

存储、计算、通信性能等方面差异巨大、空中接口协议多

样、跨频段混合组网等问题，这就要求巨型星座路由算法

具备较高韧性。

因此，未来巨型星座路由可进一步基于软件定义网

络的控制与业务分离的思想，进行灵活的分级协同路由

控制。如图 1 所示，拥有较强能力与较大覆盖范围的

GEO 卫星可依靠自身的感知控制能力或基于地面控制

器上注的感知信息和控制指令进行全局调度，合理分配

网络资源，基于其掌握的信息做出更合适的路由决策，

并将策略下发至 MEO 卫星或 LEO 卫星。MEO 卫星进

行局域信息收集和链路故障处理，并下发至 LEO 卫星。

LEO 卫星仅需完成简单的计算任务、链路状态感知和数

表 4 适用于巨型星座 QoS 保障的路由算法

算法

类型 算法名称 星座

规模/颗 算法简述 有无负载均衡 性能改进

遗传

算法

MSR-RP[34] 72

划分动态区域，在低负载区采用最短路径算法计算路由，

高负载区采用多目标遗传算法保障不同业务 QoS 并实现负

载均衡

有 可有效降低优先级较低类业务的丢包

率和平均时延

PMGA[35] 96

基于 Pareto 多目标遗传的 LEO 卫星网络多业务 QoS 路由算

法，对卫星链路持续时间、链路可用带宽以及卫星的使用

寿命期限进行建模，利用遗传算法搜索 Pareto 问题的最优

解

有 选择路径时考虑了不同业务的 QoS

需求，使加权 QoS 代价较小

基于

SDN 架

构的路

由算法

MQOO[36] 16

基于SDN得到链路状态，使用最短路径路由算法寻找最短

路径并使用拉格朗日松弛法对问题进行松弛，处理得到链

路权重公式，并根据链路状态动态改变链路权重，直到所

选路径满足 QoS 需求

无

该优化算法在 QoS 满意度方面相比

近地轨道卫星路由算法提高了 64%，

在时延满意度和丢包率满意度方面相

比软件定义路由算法提高了 28%

基于 SDN 的

QoS 保障[37] 36

基于SDN架构，建立链路稳定度函数、链路负载度函数、

链路代价函数调节权重因子计算满足多业务 QoS 要求的路

径

有 相比对比算法降低了时延，提高了吞

吐量

第 1 期 张佳鑫等：巨型星座路由技术综述 ·9·

据包转发。利用基于软件定义网络的协同控制路由算

法，深度结合多级卫星和地面站、网关和控制中心的协

作有望提升大规模卫星星座的韧性。具体地，包括如何

设计适配多体制、多场景、多频段的网络路由方法，规

范各网络实体的功能，完善节点间信息交互过程，实现

韧性高、可扩展性强、服务质量有保障的路由算法是值

得研究的方向[38-39]。

3.2 区域划分路由算法

区域划分路由算法的核心思想是将卫星星座划分为

不同的区域，在各区域中进行路由计算并完成区域间的

信息交互[40]。前文已经提到利用区域划分来降低路由信

令开销。

而区域划分方法不仅是降低复杂度的主要手段，更与

业务负载均衡结合紧密。由于全球通信业务具有较强的区

域性，超远距离通信占比较小，因此可以通过对区域的合

理划分，进一步实现高质量的通信，降低路由拥塞的可能，

并更好地保障端到端服务质量。

具体地，区域的划分方法多样，可以根据卫星轨

道或者根据地理位置进行区域划分得到规则形状的区

域[41-42]；也可以根据人口密度分布或者根据通信业务

需求划分成不规则形状的区域[30]；还可以根据情况对

区域的划分情况进行动态调整。总之区域的划分没有

确定的规则，即使使用相同的划分方法，不同的区域

大小也会对路由算法的表现有影响。对大规模卫星星

座的区域划分方法、区域大小的设置、区域的动态调

整、区域内与区域间的路由算法的设置、区域划分与

业务流量的匹配、针对不同区域的差异化路由算法都

是值得进一步研究的方向。

3.3 人工智能路由算法

卫星路由在研究早期主要考虑数据包的最短跳数传

输、星上负载、服务质量、节点故障等单一问题。随着

低轨卫星通信星座的快速投入使用，路由策略面临着多

种影响因素和现实制约条件，星上路由的设计难度进一

步加大，人工智能技术为此提供了新的思路。强化学习

因其不依赖专家经验，可自动提取网络流量信息，更适

合解决网络路由中的复杂问题，在卫星通信中具有良好

的应用前景。

图 2 给出了卫星星座路由中的强化学习模型，具体

的算法中，可以根据目标设置强化学习模型中的状态、

奖励、动作集合。环境信息包括卫星负载、链路等信息，

卫星作为智能体，通过接收信令包感知环境并由此决定

数据包的转发方向。动作集主要包括数据包转发方向。

状态则包括排队时延、节点距离、业务需求、算网能力

等奖励函数，可配置为做出动作后的传输时延、排队时

延、节点距离等[43-47]。

进一步地，在大规模卫星通信中可采用深度学习算

法，以避免强化学习路由算法对于参数选取的依赖。深

度学习算法可直接从原始的数据中提取高水平特征，其

图 1 基于 SDN 的卫星路由算法示意

·10· 天地一体化信息网络 第 5 卷

高效、适应性强的特点正是当前卫星路由模块所需要

的。进一步的研究中，也可将强化学习与深度学习相结

合，发挥二者的优势，为解决巨型星座路由问题提供新

思路。

3.4 星上算力路由算法

算力路由是指根据网络状况和计算资源状况，将业务

灵活按需调度到不同的计算资源节点中，并为其规划满足

要求的路径。随着芯片集成度与处理能力的提高，卫星的

计算能力显著提升，低轨卫星可以承担部分计算任务，同

时包括单星在轨实时图像处理等的星上计算任务的需求

与复杂度不断提高，星上算力路由成为卫星网络发展的趋

势。在算网融合的趋势下，如何有效地进行星上算力感知，

将算力因素加入路由计算，研究算网融合路由算法为星上

任务寻找合适的处理节点与传输路径是大规模卫星星座

路由的重要研究方向。此外星上算力路由算法还亟须解决

星上单星多任务的任务卸载及多星协同任务卸载与处理

的问题。

4 结束语

巨型星座通信作为卫星互联网发展的重要趋势，具有

极高的实用前景和理论研究价值，是下一代无线通信网络

的重要组成部分。而路由技术作为关键技术之一，关系到

灵活智能转发、对地网络协作、业务适配传输、故障快速

处理等卫星通信核心功能。本文针对巨型星座路由所需的

关键技术能力，总结了当前满足不同能力需求的巨型星座

的路由方法，并展望了支撑大规模卫星路由的技术前景，

以期对 6G 卫星互联网建设提供参考。

参考文献：

[1] WANG C X, YOU X H, GAO X Q, et al. On the road to 6G: visions, requirements, key technologies, and testbeds[J]. IEEE

Communications Surveys & Tutorials, 2023, 25(2): 905-974.

[2] TATARIA H, SHAFI M, MOLISCH A F, et al. 6G wireless systems:

vision, requirements, challenges, insights, and opportunities[J].

Proceedings of the IEEE, 2021, 109(7): 1166-1199.

[3] ITU. Framework and overall objectives of the future development

of IMT for 2030 and beyond[R]. 2023.

[4] KODHELI O, LAGUNAS E, MATURO N, et al. Satellite communications in the new space era: a survey and future challenges[J].

IEEE Communications Surveys & Tutorials, 2021, 23(1): 70-109.

[5] 张佳鑫. 卫星地面融合网络 技术、架构与应用[M]. 北京: 北京

邮电大学出版社, 2021.

ZHANG J X. Satellite ground integration network technology,

architecture and application[M]. Beijing: Beijing University of

Posts and Telecommunications Press, 2021.

[6] ZHANG J X, ZHANG X, WANG P, et al. Double-edge intelligent

integrated satellite terrestrial networks[J]. China Communications,

2020, 17(9): 128-146.

[7] 邹明, 赵子骏, 魏凡. 新兴低轨卫星通信星座发展前景研究[J].

中国电子科学研究院学报, 2020, 15(12): 1155-1162.

ZOU M, ZHAO Z J, WEI F. Research on the development prospect

of emerging low earth orbit satellite communication constella图 2 卫星星座路由中的强化学习模型

第 1 期 张佳鑫等：巨型星座路由技术综述 ·11·

tions[J]. Journal of China Academy of Electronics and Information

Technology, 2020, 15(12): 1155-1162.

[8] 陈山枝. 关于低轨卫星通信的分析及我国的发展建议[J]. 电信

科学, 2020, 36(6): 1-13.

CHEN S Z. Analysis of LEO satellite communication and suggestions for its development strategy in China[J]. Telecommunications

Science, 2020, 36(6): 1-13.

[9] MAO B M, FADLULLAH Z M, TANG F X, et al. A tensor based

deep learning technique for intelligent packet routing[C]//Proceedings of the GLOBECOM 2017 - 2017 IEEE Global

Communications Conference. Piscataway: IEEE Press, 2017: 1-6.

[10] EKICI E, AKYILDIZ I F, BENDER M D. A distributed routing

algorithm for datagram traffic in LEO satellite networks[J].

IEEE/ACM Transactions on Networking, 2001, 9(2): 137-147.

[11] DONG C Y, XU X, LIU A J, et al. Load balancing routing algorithm based on extended link states in LEO constellation network[J]. China Communications, 2022, 19(2): 247-260.

[12] DENG D X, ZHENG Z W, HUO M M. A survey: the progress of

routing technology in satellite communication networks[C]//Proceedings of the 2011 International Conference on

Mechatronic Science, Electric Engineering and Computer (MEC).

Piscataway: IEEE Press, 2011: 286-291.

[13] YANG H, GUO B L, YAN K, et al. Constellation structure design

for LEO mega-constellation with optical intersatellite link[C]//

Proceedings of the 2022 Asia Communications and Photonics Conference (ACP). Piscataway: IEEE Press, 2022: 1258-1261.

[14] 王鹏, 张佳鑫, 张兴, 等. 低轨卫星智能多接入边缘计算网络：

需求、架构、机遇与挑战[J]. 移动通信, 2021, 45(5): 35-46.

WANG P, ZHANG J X, ZHANG X, et al. Low earth orbit satellite

intelligent multi-access edge computing networks: requirements,

architecture, opportunities and challenges[J]. Mobile Communications, 2021, 45(5): 35-46.

[15] 张婧阳. 低轨卫星物联网的业务建模与路由算法研究[D]. 成都:

电子科技大学, 2022.

ZHANG J Y. Research on service modeling and routing algorithm

of LEO satellite Internet of Things[D]. Chengdu: University of

Electronic Science and Technology of China, 2022.

[16] QI X X, ZHANG B, QIU Z L. A distributed survivable routing

algorithm for mega-constellations with inclined orbits[J]. IEEE

Access, 2020, 8: 219199-219213.

[17] ZHANG X, YANG Y, XU M W, et al. ASER: scalable distributed

routing protocol for LEO satellite networks[C]//Proceedings of the

2021 IEEE 46th Conference on Local Computer Networks (LCN).

Piscataway: IEEE Press, 2021: 65-72.

[18] RUAN G H, PAN T, LU C C, et al. Lightweight route flooding via

flooding topology pruning for LEO satellite networks[C]//Proceedings of the ICC 2022 - IEEE International Conference on Communications. Piscataway: IEEE Press, 2022:

1149-1154.

[19] 刘高赛, 姜兴龙, 李华旺, 等. 基于位置感知的大规模LEO星座

分布式路由算法[J]. 系统工程与电子技术, 2022, 44(11):

3529-3536.

LIU G S, JIANG X L, LI H W, et al. Large-scale LEO constellation

distributed routing algorithm based on location awareness[J]. Systems Engineering and Electronics, 2022, 44(11): 3529-3536.

[20] HUSSEIN M, ABU-ISSA A, ELAYYAN I. Location-aware load

balancing routing protocol for LEO satellite networks[C]// Proceedings of the 2018 International Conference on Advanced Communication Technologies and Networking (CommNet). Piscataway:

IEEE Press, 2018: 1-7.

[21] KUDOH D, KASHIBUCHI K, NISHIYAMA H, et al. Dynamic

load balancing method based on congestion prediction for IP/LEO

satellite networks[J]. IEICE Transactions on Communications,

2009, 92(11): 3326-3334.

[22] LIU Z L, LI J S, WANG Y R, et al. HGL: a hybrid global-local load

balancing routing scheme for the Internet of Things through satellite networks[J]. International Journal of Distributed Sensor Networks, 2017, 13(3).

[23] 刘子鸾. 卫星网络路由与流量控制关键技术研究[D]. 北京: 北

京邮电大学, 2018.

LIU Z L. Research on the key technologies of routing and traffic

control for satellite network[D]. Beijing: Beijing University of

Posts and Telecommunications, 2018.

[24] 王卫东, 王程, 王慧文, 等. 基于流量预测的物联网卫星节点动

态缓存分配路由策略[J]. 通信学报, 2020, 41(2): 25-35.

WANG W D, WANG C, WANG H W, et al. Dynamic cache allocation routing strategy of Internet of Things satellite node based on traffic prediction[J]. Journal on Communications, 2020, 41(2): 25-35.

[25] 顿聪颖, 金凤林, 谭诗翰, 等. 基于负载均衡的低轨卫星网络动

态路由算法[J]. 无线电工程, 2022, 52(5): 790-798.

DUN C Y, JIN F L, TAN S H, et al. Dynamic routing algorithm for

low orbit satellite network based on load balancing[J]. Radio Engineering, 2022, 52(5): 790-798.

[26] LIU P L, CHEN H Y, WEI S J, et al. Hybrid-Traffic-Detour based

load balancing for onboard routing in LEO satellite networks[J].

China Communications, 2018, 15(6): 28-41.

[27] 周雅, 谢卓辰, 刘沛龙, 等. 基于区域分流的低轨卫星星座星间

负载均衡路由算法[J]. 中国科学院大学学报, 2021, 38(5):

·12· 天地一体化信息网络 第 5 卷

687-695.

ZHOU Y, XIE Z C, LIU P L, et al. Inter-satellite load balancing

routing algorithm for LEO satellite constellation based on regional-traffic-detour[J]. Journal of University of Chinese Academy of

Sciences, 2021, 38(5): 687-695.

[28] DAI S Y, RUI L L, CHEN S Y, et al. A distributed congestion control routing protocol based on traffic classification in LEO satellite

networks[C]//Proceedings of the 2021 IFIP/IEEE International

Symposium on Integrated Network Management (IM). Piscataway:

IEEE Press, 2021: 523-529.

[29] 马久龙, 齐小刚, 陈春绮. 基于拥塞避免的卫星网络路由算法

[J]. 吉林大学学报(理学版), 2019, 57(2): 357-362.

MA J L, QI X G, CHEN C Q. Routing algorithm based on congestion avoidance in satellite networks[J]. Journal of Jilin University

(Science Edition), 2019, 57(2): 357-362.

[30] 秦嘉雯. 基于故障检测的卫星网络抗毁路由研究及验证[D]. 北

京: 北京邮电大学, 2020.

QIN J W. Research and verification of satellite network anti-destructive routing based on fault detection[D]. Beijing: Beijing

University of Posts and Telecommunications, 2020.

[31] 贾梦瑶, 王兴伟, 张爽, 等. 基于软件定义网络的卫星网络容错

路由机制[J]. 计算机应用, 2019, 39(6): 1772-1779.

JIA M Y, WANG X W, ZHANG S, et al. Software defined network

based fault tolerant routing mechanism for satellite networks[J].

Journal of Computer Applications, 2019, 39(6): 1772-1779.

[32] 张芳, 邓畅霖, 王之, 等. 软件定义卫星网络的链路故障检测和

恢复方案[J]. 计算机科学, 2017, 44(6): 63-67.

ZHANG F, DENG C L, WANG Z, et al. Link failure detection and

fast recovery in software-defined satellite network[J]. Computer

Science, 2017, 44(6): 63-67.

[33] SONG G H, CHAO M Y, YANG B W, et al. TLR: a traffic-light-based intelligent routing strategy for NGEO satellite IP

networks[J]. IEEE Transactions on Wireless Communications, 2014,

13(6): 3380-3393.

[34] 李澎, 赵祥, 胡剑平, 等. 基于区域划分的 LEO 卫星星座 QoS

路由算法[J]. 遥测遥控, 2022, 43(2): 17-24.

LI P, ZHAO X, HU J P, et al. QoS routing algorithm for LEO satellite constellation based on region partition[J]. Journal of Telemetry,

Tracking and Command, 2022, 43(2): 17-24.

[35] 张慧卿, 彭宏利. 基于 Pareto 多目标遗传的 LEO 卫星网络多业

务 Qos 路由算法[J]. 电子设计工程, 2017, 25(20): 116-120.

ZHANG H Q, PENG H L. LEO network multi-service Qos routing

using Pareto multi-object genetic algorithm[J]. Electronic Design

Engineering, 2017, 25(20): 116-120.

[36] 石晓东, 李勇军, 赵尚弘, 等. 基于 SDN 的卫星网络多 QoS 目

标优化路由算法 [J]. 系统工程与电子技术 , 2020, 42(6):

1395-1401.

SHI X D, LI Y J, ZHAO S H, et al. Multi-QoS objective optimization routing algorithm of satellite network based on SDN[J]. Systems Engineering and Electronics, 2020, 42(6): 1395-1401.

[37] 王奎宇, 宋晓勤, 缪娟娟, 等. 基于 SDN 的高性能 QoS 保障低

轨道卫星星间路由算法[J]. 计算机工程, 2022, 48(5): 185-190.

WANG K Y, SONG X Q, MIAO J J, et al. SDN-based

high-performance and QoS guaranteed inter-satellite routing algorithm for low-earth orbit satellites[J]. Computer Engineering, 2022,

48(5): 185-190.

[38] PAPA A, DE COLA T, VIZARRETA P, et al. Dynamic SDN controller placement in a LEO constellation satellite network[C]//

Proceedings of the 2018 IEEE Global Communications Conference

(GLOBECOM). Piscataway: IEEE Press, 2018: 206-212.

[39] 袁梦珠. 基于 SDN 的卫星网络关键技术研究[D]. 成都: 电子科

技大学, 2017.

YUAN M Z. Research on key technologies of SDN based satellite

network[D]. Chengdu: University of Electronic Science and Technology of China, 2017.

[40] LI R, ZHANG J X, ZHENG S, et al. LEO mega-constellations

routing algorithm based on area segmentation[C]//Proceedings of

the 2023 IEEE Wireless Communications and Networking Conference (WCNC). Piscataway: IEEE Press, 2023: 1-6.

[41] JIANG Y Q, LIU Y B, WEN Y Y, et al. A clustering algorithm

applied to the satellite networks management[C]//Proceedings of

the Proceedings of the Fourth International Conference on Parallel

and Distributed Computing, Applications and Technologies. Piscataway: IEEE Press, 2003: 396-399.

[42] 吴迪, 魏亿涛, 王光兴. 一种用于 MEO/LEO 卫星网络管理的分

簇算法[J]. 计算机工程与应用, 2007, 43(23): 151-154.

WU D, WEI Y T, WANG G X. Clustering algorithm for MEO/LEO

satellite networks management[J]. Computer Engineering and Applications, 2007, 43(23): 151-154.

[43] HAN C, LIU A J, HUO L Y, et al. Anti-jamming routing for Internet of satellites: a reinforcement learning approach[C]//Proceedings

of the ICASSP 2020 - 2020 IEEE International Conference on

Acoustics, Speech and Signal Processing (ICASSP). Piscataway:

IEEE Press, 2020: 2877-2881.

[44] ZUO P L, WANG C, YAO Z, et al. An intelligent routing algorithm

for LEO satellites based on deep reinforcement learning[C]//Proceedings of the 2021 IEEE 94th Vehicular Technology

Conference (VTC2021-Fall). Piscataway: IEEE Press, 2021: 1-5.

第 1 期 张佳鑫等：巨型星座路由技术综述 ·13·

张佳鑫（1990− ），男，北京邮电大学信息与

通信工程学院副教授、硕士生导师，主要研究

方向为卫星地面融合网络、算力网络与智慧社

区等。

常朝阳（2000− ），男，北京邮电大学硕士生，

主要研究方向为大规模卫星星座组网及控制

技术。

张易隆（2000− ），男，北京邮电大学硕士生，

主要研究方向为星地融合网络。

李睿（1999− ），男，北京邮电大学硕士生，

主要研究方向为 6G 通信与边缘计算、卫星与

蜂窝通信融合。

王凯巍（1999− ），女，北京邮电大学硕士生，

主要研究方向为 5G 边缘计算系统与应用研

发、大数据及应用研发。

张兴（1980− ），男，北京邮电大学信息与通

信工程学院教授、博士生导师，主要研究方向

为 5G /6G 移动通信系统、移动边缘计算与数

据分析、卫星互联网。

[45] WANG H, RAN Y Y, ZHAO L, et al. GRouting: dynamic routing

for LEO satellite networks with graph-based deep reinforcement

learning[C]//Proceedings of the 2021 4th International Conference

on Hot Information-Centric Networking (HotICN). Piscataway:

IEEE Press, 2021: 123-128.

[46] WANG X T, DAI Z Q, XU Z. LEO satellite network routing algorithm based on reinforcement learning[C]//Proceedings of the 2021

IEEE 4th International Conference on Electronics Technology

(ICET). Piscataway: IEEE Press, 2021: 1105-1109.

[47] TSAI K C, FAN L, WANG L C, et al. Multi-commodity flow routing for large-scale LEO satellite networks using deep reinforcement

learning[C]//Proceedings of the 2022 IEEE Wireless Communications and Networking Conference (WCNC). Piscataway: IEEE

Press, 2022: 626-631.

[作者简介]

2024 年 3 月 Space-Integrated-Ground Information Networks March 2024

第 5 卷第 1 期 天 地 一 体 化 信 息 网 络 Vol.5 No.1

面向天地融合网络的虚拟网络映射算法

方嘉睿 1

，张婷婷 1

，赵禹博 2

，武 楠 1

，梁 蓓 3

（1. 北京理工大学，北京 100081；

2. 陆军装甲兵学院士官学校，吉林 长春 130000；

3. 北京雁栖湖应用数学研究院，北京 101408）

摘 要：针对复杂的天地融合网络环境下，用户业务高差异、异质资源强受限、时空尺度大跨越、网络拓扑高动态等特性，给

虚拟网络映射（Virtual Network Embedding，VNE）算法带来的挑战，国内外学者展开了深入研究。首先根据问题特性概述天

地融合网络 VNE 面临的三大核心挑战；然后从场景建模和求解算法两大维度详细分析相关研究的进展，主要涵盖服务质量感

知 VNE、多层跨域异构网络 VNE、动态 VNE 以及 VNE 问题求解算法 4 个方面，并从理论和实践两个方面深入分析应对天地

融合网络 VNE 的解决策略；最后展望未来研究方向，旨在为后续工作提供参考。

关键词：虚拟网络映射；天地融合网络；服务质量感知

中图分类号：TP393

文献标识码：A

doi: 10.11959/j.issn.2096−8930.2024002

Virtual Network Embedding Algorithms for

Integrated Space-Terrestrial Network

FANG Jiarui1

, ZHANG Tingting1

, ZHAO Yubo2

, WU Nan1

, LIANG Bei3

1. Beijing Institute of Technology, Beijing 100081, China

2. Noncommissioned Officer Institute Army Academy of Armored Forces, Changchun 130000, China

3. Beijing Institute of Mathematical Sciences and Applications, Beijing 101408, China

Abstract: Within the intricate environment of integrated space-terrestrial network, VNE algorithms face novel challenges due to the

high variability in user demands, stringent limitations of heterogeneous resources, expansive spatiotemporal scales, and the dynamic

nature of network topologies. In light of this, scholars worldwide have delved deeply into the VNE issues pertaining to these networks.

This review firstly summarized the three core challenges faced by VNE in these networks based on their characteristics. It then elucidated the current state of research from two major perspectives: scenario modeling and algorithmic solutions, primarily encompassing

Quality of Service (QoS) aware VNE, multi-layer cross-domain heterogeneous network VNE, dynamic VNE, and problem-solving algorithms for VNE. Both theoretical and practical strategies to address the VNE challenges in integrated space-terrestrial networks were

analyzed in depth. Finally, it provided a foresight into future research directions, aim to offer valuable insights for subsequent studies.

Keywords: virtual network embedding, integrated space-terrestrial network, quality of service aware

0 引言

随着全球信息化的持续发展，网络基础设施面临来自

多样化服务场景的巨大需求压力。在此背景下，天地融合

网络的概念应运而生，旨在通过融合卫星和地面网络来提

供高速、泛在、灵活可扩展的智能网络服务[1]。为了实现

这一概念，并在各种复杂场景中实现资源利用与服务质量

的最优平衡，虚拟网络映射（Virtual Network Embedding,

VNE）技术的深入探索与应用成为关键之一。

传统的 VNE 技术，作为网络虚拟化（Network Vir收稿日期：2023−10−29；修回日期：2024−02−01

通信作者：张婷婷，zhangtt@bit.edu.cn

基金项目：国家重点研发计划资助项目（No.2021YFB2900601）；北京市自然科学基金（No.M22001）

Foundation Items: National Key Research and Development Program of China (No.2021YFB2900601), Beijing Natural Science Foundation (No.M22001)

第 1 期 方嘉睿等：面向天地融合网络的虚拟网络映射算法 ·15·

tualization，NV）的重要组成部分，主要通过在共享的物

理基础设施上有效地映射虚拟网络请求，来实现各种网络

服务的部署，从而最大化资源利用率，并增强网络性能。

这项技术在地面网络中已得到大量应用，然而，由于天地

融合网络具有用户业务高差异、异质资源强受限、时空尺

度大跨越、网络拓扑高动态等特性，如何在天地融合网络

中有效应用 VNE 技术，成为关键挑战[2]。

近年来，众多学者针对天地融合网络场景下的 VNE

问题进行了广泛研究，提出了各种新型的场景模型和算法

求解方法，取得了一系列研究成果。由于天地融合网络的

复杂性和不确定性，这些解决方案往往只针对部分问题，

尚有很多关键问题亟待解决。为此，本文从 4 个方面深入

探讨 VNE 算法的现状与特点。

1 虚拟网络映射算法概述

虚拟网络映射算法在网络虚拟化技术中扮演着核心

角色，特别是在增强灵活性、降低成本和提高可靠性等方

面表现出显著的优势，然而，将其应用到不断发展变化的

天地融合网络中，却涉及一系列复杂的挑战。下面首先分

析 VNE 技术的基本概念和主要优势，然后分析在天地融

合网络中应用 VNE 技术所面临的挑战。

1.1 VNE 技术的基本概念

网络虚拟化是一种网络架构技术，已经在 5G 架构中

发挥重要作用，并且可以预见其在未来网络架构中仍将至

关重要[3]。在软件定义网络（Software Defined Network,

SDN）和网络功能虚拟化（Network Function Virtualization,

NFV）的推动下，通过共享基础设施并从物理层面解耦网

络资源，多个异构虚拟网络能够动态地分配和映射到同一

个物理网络中，从而更高效地利用物理网络资源，并提供

灵活的虚拟网络配置和管理能力[4]。

虚拟网络映射是网络虚拟化技术中的核心环节，其主

要任务是将虚拟网络请求精确映射到底层的物理网络之

上，以提升网络资源利用率，减小网络运营成本，增强网

络灵活性，如图 1 所示。在传统网络环境下，VNE 技术作

为优化和管理网络资源的有效手段，主要用以支持各类网

络服务的部署。通过 VNE 的应用，当服务提供商（Service

Provider, SP）创建异构网络并提出虚拟网络请求时，基础

设施提供商（Infrastructure Provider, InP）能够选择合适的

虚拟网络映射算法，为虚拟网络请求分配适当的物理资

源，从而灵活地满足各种服务需求[5]。

通常来说，VNE 的优势主要体现在以下 3 个方面。

（1）灵活性：VNE 可根据用户需求和网络环境的变化

动态调整虚拟网络的结构和配置，适应不断变化的网络需

求，从而大幅增强网络的灵活性。

（2）降低成本：通过 VNE 优化映射策略，能更有效

地利用网络资源，节约能源，减少硬件投资，进而显著降

低网络运营的整体成本。

（3）可靠性：VNE 在复杂的网络结构下能提供可靠的

服务，在物理网络出现故障时，能迅速地创建和部署新的

虚拟网络以替代受影响的网络。

借助这些优势，VNE 技术在地面网络和工业网络中的

应用受到了广泛关注，为网络运营商提供了高效的网络管

理和优化方案。然而，当将 VNE 技术扩展到更为复杂、

动态的天地融合网络中时，将会遭遇一系列新的挑战，这

是本文接下来探讨的重点。

图 1 虚拟网络映射过程示意

1.2 天地融合网络 VNE 面临的挑战

下面首先探讨天地融合网络的主要特性，然后分析在

这种特殊网络环境下，应用现有 VNE 技术所面临的一系

列挑战。

首先，天地融合网络的核心特性包括以下几个方面。

（1）动态性：天地融合网络中的设备，例如低地球轨

道（Low Earth Orbit, LEO）卫星，持续动态地移动，导致

网络动态性尤为突出。LEO 卫星的移动可能造成信号强度

下降或连接丢失，且会影响链路质量，引起网络拓扑的迅

速、频繁变化，增加了网络管理和优化的难度。

（2）跨域异构性：天地融合网络可能会涵盖多种网络

类型，如 LEO 卫星网络、地面网络、高空平台等。由于

网络设备的性能和能力各异，形成了高度异构的网络环

境。每种网络具备不同特性，例如卫星网络覆盖广但时延

大，地面网络覆盖小但时延小，这就需要能够处理和优化

多域异构网络的综合管理策略。

（3）服务质量：由于信号传播距离的限制，天地融合

网络中的通信时延要求通常比传统网络要严格，而且带宽

资源相对受限，受卫星覆盖范围和信号质量影响的时延、

·16· 天地一体化信息网络 第 5 卷

抖动和丢包等问题也更为明显。同时，天地融合网络对用

户服务质量的要求更加苛刻，所面临的用户请求具有高并

发、差异化、变化快等特点。

（4）计算复杂性：由于天地融合网络的动态性和异

构性，资源配置和管理异常复杂。特别是在多层跨域结

构下，不同层次的资源分配必须优化，以确保整个网络

高效运营。

在将现有 VNE 技术应用于天地融合网络时，需认识

到以下挑战和问题。

（1）动态网络的快速自适应映射问题：由于天地融合

网络的动态性，现有 VNE 技术难以应对节点和链路状态

的时刻变化，这对传统 VNE 技术的快速自适应性提出了

重大挑战。由于网络的不可预测性，要求能够实时响应网

络状态、流量模式和资源可用性的变化，而传统 VNE 技

术通常无法提供及时和精准的响应。

（2）大规模异构网络的跨域资源适配问题：高度异构

的天地融合网络中的资源匹配和优化问题难以用传统方

法解决。设计 VNE 算法时，需充分考虑卫星通信特性，

如时延敏感性、链路稳定性等，并进一步探索域间协同调

度策略，以增强灵活性。

（3）业务高差异的精准匹配问题：现有 VNE 技术难

以满足天地融合网络内多元的差异化服务要求。例如，对

于超远程实时业务、高速移动宽带业务等，现有 VNE 技

术往往难以提供满意的解决方案。需有新的 VNE 算法在

满足各种服务质量（QoS）需求的同时对不同业务进行精

准匹配，有效地分配和优化网络资源，还需考虑服务优先

级，如在紧急情况下保证关键业务。

综上，现有的 VNE 技术难以直接应用于天地融合网

络，亟须在现有 VNE 技术的基础上进行深入研究和改进，

以适应天地融合网络的独特性和需求。

2 虚拟网络映射算法在天地融合网络领域的

研究现状

现有研究可以从两个角度进行分类。一方面，从对网

络场景建模的角度来看，可以分为服务质量感知 VNE、多

层跨域异构网络 VNE 以及动态 VNE；另一方面，从 VNE

问题求解算法的角度来看，可以分为启发式算法和智能算

法。下面对上述两个角度中共 4 个研究方向的现状进行分

析，部分研究对比见表 1。

2.1 基于服务质量感知的 VNE 研究

传统 VNE 问题主要关注带宽、计算资源的匹配问题

等。然而，为了满足天地融合网络应用场景中高差异业务

的精准匹配需求，尤其是在 SDN 和 NFV 等技术的推动下，

更加全面和多样化的资源类型已经成为 VNE 的首要考虑

因素。此外，用户对网络服务质量的需求也在不断提高，

用户需要满足更加个性化的 QoS 需求，如时延、可靠性、

安全性等指标。因此，研究者开始关注如何有针对性地优

化用户的服务质量。

在服务质量的 VNE 算法方面，最早并非专门为天地

融合网络设计，而是重点关注服务质量指标约束下的业务

匹配问题。例如 Zhang 等[6]考虑了存储资源，Cao 等[7]分

析了运行内存的影响，但是对面向用户需求的服务质量的

考虑有所欠缺。为此，相关研究开始聚焦面向用户的服务

质量特性，例如 Li 等[8]设计了基于时延的 QoS 指标，并

与网络链路负载相结合；Pham 等[9]关注能耗敏感型设备的

能量消耗；Zhang 等[10]引入了安全性指标；Jiang 等[11]则提

出了综合多项上述 QoS 指标需求的 VNE 算法。综上，

针对地面网络的研究涉及安全、能耗、网络性能等诸多

方面，且服务质量在天地融合网络这一大规模网络场景

中具有更加重要的意义，是保障不同类型业务匹配精准

性的基础。

由于天地融合网络的场景更为复杂，面向服务质量

的 VNE 问题的难度也随之增加，传统网络场景中的方

法在天地融合网络应用场景中的适用性存在巨大挑战。

针对天地融合网络背景的服务质量 VNE 算法随后出

现，例如 Chen 等[12]将传统网络场景中的算法移植到了

天地融合网络中，综合考虑时延、安全等 QoS 指标，

初步验证了算法在天地融合网络场景中的性能表现并

为服务质量的保障提供了思路，但仍然偏向于传统的资

源匹配，对业务的差异性体现不足。此外，为了进一步

优化算法在天地融合网络背景中的服务质量表现，结合

网络的异构跨域性质，Cao 等[13]考虑了卫星频谱资源和

计算存储资源的稀缺性，设计了针对星上、空中或地面

节点的选择部署机制。Zhang 等[14]提出了针对天地融合

网络的时延敏感 VNE 算法，与传统的时延优化算法不

同，在评估时延时考虑了卫星间以及星地间通信的流量

大小和跳数对时延的影响。上述研究初步给出了异构跨

域网络中进行资源匹配的建模方法，并借此提升算法对

服务质量的保障能力。此外，参考文献[15]在考虑频谱

等资源稀缺性的基础上还考虑了卫星功率限制，并充分

利用天地融合网络的中继节点边缘缓存能力，将热点任务

提前缓存在网络节点中，以提升不同业务中用户的 QoS

和体验质量（Quality of Experience, QoE），为解决天地融

合网络中差异化业务的精准适配难题提供了思路。

第 1 期 方嘉睿等：面向天地融合网络的虚拟网络映射算法 ·17·

当前，基于 QoS 感知的 VNE 问题在天地融合网络

中已取得一定的研究进展，但是还存在许多挑战和改进

空间。未来的研究重点应包括：如何在保证 QoS 的前

提下，进一步提高跨域异构网络中的资源利用率；如何

在面对动态变化的网络环境时，设计更灵活和高效的部

署策略；如何构建能够满足不同用户差异化需求的个性

化算法等。此外，随着网络技术的发展，可能会涉及更

多类型的资源和 QoS 指标以满足差异化的业务需求，

如何对业务进行建模并辅助算法进行适配，这也是未

来研究的重要方向。期待通过对以上几个方向的深入

研究，在天地融合网络的 VNE 问题中实现更多的突破

和创新，为实现更加高效、可靠和安全的网络服务奠

定坚实基础。

2.2 多层跨域异构网络的 VNE 研究

天地融合网络具有覆盖范围广、网元设备异质性

强、体系架构复杂的特点，是典型的多层跨域异构网络，

如图 2 所示。天地融合网络由卫星网络、空中网络和地

面网络 3 层网络构成，3 层网络内部还可继续细分。例

如，卫星网络 根据轨道 高度可分为地球同 步轨道

（Geostationary Orbit, GEO）卫星网络、中地球轨道

（Medium Earth Orbit, MEO）卫星网络和低地球轨道

（Low Earth Orbit, LEO）卫星网络；空中网络可以分为

无人机、飞艇等飞行物体构成的网络或高空平台（High

Altitude Platform, HAP）网络和低空平台（Low Altitude

Platform, LAP）网络等；传统地面网络则可分为核心网、

无线接入网、传输网等更复杂的组成部分。这种特殊的

网络结构直接导致了如何在天地融合网络这一大规模

异构网络中进行跨域资源适配的难题。

图 2 多层跨域异构的天地融合网络示意

表 1 天地融合网络中的 VNE 技术部分研究对比

参考文献编号 主要研究方向 VNE 求解算法 研究要点 技术思路 研究成果 局限性

[12] 基于服务质量感知

的 VNE 研究

深度强化学习

和图机器学习

时延、安全等 QoS 指

标的综合匹配

传统网络 VNE 应用和

图卷积网络空间特征

提取能力

业务精准匹配和

快速自适应算法

业务的差异性体现不足

[15] 基于服务质量感知

的 VNE 研究

深度强化学习 卫星功率限制 中继节点边缘缓存 业务差异性精准

匹配

算法快速自适应不足

[13] 基于服务质量感知

和多层跨域异构网

络的 VNE 研究

启发式算法 卫星、空中、地面网

络的多层网络部署与

跨域调度

卫星频谱资源和计算

存储资源的稀缺性和

异构节点的加权指标

考虑

异构跨域性质的

适配问题

缺乏对多域网络中域间

协同、依赖关系的深入

探讨

[14] 基于服务质量感知

和多层跨域异构网

络的 VNE 研究

深度强化学习 时延敏感 VNE 考虑星间和星地间的

流量大小和跳数对时

延的影响

服务质量优化和

异构跨域网络中

的时延考虑

[21] 多层跨域异构网络

的 VNE 研究

深度强化学习 天地融合网络的异构

特性

不同通信技术、资源

和约束的细分模型

多层跨域异构网

络的建模和资源

编排

缺乏对多域特性和服务

质量的深度结合

[22] 多层跨域异构网络

的 VNE 研究

启发式算法 天地融合网络的跨域

特性

4类差异化业务和卫星

与地面网络跨域协作

多层跨域异构网

络的资源编排和

卫星—地面协作

[31] 动态 VNE 研究 启发式算法 迁移和重新实例化产

生的额外时延和迁移

成本

引入重映射策略处理

动态 VNE 问题

重映射带来的权

衡点

未考虑动态网络拓扑和

卫星节点的功率约束、

物理链路的速率约束

[33] 动态 VNE 研究 启发式算法 天地融合网络的拓扑

变化

利用卫星固定轨道的

可预测特点提前重新

映射网络请求

减少因业务违反

初始调度策略的

约束而被拒绝时

的额外成本

大规模异构网络中的快

速自适应能力不足

[39] 多层跨域异构网络

的 VNE 研究

启发式算法 多域模式和卫星编队

模式的 VNE 问题

采用不同算法 降低时延和功耗 缺乏统一的网络模型

[46] 基于服务质量感知

的 VNE 研究

深度强化学习 天地融合网络的功耗 利用强化学习实时更

新策略

自适应降低功耗 涉及复杂的大量的计算

和训练数据导致的快速

部署问题

·18· 天地一体化信息网络 第 5 卷

由于天地融合网络的准确数学模型仍在完善阶

段，下面将重点分析现有研究如何构建多层跨域和异

构属性的模型，并讨论其采用的相关理论与方法，主

要聚焦在多层跨域异构网络中的部署优化和资源编排

应用方面。本文将先分析地面网络系统的相关成果，

然后进一步分析天地融合网络中的相关模型和算法的

优劣与挑战。

关于多层跨域异构网络建模与优化的研究最初起源

于现行地面网络系统。例如，Zhang 等[16]通过联合优化各

层间的资源分配，与 Chowdhury 等[17]通过解耦不同层间的

资源分配过程简化映射问题，解决了多层基础设施的相互

依赖性和资源约束问题。Addad 等[18]研究了 5G 网络中的

跨域网络建模，并构建了一个支持跨域通信和资源共享

的多域模型，这对优化网络资源分配至关重要。Marinova

等[19]研究了端到端网络的跨域通信需求，包括资源分配和

路由优化，该多域建模方式可以覆盖多个云平台区域的无

线网络。Quang 等[20]在非合作环境中构建了多域模型，将

每个域建模为一个具有独立资源集的网络进行处理，各个

域间无须进行显式通信。上述基于地面网络的研究给出了

针对不同场景的跨域资源适配思路，可以为在天地融合网

络中大规模部署算法提供启示。

最新的研究开始聚焦于天地融合网络场景下的多

层跨域异构网络。例如，针对天地融合网络的异构特性，

Zhang 等[21]在建模过程中首先将天地融合网络分为具有

不同通信技术、资源和约束的不同域，其次在各域内进

一步细分不同网络资源承载能力的节点和链路，最后融

合链路和部署因素以捕捉不同域间的复杂交互，实现了

异构网络中的高效资源编排和服务供应。参考文献[14]

则基于上述模型进一步提出天地融合网络的时延敏感

VNE 算法，并在评估时延时考虑卫星间以及星地间的流

量大小和跳数对时延的影响，从而验证了跨域异构的天

地融合网络中算法的性能表现。此外，针对天地融合网

络的多域性质，Wang 等[22]重点研究了网络内的不同通

信技术和约束下的异构网络拓扑域，并通过区分出 4 类

差异化业务，验证了天地融合网络中卫星与地面网络跨

域协作的优越性，实现了高效资源编排。Cao 等[13]也针

对异构节点设计了加权指标以区分卫星、空中、地面网

络节点，有助于算法实现多层网络的部署和跨域网络的

调度。

目前，天地融合网络背景下的多域网络研究成果相对

较少，仍需借鉴地面网络中的相关研究进行深入探索。第

一，缺乏对多域网络中域间协同、依赖关系的深入探讨，

如 Nguyen 等[23]的多层网络模型更注重层与层之间的相互

依赖性，并相应地优化资源分配。Lu 等[24]采用了更为细

粒度的多层网络建模，上层和下层协同工作，设计了上层

网络的需求无法满足时对下层网络资源进行调度的机制，

这种具有分层组织结构的模型可以为需要细粒度业务隔

离的大型网络提供服务，进一步优化算法性能和资源分

配。第二，在天地融合网络背景中，仍然缺乏对多域特性

和服务质量的深度结合，如 Andreoletti 等[25]将多域属性

和隐私保护相结合，综合考虑了具有不同隐私要求的各

个网络域，确保在映射过程中一个域的敏感信息不会被

泄露到其他域。Zhang 等[26]针对多域特性，进一步设计

了基于水平联邦学习技术的 VNE 算法，以增强多域网

络中的数据隐私保护。上述改进 VNE 算法，可以进一

步提升面对大规模异构网络的跨域资源适配难题的解

决能力。

综上，基于多层跨域异构网络的 VNE 正在成为一种

趋势，其重要性和挑战性在于如何构建和优化这种网络

的模型，以及如何进行有效的资源编排。具体来说，跨

域通信和资源共享、异构网络内的通信技术和网络拓扑、

多层网络结构中的资源约束和优化等因素是该领域的研

究重点。

2.3 动态 VNE 研究

天地融合网络的环境和用户请求持续动态变化，为

VNE 带来了诸多挑战。动态 VNE 过程如图 3 所示，其中

网络环境多层次、多时段的动态性及用户请求的不可预测

性，使得 VNE 的复杂度进一步提升。目前的研究主要采

用时间窗策略和重映射策略来处理动态 VNE 中变化的用

户请求和网络环境，着眼于提高资源利用率并适应不断变

化的需求和拓扑。然而，这一领域对算法层面的优化，尤

其是针对天地融合网络的网络环境本身动态特性进行深

入优化的研究仍然较少。

图 3 动态 VNE 过程

在传统网络中，动态 VNE 的研究已经取得了一定成

果，如对于动态 VNE 中的用户请求多变、高并发和差异

性问题，研究者提出了时间窗策略。其中，Nguyen 等[27]

和 Rubilo-loyola 等[28]通过引入时间窗策略，实现了在线映

第 1 期 方嘉睿等：面向天地融合网络的虚拟网络映射算法 ·19·

射以最大化网络资源的利用效率，这种策略综合考虑了一

段时间内的用户请求变化，并通过优先级进行调度，转化

动态 VNE 问题为静态 VNE 问题。此外，针对动态 VNE

中环境变化和用户请求变化的通用策略是重映射策略，如

Dehury 等[29]的研究，为动态网络环境引入了重映射策略，

当已部署的网络请求因网络情况变化或用户需求变化无

法满足时重新进行部署。在此基础上，Zhang 等[30]也引入

了重映射策略以提升动态网络请求中的映射效果，并利用

图卷积神经网络的特征提取能力和强化学习自我调整能

力改进算法，实现了更加有效地利用和优化网络资源，对

多变的用户请求具有一定的自适应能力。尽管如此，这些

研究并未专门针对天地融合网络的特殊环境动态性进行

优化。

近年来，部分研究者开始探索天地融合网络中的动

态 VNE 问题，并将环境动态性重点纳入了考虑。例如，

Li 等[31]为了处理拓扑结构高度动态情况下的问题，引入

重映射策略并细化为网络请求的实时迁移和重新实例

化。针对天地融合网络中的异构节点差异化建模了迁移

和重新实例化产生的额外时延和迁移成本，进一步分析

天地融合网络中执行重映射策略换取更好映射效果的

权衡点。这种方法虽然考虑了网络环境的动态性，却没

有明确考虑动态网络拓扑（例如卫星网络）的链路属性

变化的影响，也忽略了卫星节点的功率约束和物理链路

的速率约束。此外，上述研究对天地融合网络的动态性建

模也不够准确，例如 LEO/MEO 卫星拥有固定的轨道[32]，

拓扑应该不是随机变化的。为应对这些问题，Maity 等[33]充

分考虑天地融合网络的动态特点，针对服务请求生命

周期内网络拓扑变化的影响，首先假设当前时隙的下

一个时隙的卫星运动是可预测的，进而在拓扑变化之

前主动重新映射网络请求，使得未完成的请求不受影

响，减少因业务违反初始调度策略的约束而被拒绝时

再被动进行重映射带来的额外成本。上述研究开创性

地针对天地融合网络中网络环境变化的特殊性对算法

进行了改进，提供了实现动态网络环境中高效映射的

思路，但其采用的启发式算法仍需面对大规模网络中

的快速自适应问题。

总体而言，当前的研究主要从策略层面对天地融合网

络中的动态 VNE 问题进行了一定程度的探索和优化。在

算法层面上，如何更好地处理动态 VNE 问题，以确保实

际应用场景的可行性，仍是一项待解难题。对此，传统地

面网络的部分研究可以提供一定启发，如参考文献[30]综

合运用了深度强化学习技术和图机器学习技术，可以在动

态用户请求问题中有更好的自适应效果。同时，也可以针

对天地融合网络的特性改进现有网络场景的建模，并且进

一步探索人工智能算法如图机器学习、循环神经网络等技

术在天地融合网络环境动态问题中的应用，提升算法的鲁

棒性和实用性。希望通过对天地融合网络中两类动态性问

题进行针对性的优化，可以解决动态网络的快速自适应映

射难题。

2.4 VNE 问题求解算法的现状

在天地融合网络背景下，VNE 求解算法经历了从启

发式到智能方法的重要演变。在这个过程中，前沿的机

器学习技术开始广泛应用，以更好地解决复杂环境下的

VNE 问题，从而进一步提升了网络的资源利用率和整体

网络效率。

（1）基于启发式算法的 VNE 解决方法

启发式算法是 VNE 算法的早期研究重点。这些算法

依靠某种规则或经验法则（往往会被归纳成可计算的指

标），以可控的计算复杂度解决 VNE 问题。然而，这在

天地融合网络动态性强、复杂度高的环境中可能存在局

限性。因此，启发式算法在传统网络中的应用案例很多，

如 Chowdhury 等[34]设计了整体网络资源消耗指标；Yu

等[35]提出的局部资源容量指标；Cheng 等[36]借助拓扑特

征矩阵设计节点排序指标；Gong 等[37]设计的全局资源容

量指标；Zhang 等[6]利用计算、网络和存储资源的比例作

为指标；Song 等[38]使用集合粒子群优化算法，借助历史

信息辅助搜索过程，提升了算法性能。

在天地融合网络中，启发式算法有所运用。Li 等[39]

为了同时解决天地融合网络中的多域模式和卫星编队模

式两种部署模式下的 VNE 问题，设计了两套适合不同业

务请求的启发式算法，虽然可以降低时延和丢包率，但

缺乏统一的网络模型。参考文献[22]中设计了包含多种

空中和地面节点的不同特征在内的综合指标，应用贪

心算法平衡星地资源消耗，验证了天地融合网络中卫

星与地面网络跨域协作的可行性，仅在小规模、异构

性较弱的静态网络中进行了仿真。参考文献[33]中也采

用了启发式算法，验证了天地融合网络中解决动态环

境和变化请求的策略，但采用的是小规模、异构性较

弱的网络。

（2）基于人工智能的 VNE 解决方法

随着技术的进步，智能算法展现出解决 VNE 问题的

强大潜力。通过学习和推理，这些算法可以从历史数据中

发现有价值的规律，并据此进行决策，从而更好地适应网

络环境的动态性和复杂性。

·20· 天地一体化信息网络 第 5 卷

例如，Haeri 等[40]提出的蒙特卡洛树搜索 VNE 算法，

利用随机抽样技术来探索可能的映射空间，以找到最优

解。Blenk 等[41]利用神经网络预测最佳映射策略，已经

在传统网络环境中取得了成功。Yao 等[42]提出的基于强

化学习的 VNE 算法，是一种能够从过去的经验中学习

并适应不断变化网络条件的方法。Habibi 等[43]提出的图

神经网络加速技术和 Yan 等[44]提出的深度强化学习与

图卷积网络结合的方法，都利用了图神经网络的强大能

力，从网络拓扑中学习更好的映射。

为了进一步适应天地融合网络中的复杂 VNE 问题，

研究者已经广泛使用智能算法作为求解方法。例如，为了

解决天地融合网络中的功耗问题，Chen 等[45]使用改进的

Kuhn-Munkras 组合优化算法；Zhou 等[46]借助深度强化学

习算法进一步提升了算法的性能。除此之外，参考文献

[12]、参考文献[15]也针对特定问题使用了深度强化学习算

法和图卷积神经网络等智能算法。这些研究进一步验证了

面对天地融合网络的挑战，如动态变化的链路状态、复杂

的地面和卫星节点分布等，智能算法显示出强大的自适应

性和优化能力。由于这些智能算法通常涉及复杂的计算和

大量的训练数据，因此带来了算法效率上的挑战。

总的来说，启发式算法和智能算法各有优势。启发

式算法具有计算复杂度低、部署难度小的优点，能够在

计算资源有限、对实时性要求较高的场合中，提供可行

的解决方案。面对天地融合网络这种复杂、动态的环境，

启发式算法在资源分配、性能优化等方面存在局限。智

能算法通过学习和优化，能够找到更优的映射方案，提

高资源利用率，适应复杂、动态的天地融合网络环境。

这些算法的计算需求较高，且模型的训练和调试过程可

能较为复杂，对于实时性要求极高的场景，可能会有一

定的局限性。此外，智能算法中大量使用了人工智能算

法，进而影响到模型的可解释性、鲁棒性等方面，使得

当前的智能算法距离在天地融合网络中实际应用还有较

大差距。

综上所述，从启发式算法到智能算法的转变反映了

VNE 问题复杂性的增加，研究者正在寻求更灵活、高效的

解决方案，尤其在天地融合网络的环境下，由于其高度的

动态性和复杂性，需要更先进的算法来应对 VNE 问题的

快速自适应映射挑战。尽管智能算法在处理天地融合网络

环境下的 VNE 问题上取得了一些进展，却仍然存在诸多

挑战和未解决的问题，需要在未来的研究中进行更深入的

探讨。

3 面临的问题和挑战

当前，VNE 在天地融合网络中的研究正处于关键的

探索阶段，尽管 VNE 在解决网络管理和优化问题方面已

展现出了巨大的潜力，但在实际应用中仍面临若干重要

挑战。

（1）智能算法的进一步发展：正如前文所述，智能

算法在 VNE 问题中展示出强大的性能。天地融合网络的

特性和需求为优化算法提出了新的挑战，尤其是在多层

跨域异构网络中进行资源分配需面对的多目标优化问题

的处理。因此，当前智能算法需进一步发展，以提高其

在处理天地融合网络的 VNE 问题时的效率和精度。设计

轻量、高效且低复杂度的快速自适应算法是当前研究的

重要方向。

（2）用户感知的多目标优化：天地融合网络中的 VNE

涉及多个用户感知的因素，如资源利用率、接收率、能

耗、时延等。传统的优化方法往往无法全面考虑这些因

素，导致优化结果可能无法满足用户的差异化业务需求。

图机器学习具有强大的表征学习能力，可以捕捉和学习

网络中的复杂关系，有助于更好地理解和处理这些用户

感知的优化问题。同时，深度强化学习的环境反馈特性

可以用来解决多目标优化问题。例如，可以通过设定奖

赏机制，使 DRL 模型能够自动探索和学习，以最大化资

源利用率、接收率等目标，同时控制能耗、时延等在可

接收范围。

（3）在线学习和自适应策略：天地融合网络的实时

性和动态性要求 VNE 算法能够及时响应网络状态的变

化。强化学习的在线学习特性在这方面可以发挥重要作

用。强化学习通过与环境的交互学习，能够自适应动态

的网络环境和用户请求，实时更新模型，对新出现的网

络状态进行学习，使得模型的性能持续优化。除此之外，

强化学习中的多智能体算法可以进一步减少策略耗费的

时间，或许可以解决在天地融合网络中进行快速映射的

难题。如何设计出高效的自适应 VNE 策略，是当前研究

的重要内容，也是将智能化的 VNE 算法推向实际应用的

最关键一步。

（4）隐私和安全：随着网络虚拟化的发展，如何在

保证 VNE 性能的同时保护用户隐私和网络安全，成为

了重要的研究方向。例如，利用联邦学习等技术在分

散的网络节点上进行模型训练，保护数据隐私，或利

用图神经网络等方法检测网络中的异常，提前预防网

络攻击。

第 1 期 方嘉睿等：面向天地融合网络的虚拟网络映射算法 ·21·

参考文献：

[1] XU M R, NIYATO D, XIONG Z H, et al. Quantum-secured

space-air-ground integrated networks: concept, framework, and case

study[J]. IEEE Wireless Communications, 2022, 1(1): 1-8.

[2] LIU J, HE X C, CHEN T J, et al. SN-VNE: a virtual network embedding algorithm for satellite networks[C]//Proceedings of 2019

IEEE/CIC International Conference on Communications Workshops

in China (ICCC Workshops). Piscataway: IEEE Press, 2019: 1-6.

[3] SHEN X M, GAO J, WU W, et al. Holistic network virtualization

and pervasive network intelligence for 6G[J]. IEEE Communications Surveys & Tutorials, 2022, 24(1): 1-30.

[4] ALHUSSEIN O, DO P T, YE Q, et al. A virtual network customization framework for multicast services in NFV-enabled core networks[J]. IEEE Journal on Selected Areas in Communications, 2020,

38(6): 1025-1039.

[5] ZHANG Y S, LI C C, CHEN N, et al. Intelligent requests orchestration for microservice management based on blockchain in software

defined networking: a security guarantee[C]//Proceedings of 2022

IEEE International Conference on Communications Workshops

(ICC Workshops). Piscataway: IEEE Press, 2022: 254-259.

[6] ZHANG P Y, YAO H P, LIU Y J. Virtual network embedding based

on computing, network, and storage resource constraints[J]. IEEE

Internet of Things Journal, 2018, 5(5): 3298-3304.

[7] CAO H T, WU S C, AUJLA G S, et al. Dynamic embedding and

quality of service-driven adjustment for cloud networks[J]. IEEE

Transactions on Industrial Informatics, 2020, 16(2): 1406-1416.

[8] LI M Y, CHEN C L, HUA C Q, et al. Intelligent latency-aware

virtual network embedding for industrial wireless networks[J].

IEEE Internet of Things Journal, 2019, 6(5): 7484-7496.

[9] PHAM M, HOANG D B, CHACZKO Z. Congestion-aware and

energy-aware virtual network embedding[J]. IEEE/ACM Transactions on Networking, 2020, 28(1): 210-223.

[10] ZHANG P Y, WANG C, JIANG C X, et al. Resource management

and security scheme of ICPSs and IoT based on VNE algorithm[J].

IEEE Internet of Things Journal, 2022, 9(22): 22071-22080.

[11] JIANG C X, ZHANG P Y. QoS-Aware virtual network embedding[M]. Singapore: Springer, 2021.

[12] CHEN N, SHEN S G, DUAN Y X, et al. Non-euclidean

graph-convolution virtual network embedding for space–air–

ground integrated networks[J]. Drones, 2023, 7(3): 165.

[13] CAO H T, SHEN S G, GUO Y A, et al. Resource allocation and

orchestration of slicing services in softwarized space-aerial-ground

integrated networks[C]//Proceedings of 2023 International Wireless

Communications and Mobile Computing (IWCMC). Piscataway:

IEEE Press, 2023: 769-774.

[14] ZHANG P Y, ZHANG Y, KUMAR N, et al. Deep reinforcement

learning algorithm for latency-oriented IIoT resource orchestration[J]. IEEE Internet of Things Journal, 2023, 10(8): 7153-7163.

[15] ZHANG P Y, LI Y J, KUMAR N, et al. Distributed deep reinforcement learning assisted resource allocation algorithm for

space-air-ground integrated networks[J]. IEEE Transactions on

Network and Service Management, 2022, 1(1): 1-1.

[16] ZHANG J W, JI Y F, SONG M, et al. Dynamic virtual network

embedding over multilayer optical networks[J]. Journal of Optical

Communications and Networking, 2015, 7(9): 918-927.

[17] CHOWDHURY S R, AYOUBI S, AHMED R, et al. Multi-layer

virtual network embedding[J]. IEEE Transactions on Network and

Service Management, 2018, 15(3): 1132-1145.

[18] ADDAD R A, BAGAA M, TALEB T, et al. Optimization model for

cross-domain network slices in 5G networks[J]. IEEE Transactions

on Mobile Computing, 2020, 19(5): 1156-1169.

[19] MARINOVA S, LIN T, BANNAZADEH H, et al. End-to-end network slicing for future wireless in multi-region cloud platforms[J].

Computer Networks, 2020, 177: 107298.

[20] QUANG P T A, BRADAI A, SINGH K D, et al. Multi-domain

non-cooperative VNF-FG embedding: a deep reinforcement learning approach[C]//Proceedings of IEEE INFOCOM 2019 - IEEE

Conference on Computer Communications Workshops (INFOCOM

WKSHPS). Piscataway: IEEE Press, 2019: 886-891.

[21] ZHANG P Y, WANG C, KUMAR N, et al. Space-air-ground integrated multi-domain network resource orchestration based on virtual network architecture: a DRL method[J]. IEEE Transactions on

Intelligent Transportation Systems, 2022, 23(3): 2798-2808.

[22] WANG G C, ZHOU S, ZHANG S, et al. SFC-based service provisioning for reconfigurable space-air-ground integrated networks[J].

IEEE Journal on Selected Areas in Communications, 2020, 38(7):

1478-1489.

[23] NGUYEN H T, VU A V, NGUYEN D L, et al. A generalized

resource allocation framework in support of multi-layer virtual

network embedding based on SDN[J]. Computer Networks, 2015,

92: 251-269.

·22· 天地一体化信息网络 第 5 卷

[24] LU M L, GU Y, XIE D L. A dynamic and collaborative multi-layer

virtual network embedding algorithm in SDN based on reinforcement learning[J]. IEEE Transactions on Network and Service Management, 2020, 17(4): 2305-2317.

[25] ANDREOLETTI D, VELICHKOVA T, VERTICALE G, et al. A

privacy-preserving reinforcement learning algorithm for multi-domain virtual network embedding[J]. IEEE Transactions on

Network and Service Management, 2020, 17(4): 2291-2304.

[26] ZHANG P Y, CHEN N, LI S B, et al. Multi-domain virtual network

embedding algorithm based on horizontal federated learning[J].

IEEE Transactions on Information Forensics and Security, 2023, 18:

3363-3375.

[27] NGUYEN L D, KIM N, KIM S, et al. RT-VNE: a real-time strategy

for Virtual Network Embedding towards resource efficiency[C]//Proceedings of 2017 International Conference on Information Networking (ICOIN). Piscataway: IEEE Press, 2017:

185-190.

[28] RUBIO-LOYOLA J, AGUILAR-FUSTER C, TOSCANO- PULIDO G, et al. Enhancing metaheuristic-based online embedding in

network virtualization environments[J]. IEEE Transactions on Network and Service Management, 2018, 15(1): 200-216.

[29] DEHURY C K, SAHOO P K. DYVINE: fitness-based dynamic

virtual network embedding in cloud computing[J]. IEEE Journal on

Selected Areas in Communications, 2019, 37(5): 1029-1045.

[30] ZHANG P Y, WANG C, KUMAR N, et al. Dynamic virtual network embedding algorithm based on graph convolution neural network and reinforcement learning[J]. IEEE Internet of Things Journal, 2022, 9(12): 9389-9398.

[31] LI J L, SHI W S, WU H Q, et al. Cost-aware dynamic SFC mapping

and scheduling in SDN/NFV-enabled space–air–ground- integrated

networks for Internet of vehicles[J]. IEEE Internet of Things Journal, 2022, 9(8): 5824-5838.

[32] LI J, LU H C, XUE K P, et al. Temporal netgrid model-based dynamic routing in large-scale small satellite networks[J]. IEEE

Transactions on Vehicular Technology, 2019, 68(6): 6009-6021.

[33] MAITY I, VU T X, CHATZINOTAS S, et al. D-ViNE: dynamic

virtual network embedding in non-terrestrial networks[C]//

Proceedings of 2022 IEEE Wireless Communications and

Networking Conference (WCNC). Piscataway: IEEE Press,

2022: 166-171.

[34] CHOWDHURY M, RAHMAN M R, BOUTABA R. ViNEYard:

virtual network embedding algorithms with coordinated node and

link mapping[J]. IEEE/ACM Transactions on Networking, 2012,

20(1): 206-219.

[35] YU M L, YI Y, REXFORD J, et al. Rethinking virtual network

embedding: substrate support for path splitting and migration [J].

ACM SIGCOMM Computer Communication Review, 2008, 38(2):

17-29.

[36] CHENG X, SU S, ZHANG Z B, et al. Virtual network embedding

through topology-aware node ranking[J]. ACM SIGCOMM Computer Communication Review, 2011, 41(2): 38-47.

[37] GONG L, WEN Y G, ZHU Z Q, et al. Toward profit-seeking virtual

network embedding algorithm via global resource capacity[C]//Proceedings of IEEE INFOCOM 2014 - IEEE Conference on

Computer Communications. Piscataway: IEEE Press, 2014: 1-9.

[38] SONG A, CHEN W N, GU T L, et al. Distributed virtual network

embedding system with historical archives and set-based particle

swarm optimization[J]. IEEE Transactions on Systems, Man, and

Cybernetics: Systems, 2019, 51(2): 927-942.

[39] LI T X, ZHOU H C, LUO H B, et al. Service function chain in

small satellite-based software defined satellite networks[J]. China

Communications, 2018, 15(3): 157-167.

[40] HAERI S, TRAJKOVIĆ L. Virtual network embedding via Monte

Carlo tree search[J]. IEEE Transactions on Cybernetics, 2018, 48(2):

510-521.

[41] BLENK A, KALMBACH P, ZERWAS J, et al. NeuroViNE: a neural preprocessor for your virtual network embedding algorithm[C]//Proceedings of IEEE INFOCOM 2018 - IEEE Conference on Computer Communications. Piscataway: IEEE Press, 2018:

405-413.

[42] YAO H, CHEN X, LI M, et al. A novel reinforcement learning

algorithm for virtual network embedding[J]. Neurocomputing, 2018,

284: 1-9.

[43] HABIBI F, DOLATI M, KHONSARI A, et al. Accelerating virtual

network embedding with graph neural networks[C]//Proceedings of

2020 16th International Conference on Network and Service Management (CNSM). Piscataway: IEEE Press, 2020: 1-9.

[44] YAN Z X, GE J G, WU Y L, et al. Automatic virtual network embedding: a deep reinforcement learning approach with graph convolutional networks[J]. IEEE Journal on Selected Areas in Communications, 2020, 38(6): 1040-1057.

[45] CHEN Q, MENG W X, HE C G. Graph-based resource allocation

第 1 期 方嘉睿等：面向天地融合网络的虚拟网络映射算法 ·23·

方嘉睿（2001− ），男，北京理工大学硕士生，

主要研究方向为天地融合网络、智能组网。

张婷婷（1989− ），女，北京理工大学预聘助

理研究员，主要研究方向为天地融合网络、软

件定义网络、网络功能虚拟化、智能组网。

赵禹博（1992− ），男，陆军装甲兵学院士官

学校助教，主要研究方向为未来网络发展体

系、网络技术融合。

武楠（1981− ），男，北京理工大学教授，主

要研究方向为天地融合网络、未来网络体系架

构、智能组网技术。

梁蓓（1985− ），女，北京雁栖湖应用数学研

究院助理研究员，主要研究方向为网络安全、

可靠传输等。

for air-ground integrated networks[J]. Mobile Networks and Applications, 2022, 27(2): 492-501.

[46] ZHOU C H, WU W, HE H L, et al. Deep reinforcement learning for

delay-oriented IoT task scheduling in SAGIN[J]. IEEE Transactions

on Wireless Communications, 2021, 20(2): 911-925.

[作者简介]

2024 年 3 月 Space-Integrated-Ground Information Networks March 2024

第 5 卷第 1 期 天 地 一 体 化 信 息 网 络 Vol.5 No.1

基于移动边缘计算的空天地一体化网络架构

吴 健，贾 敏，郭 庆

（哈尔滨工业大学电子与信息工程学院，黑龙江 哈尔滨 150006）

摘 要：下一代无线通信技术将通过支持智能交通、智能医疗、虚拟现实/增强等服务来提高用户的体验质量。这些新兴的服务

通常都是计算密集型和时延敏感型的，必须满足严格的时延、能耗和可靠性要求，而基于云计算的服务难以满足这些要求。为

了解决以上问题，提出移动边缘计算（Mobile Edge Computing, MEC）技术，解决将卸载请求回传到云计算中心所具有的高时

延和高带宽消耗的问题。空天地一体化网络（Space-Air-Ground Integrated Network, SAGIN）作为 6G 的重要研究方向，可以弥

补全球范围内的巨大覆盖缺口，受到广泛关注。通过将 MEC 技术、联邦学习技术和人工智能技术引入 SAGIN，高效管理网络

中海量、异构的资源，构建低时延、低能耗、高可靠性的 SAGIN，以支持新兴的各种服务。

关键词：6G；空天地一体化网络；移动边缘计算；联邦学习；人工智能

中图分类号：TP393

文献标识码：A

doi: 10.11959/j.issn.2096−8930.2024003

Space-Air-Ground Integrated Network Architecture

Based on Mobile Edge Computing

WU Jian，JIA Min，GUO Qing

School of Electronics and Information Engineering, Harbin Institute of Technology, Harbin 150006, China

Abstract: The next generation of wireless communication technologies will enhance the quality of user experience by supporting services such as intelligent transportation, intelligent healthcare, virtual/augmented reality, and more. These emerging services are typically

computation-intensive and delay-sensitive, and must meet stringent delay, energy consumption, and reliability requirements that

cloud-based services struggle to meet. In order to solve the above problems, mobile edge computing (MEC) technology was proposed to

solve the problems of high latency and high bandwidth consumption when sending offloading requests back to the cloud computing

centers. As an important research direction of 6G , space-air-ground integrated network (SAGIN) could make up for the huge coverage

gap in the world, and had been widely concerned. This paper introduced MEC technology, federated learning technology and artificial

intelligence technology into SAGIN to efficiently manage massive and heterogeneous resources in the network, and builded low-delay,

low-energy consumption and high-reliability SAGIN to support various emerging services.

Keywords: 6G , space-air-ground integrated network, mobile edge computing, federated learning, artificial intelligence

0 引言

随着移动应用程序的快速增长，计算密集型[1]、时延敏

感型[2]的服务应运而生。针对用户本身计算能力受限，而云

计算面对海量数据会造成大时延的问题[3]，移动边缘计算

（Mobile Edge Computing, MEC）的概念应运而生[4]，其通过

将电信、IT 和云计算结合在一起，将边缘服务器放置在靠

近用户的位置，直接为用户提供计算服务，从而获得理想

的用户体验质量（Quality of Experience, QoE）[5]。

地面网络有部署良好的基础设施结构[6]，可实现可靠

收稿日期：2023−10−11；修回日期：2024−01−30

基金项目：国家自然科学基金资助项目（No. 62231012）；国家重点研发计划资助项目（No. 2021YFB2900500）；黑龙江省优秀青年自然科学基金资助项目

（No. YQ2020F001）

Foundation Items: The National Natural Science Foundation of China (No.62231012), National Key Research and Development Program of China (No. 2021YFB2900500),

The Natural Science Foundation for Outstanding Young Scholars of Heilongjiang Province (No. YQ2020F001)

第 1 期 吴健等：基于移动边缘计算的空天地一体化网络架构 ·25·

的高速通信（如骨干网、蜂窝系统、集群系统等），有处

理全球和非实时大数据的强大云服务[7]，有对本地和实时

数据快速响应的无处不在的边缘服务。地面云边协同模式

结合了云计算、边缘计算[8]，可以充分利用现有网络容量

提供大量服务，显著提高了移动用户的 QoE[9]。当用户有

服务需求时，用户应用程序可能首先将任务卸载到靠近用

户侧的边缘服务器，如果边缘服务器的计算能力不足，用

户可以转向地面云服务器执行。

一些偏远地区缺乏基础设施，地面网络难以覆盖[10]。

对于需要海上通信、空中通信的用户，由于高度的移动性、

复杂的通信环境，地面网络难以高效地提供计算服务。在

面对自然灾害时，地面网络非常脆弱[11]，容易受到损坏。

应急救援、局部地区突发大量服务请求等特殊环境需要应

急通信时，地面可能无法及时地为应急通信提供快速、稳

定的计算服务。

近年来，随着卫星制造和发射技术的不断发展，具有

广泛覆盖范围和优秀系统鲁棒性的卫星网络受到了广泛

关注，卫星和地面网络高效集成的空天地一体化网络

（Space-Air-Ground Integrated Network, SAGIN）已成为 6G

无线通信体系结构的重要组成部分[12]，在广泛的地理区域

内提供高度可靠和安全的连接，为地面用户提供无处不在

的服务。由于近年来卫星网络和地面蜂窝网络是分开发展

的，因此本文考虑使双方的通信能力、感知能力、计算能

力和存储能力协同发展，使之成为一个统一集成的系统。

一方面，作为一种网络技术，MEC 具有提高 QoE 和

减少冗余网络流量的潜力。通过将云计算平台扩展到网络

边缘甚至移动设备本身，网络可以为用户提供多层异构的

计算资源，使用户可以在任何地方获得计算服务，从而保

证了计算任务的性能。

另一方面，针对网络中海量异构资源的管理与安全问

题，本文考虑使用面对动态时变、海量数据有很好的全局

搜索能力的深度强化学习（Deep Reinforcement Learning,

DRL）实现资源的高效管理，使用可以保证每个设备数据

隐私的联邦学习（Federated Learning, FL）机制来保障海

量数据的安全性。

因此，本文考虑将 MEC、DRL 和 FL 的优势应用

到 SAGIN 中，高效、安全地管理网络中海量、异构的

资源，为地面任意位置的用户提供服务，提高地面用

户的 QoE。

1 基于边缘计算的卫星网络现状

在无线网络中，时延和能耗一直是重要的优化指

标。在卫星边缘系统中，用户处理任务产生大量的时延

并消耗大量的能量，因此时延和能耗优化的重要地位更

加突出。

参考文献[13]借鉴地面网络边缘计算的思想，在低地

球轨道（Low Earth Orbit, LEO）卫星星座上部署 MEC 服

务器，以满足各种应用日益增长的实时性和可靠性需求。

针对 Walker Delta 卫星星座，提出了一种基于贪心策略的

LEO 卫星网络在轨边缘计算（Orbital Edge Computing,

OEC）任务分配算法，充分利用卫星计算资源为地面用户

提供服务，显著降低了平均时延和能耗。参考文献[14]研

究了一种星−空综合边缘计算网络（SAIECN），将 LEO

卫星和空中高空平台（High Altitude Platform Station,

HAPS ）结合起来，为地面用户设 备 （ Ground User

Equipment, GUE）提供边缘计算服务。在 SAIECN 中，GUE

的计算任务可以卸载到 HAPS 或 LEO 卫星上。通过联合

GUE 关联、多用户多输入/多输出传输预编码、计算任务

分配和资源分配，来最小化 SAIECN 的加权总能耗。仿

真结果表明，所提出的 SAIECN 及其算法能够较好地

解决基于卫星的边缘计算问题，且能量消耗保持在较

低的水平。参考文献[15]研究了一种 LEO 卫星（LEO

Satellite, LEOS）边缘辅助多层多访问边缘计算系统，在该

系统中，MEC 的理念将扩展到 LEOS，用于定义 LEO 卫

星边缘，以增强多层 MEC 系统的覆盖范围，并解决拥挤

和孤立地区用户的计算问题。然后，设计其操作卸载框架，

并探索其可行的实现方法，制定一个联合优化问题，用于

相关的通信和计算资源分配，采用经典的交替优化方法对

原问题进行分解，使用低复杂度迭代算法求解各子问题，

以最小化 LEOS 边缘辅助多层多访问边缘计算系统的整体

能量消耗，同时保持低计算时延。

由于卫星通信和计算资源的稀缺性，合理配置计

算和通信资源至关重要。因此，目前对于卫星边缘计

算领域的研究主要集中在任务的计算卸载问题和资源

分配问题。

针对这些问题，参考文献[16]提出了一种卫星物联网

多任务联合卸载和资源分配方案，以提高卸载效率。首

先构建了一种新的资源分配和任务调度系统，其中任务

由多个无人机（Unmanned Aerial Vehicle, UAV）空中基

站收集和决定，边缘计算服务由卫星提供，进一步研究

了该框架下的多任务联合计算卸载问题，将具有依赖关

系的任务建模为有向无环图。然后提出了一种关注机制

和近端策略优化协同算法来学习最佳卸载策略，获得了

较好的收敛效果，显著降低了成本。参考文献[17]提出了

·26· 天地一体化信息网络 第 5 卷

一种具有 3 层计算架构的混合云和边缘计算 LEO 卫星

（Cloud and Edge Computing LEO Satellite, CECLS）网络，

可以为地面用户提供异构计算资源，使地面用户能够获

得全球范围内的计算服务。利用 CECLS 架构，在满足每

颗 LEO 卫星覆盖时间和计算能力约束的前提下，研究了

以最小化地面用户总能耗为目标的计算卸载决策。目标

函数和约束包含二元变量，导致其具有离散性和非凸性，

使其难以求解。为了解决这一具有挑战性的问题，利用

二元变量松弛法将原来的非凸问题转化为线性规划问

题，提出了一种分布式算法，利用乘法器的交替方向方

法来近似计算复杂度较低的最优解，显著降低地面用户

的总能耗。参考文献[18]针对空中环境中通信不可靠、功

率有限的物联网设备的卸载过程具有挑战性的问题，提

出了一种节能的空天地一体化边缘计算网络架构，其中

物联网设备根据其能量水平、通信条件和计算能力选择

最合适的 LEO 卫星或 UAV 进行任务卸载。为了在不确

定航空环境下提供高效的任务卸载和节能策略，采用约

束马尔可夫决策过程来制定任务卸载决策问题，并设计

了基于 DRL 的算法来解决所提出的问题。在此基础上，

提出了一种基于自适应联邦 DRL 的卸载方法，通过考虑

网络中的隐私保护和通信故障，找出次优的卸载决策。

数值结果验证了所提方案在节能和计算效率方面的有效

性。参考文献[19]将具有计算能力的卫星和民用飞机作

为宝贵的接入平台，使物联网设备在没有网络基础设施

的偏远地区卸载其计算密集型任务成为可能，提出了一

种创新的民用飞机（Civil Aircraft, CA）增强空天地集

成网络中的多层混合并行计算架构。以端到端时延及能

耗加权和最小为目标，综合考虑接入策略、传输功率、计

算资源分配、卸载比例和时延容限，提出了部分计算卸载

问题。针对平台选择既存在于层内又存在于层间，通信与

计算资源之间存在内部耦合关系和相互耦合关系的问题，

提出了多层部分任务卸载算法。利用广义弯曲分解

（Generalized Benders Decomposition, GBD）方法将原问题

分 解 为 原 问题和 主 问题， 并 利 用 并 行 逐次凸逼 近

（Successive Convex Approximation, SCA）理论将多变量

NP-hard 主问题转化为凸问题，证明了多层部分任务卸载

算法的收敛性和最优性，以及该多层混合计算卸载系统的

优越性，实现端到端时延和能量消耗之间的最佳权衡。

2 高效资源管理

2.1 边缘计算环境中深度强化学习发展现状

近年来，具有强大全局搜索能力的 DRL 算法被引入

MEC 领域。

参考文献[20]研究了动态多用户 MEC 系统中计算卸

载和资源分配的联合优化问题，通过考虑异构计算任务的

时延约束和不确定的资源需求，使整个 MEC 系统的能耗

最小化，将该问题表述为一个混合整数非线性规划（Mixed

Integer Nonlinear Programming, MINLP）问题，并提出了

一种基于值迭代的强化学习方法 Q –Learning 算法，以确

定计算卸载和资源分配的联合策略。为了避免维数的限

制，进一步提出了一种基于双深度 Q 网络的方法，显著降

低了系统能耗。参考文献[21]考虑了一个具有时变无线信

道和随机用户任务数据在连续时间框架内到达的多用户

MEC 网络，在长期数据队列稳定性和平均功率的约束下，

最大限度地提高网络数据处理能力，将最大化网络数据处

理能力问题表述为一个多阶段 MINLP 问题，该问题联合

考虑了二进制卸载和系统资源分配决策。通过结合李雅普

诺夫优化和 DRL 的优点，提出一种李雅普诺夫指导的基

于 DRL 的在线卸载（Lyapunov—Guided DRL-Based Online

Offloading, LyDROO）框架，该框架应用李雅普诺夫优化

将多阶段随机MINLP问题解耦为确定性的每帧MINLP子

问题，LyDROO 将基于模型的优化和无模型的 DRL 相结

合，以极低的计算复杂度解决逐帧 MINLP 问题，在稳定

系统中所有队列的同时获得了最优的计算性能。参考文

献[22]研究了通过联合优化信道时变动态网络环境下的计

算卸载策略和信道资源分配，降低非正交多址接入

（Non-Orthogonal Multiple Access, NOMA）辅助 MEC 网络

的计算开销，提出了一种深度强化学习算法。该算法利用

Actor-Critic 方法和深度 Q 网络方法的优点，考虑了部分

计算卸载，其中用户可以拆分计算任务，以便一些计算任

务在本地终端上执行，另一些计算任务则卸载到 MEC 服

务器。还考虑了一种混合多址方案，该方案结合了 NOMA

和正交多址接入的优点，以满足不同的用户需求，获得了

优秀的收敛效果，显著降低了计算开销，获得了接近最优

的系统性能。

2.2 基于深度强化学习的 MEC-SAGIN 架构

随着全球通信需求的不断增长，低地球轨道卫星网络

与现有地面网络的融合可以显著扩展 6G 网络的无线覆盖

范围。随着空天地一体化网络规模的不断扩大，如何在保

证用户 QoE 的前提下高效、动态地分配稀缺的带宽频谱资

源已成为一个巨大的挑战。为了满足空天地一体化网络中

时变的服务需求，最大限度地提高资源利用率，保证用户

的服务质量，考虑用具有强大全局搜索能力的深度强化学

习技术来高效地进行资源分配与智能计算卸载，显著降低

第 1 期 吴健等：基于移动边缘计算的空天地一体化网络架构 ·27·

系统时延和能耗，降低系统成本。

本文考虑利用卫星网络的快速通信功能和广覆盖的

特点以及优秀的系统鲁棒性，高效利用网络中的通信资

源、感知资源、计算资源和存储资源，为地球上任意位置

的用户提供服务，提升用户的体验质量。具体而言，本文

考虑为每颗卫星搭载 MEC 服务器，地面用户可以将计算

任务卸载到 LEO 卫星上进行处理，或者将计算任务通过

地球静止轨道（Geostationary Earth Orbit, GEO）卫星转

发到云计算中心进行计算，主要面向 5 个应用场景：海

上通信、应急通信、偏远地区通信、受灾区域通信、空

中通信。

通过将深度强化学习算法嵌入边缘服务器形成的边

缘智能，可以在网络边缘提供强大的低时延、低能耗的通

信服务、感知服务、计算服务和存储服务，比传统的基于

云计算的架构更适合支持关键服务。为了充分利用空天地

一体化网络的计算能力，应将移动边缘计算和深度强化

学习算法引入空天地一体化网络。本文所提的基于深度

强化学习的 MEC- SAGIN 架构如图 1 所示。接下来，本

文将对网络架构中的天基网络、空基网络、地基网络分

别进行论述。

fi 天基网络由 LEO 卫星和 GEO 卫星组成，以铱星、

星链、环球之星等为依托，协同构成一个复杂的卫

星星座。

作为 6G 的重要研究领域，LEO 卫星网络具有覆盖区

域广、持续时间长等诸多优势，本文考虑将 MEC 服务器

搭载在 LEO 卫星网络中，显著提升 LEO 卫星网络的通信

能力、感知能力、计算能力、存储能力。接收到地面用户

转发过来的空天地一体化网络的信息后，将自己本身的资

源信息、位置信息、星座拓扑结构信息等与地面用户上传

的信息进行信息整合，统一上传到 GEO 卫星进行处理。

GEO 卫星网络具有轨道高度高和计算资源丰富的优

势，本文将具有强大计算能力的 MEC 服务器放置在 GEO

卫星网络中，作为空天地一体化网络架构的核心部分。本

文还将深度强化学习算法用于 GEO 卫星中，以处理整个

空天地一体化网络架构的信息，为 LEO 卫星和地面用户

分配计算资源，为网络中的用户提供卸载决策。

空基网络由 UAV、飞机、飞艇等组成。

地基网络包括 3G/4G/5G 蜂窝网络、WiMAX、

WLAN 等。

地基网络主要由两部分组成：一部分是地面核心网络

覆盖到的核心区域；另一部分是由于覆盖范围有限，地面

核心网络难以覆盖到的偏远地区。地面核心网络由蜂窝无

线网络、卫星地面站、云计算中心组成。其中，蜂窝无线

网络提高了无线网络的覆盖范围，其大量的基站可以为核

心区域的用户提供快速、可靠的计算服务。卫星地面站可

以解析从卫星上接收到的数据，或者将数据转发到云计算

中心计算。云计算中心具有极其丰富的计算资源，可以为

外界提供高性能的计算服务、存储服务。

低轨道卫星群位于形成卫星 MEC 层的网络边缘。该

层有许多卫星节点，并且网络拓扑结构显示有规律的变

图 1 基于深度强化学习的 MEC- SAGIN 架构

·28· 天地一体化信息网络 第 5 卷

化，但是可以确保每个节点始终可用。该层的计算能力和

存储能力是由多个低轨道卫星携带的嵌入式设备组成的

集成资源，计算能力有限，但可以为空间或地面用户提供

高度可靠的低时延边缘处理功能。

高轨道卫星集群构成卫星云计算层，并充当卫星 MEC

网络的管理员。该层负责卫星 MEC 集群资源的管理和协

调，特点是通信覆盖范围广，可以实现对低轨道卫星群和

地球的全覆盖，同时集群计算资源和带宽资源充足，适合

处理大量复杂的计算任务。

卫星 MEC 层和卫星云计算层互为补充。云计算层是

协调器的角色，负责长期数据分析、环境维护、服务提供

等，可以更好地支持卫星大数据服务的执行。MEC 层更

靠近数据源。云计算层将大数据分析和规则传递到边缘

侧，以实现数据侧任务的实时处理，从而有助于对卫星时

延敏感型服务的快速响应。

3 海量数据安全

目前，全球有海量物联网设备和智能手机。这些设备

配备了越来越先进的通信能力、感知能力、计算能力和存

储能力，再加上深度学习的兴起，终端设备收集的大量数

据为有意义的研究和应用开辟了无数可能性。在传统的以

云为中心的方法中，移动设备收集的数据在基于云的服务

器或数据中心集中上传和处理。特别是物联网设备和智能

手机收集的数据，在数据中心进行汇总。

这种方法会产生安全问题。为了保证训练数据保留在

个人设备上，并促进分布式设备之间复杂模型的协作机器

学习，研究人员提出了 FL 的学习框架。在 FL 中，移动设

备使用其本地数据来协作训练 FL 服务器所需的机器学习

（Machine Learning, ML）模型。然后，将模型更新（即模

型的权重）发送到 FL 服务器进行聚合。这些步骤在多个

回合中重复，直到达到理想的精度，这意味着 FL 可以成

为移动边缘网络中 ML 模型训练的使能技术。

3.1 边缘计算环境中联邦学习发展现状

近年来，具有强大隐私保护能力的联邦学习被引入

MEC 环境。

参考文献[23]针对联邦边缘学习（Federated Edge

Learning, FEL）局部训练设备计算能力有限的问题，将传

输功率建模为拟凸上行功率分配问题；为了在多服务器智

能边缘网络中，基于 QoE 优化传输功率和带宽分配，实现

时延和能耗的最优平衡，提出了一种低能耗的带宽分配算

法进行求解，通过适应设备的计算能力和信道状态，为设

备分配适当的功率，从而降低能耗，显著优化了最大增益

比。理论推导结果表明，为了在约束时间内实现最小的能

耗，对于那些计算能力较弱、信道条件较差的设备，应该

分配额外的带宽。

参考文献[24]提出一种新的动态资源分配策略，用于

无线网络边缘的节能自适应联邦学习，同时保证时延和学

习性能。考虑一组设备收集本地数据并将处理后的信息上

传到边缘服务器，该服务器运行基于随机梯度的算法来执

行持续学习和适应，借助 Lyapunov 随机优化工具动态优

化无线电参数和计算资源，以便在功率、时延和联邦学习

任务的性能之间取得最佳平衡，支持基于模型的实现。将

该方法定制为联合最小均方估计和深度卷积神经网络的

联合训练，显著提高了无线网络边缘执行节能和自适应联

邦学习的有效性，降低了时延。

参考文献[25]针对带宽、存储和隐私方面的问题，考

虑了从分布在多个边缘节点上的数据中学习模型参数的

问题，不需要将原始数据发送到一个集中的地方，使用基

于梯度下降的方法训练的一类通用机器学习模型，从理论

的角度分析了分布式梯度下降算法的收敛界。在此基础上

提出了一种控制算法，在给定的资源预算下，确定局部更

新和全局参数聚合之间的最佳权衡，以最小化损失函数，

通过在网络原型系统和更大规模的模拟环境中使用真实

数据集进行大量实验，在不同的机器学习模型和不同的数

据分布下，获得了接近最优的系统性能。

3.2 基于联邦学习的 MEC- SAGIN 架构

随着智慧城市、智能建筑、智能工业等智能系统的发

展[26]，对 6G 等高数据速率、低时延网络的高可靠、可扩

展、安全通信的需求日益增加。6G 被认为是建立在泛在

人工智能之上[27]，在异构和大规模网络中实现数据驱动的

ML 解决方案。传统的机器学习技术需要中央服务器集中

收集和处理数据，隐私问题显著增加，成为在日常生活中

大规模实施的瓶颈。联邦学习作为一种具有隐私保护性质

[28]的分布式人工智能方法，被视为实现 6G 无处不在的人

工智能的重要解决方案之一。本文所提的基于联邦学习的

MEC- SAGIN 架构如图 2 所示。

在联邦学习的框架下，低轨卫星系统构成的分布式节

点首先通过 MEC 服务器和传感器感知来自地面、海上和

空中的环境信息，构建本地模型进行训练。其得出的梯度

信息通过星间链路传送至 GEO 卫星云服务器，云服务器

采用联邦平均等聚合算法后，计算损失函数，得到全局梯

度信息，再通过星间链路将参数回传至低轨卫星分布式节

点，供终端计算单元优化迭代。经过多轮交互后，GEO 卫

星上的中心服务器的损失函数收敛。模型训练完成，显著

第 1 期 吴健等：基于移动边缘计算的空天地一体化网络架构 ·29·

提升空天地一体化网络中海量数据的安全。

4 面临的优势、挑战与相关的解决方案

4.1 面临的优势

将边缘计算的思想应用到空天地一体化网络中，可带

来以下 4 点优势。

一是，在某些通信受限的特殊情况下和地区中，卫星

网络的通信能力和计算能力可以有效满足任务处理的要

求。通过在卫星上部署 MEC 服务器，增强了卫星的计算

能力，对于资源有限的用户来说，在地面网络处理计算服

务不再是唯一的选择，用户可以根据具体的服务需求选择

将计算服务卸载到 LEO 卫星上进行计算，或者利用 GEO

卫星将计算服务转发到远处的云计算中心进行计算。这种

系统架构不仅为地面用户提供了多种卸载方案的选择，而

且可以突破地形限制，实现全球全覆盖。

二是，减轻链路负担，降低时延，节省带宽。在传统

的空天地一体化网络架构中，网络中时时刻刻都要传输海

量的数据，这给网络带来了很大的压力。缓存资源管理是

网络资源管理的重要内容，良好的缓存资源管理可以有效

提升用户 QoE。在空天地一体化网络中，利用部署在卫星

上的缓存资源，使其能够根据网络状态，利用闲时星地链

路资源提前将用户潜在的服务内容进行缓存。然后，在用

户发起内容请求时，能够快速从星载缓存空间中获取信

息，从而提升用户的服务体验质量。因此，通过在边缘

服务器中缓存重复、冗余的数据可以大大减少网络流

量，减轻网络链路的负担，从而降低服务的处理时延，

并节省带宽。

三是，基于边缘计算的空天地一体化网络架构集成了

分散在每颗卫星上的计算资源，为外界提供了统一的计算

能力，实现了卫星资源的有效利用，并提供了低时延、低

能耗和高可靠性的计算支持。

四是，在传统的云计算范式中，用户将计算服务卸载

到公共的云计算平台集中处理，这种集中式处理方式无法

为用户的信息安全提供保障。通过在卫星上部署边缘服务

器，用户的信息不再集中处理，大大保障了用户隐私的安

全性。

4.2 面临的挑战及解决方案

虽然在空天地一体化网络场景中结合边缘计算可以

带来很多的优势，但是这个场景也面临很多的挑战。

一是，卫星的芯片设计问题。卫星在太空中必须要面

对的一个问题是来自宇宙的辐射，当卫星中的芯片受到来

自宇宙的辐射，可能会造成损害。如果辐射导致芯片中的

位翻转，芯片的整体功能可能会受损，无法提供相应的服

务，因此，卫星中芯片的设计是一个很大的挑战。针对卫

星芯片设计问题的相关解决方案：在硬件设计中，可以在

芯片表面添加铝，以减少辐射对芯片的影响；在软件设计

上，对芯片的输入/输出信息采用循环冗余校验等能够检测

和纠错的信息冗余技术，保证信息的正确性，达到更好的

抗辐射效果。

二是，卫星在太空中的能源供应问题。卫星的移动、

通信和数据处理都需要从太空中吸收能量，但是卫星的太

阳能板大小有限，卫星的能源供应是一个很大的挑战。针

对卫星在太空中的能源供应问题的相关解决方案：利用无

线输电技术，高能量卫星可以为低能量卫星提供能量，卫星

图 2 基于联邦学习的 MEC-SAGIN 架构

·30· 天地一体化信息网络 第 5 卷

可以通过切断地球周围的磁场来产生能量，从而发挥功能。

三是，卫星的下行链路不可靠问题。因为卫星的位置

在高速、动态地变化，所以星地链路通信质量不可靠，间

歇性可用的星地链路也是很大的挑战。针对卫星的下行链

路不可靠问题的相关解决方案：对于用户来说，当用户感

觉到通信链路的质量较差时，用户应该发出新的服务请

求；对于卫星来说，当卫星感知到通信链路质量较差时，

应立即为用户切换通信链路或将业务迁移到通信链路质

量较好的卫星上，通过业务迁移技术为用户提供服务。

四是，用户之间的干扰问题。在卫星的覆盖范围内，

会有大量的用户同时接入链路，这种大容量、并发的用户

接入会导致用户间的干扰问题，因此用户之间的干扰也是

个亟待解决的问题。针对用户之间干扰问题的相关解决方

案：在接收端，将深度学习与干扰消除技术相结合，通过

神经网络将干扰消除后的信号恢复为发送信号；在发射

端，采用波束成形技术自适应控制各信号的相位和幅度，

有效地降低用户间干扰。

5 结束语

本文提出的基于移动边缘计算的空天地一体化网络

架构，将 MEC 的优势应用到 SAGIN 中组成 MEC-SAGIN

架构，研究了基于深度强化学习的 MEC- SAGIN 架构和基

于联邦学习的 MEC- SAGIN 架构，实现了资源的高效管理

与海量数据的隐私保护。

参考文献：

[1] ZHANG J, SHEN Y, WANG Y, et al. Dual-timescale resource allocation for collaborative service caching and computation offloading

in IoT systems[J]. IEEE Transactions on Industrial Informatics,

2022, 19(2): 1735-1746.

[2] MOHAMMADI R, AKLEYLEK S, GHAFFARI A, et al. Automatic delay-sensitive applications quality of service improvement with

deep flows discrimination in software defined networks[J]. Cluster

Computing, 2023, 26(1): 437-459.

[3] SHUKLA S, HASSAN M F, TRAN D C, et al. Improving latency

in Internet-of-Things and cloud computing for real-time data

transmission: a systematic literature review (SLR)[J]. Cluster

Computing, 2023, 26(5): 2657-2680.

[4] HU Y C, PATEL M, SABELLA D, et al. Mobile edge computing—A key technology towards 5G[J]. ETSI White Paper, 2015,

11(11): 1-16.

[5] MAHENGE M P J, LI C L, SANGA C A. Energy-efficient task

offloading strategy in mobile edge computing for resource-intensive mobile applications[J]. Digital Communications

and Networks, 2022, 8(6): 1048-1058.

[6] LYU F, XU W C, YUAN Q, et al. Space-air-ground integrated

networks for future IoT: architecture, management, service and

performance[J]. Peer-to-Peer Networking and Applications, 2021,

14(5): 3265-3267.

[7] ZHAO M, CHEN C, LIU L, et al. Orbital collaborative learning in

6G space-air-ground integrated networks[J]. Neurocomputing, 2022,

497: 94-109.

[8] CAO K, HU S Y, SHI Y, et al. A survey on edge and edge-cloud

computing assisted cyber-physical systems[J]. IEEE Transactions

on Industrial Informatics, 2021, 17(11): 7806-7819.

[9] ZHAO T T, HE L J, HUANG X Y, et al. QoE-driven secure video

transmission in cloud-edge collaborative networks[J]. IEEE Transactions on Vehicular Technology, 2022, 71(1): 681-696.

[10] YU S, GONG X W, SHI Q, et al. EC-SAGINs: edge-computingenhanced space–air–ground-integrated networks for Internet of vehicles[J]. IEEE Internet of Things Journal, 2022, 9(8): 5742-5754.

[11] LIU Y, NI L Q, PENG M G. A secure and efficient authentication

protocol for satellite-terrestrial networks[J]. IEEE Internet of

Things Journal, 2022, 10(7): 5810-5822.

[12] ZHU X M, JIANG C X. Integrated satellite-terrestrial networks

toward 6G: architectures, applications, and challenges[J]. IEEE Internet of Things Journal, 2021, 9(1): 437-461.

[13] ZHANG Y R, CHEN C, LIU L, et al. Aerial edge computing on

orbit: a task offloading and allocation scheme[J]. IEEE Transactions on Network Science and Engineering, 2022, 10(1): 275-285.

[14] DING C F, WANG J B, ZHANG H, et al. Joint optimization of

transmission and computation resources for satellite and high altitude platform assisted edge computing[J]. IEEE Transactions on

Wireless Communications, 2021, 21(2): 1362-1377.

[15] CAO X, YANG B, SHEN Y, et al. Edge-assisted multi-layer offloading optimization of LEO satellite-terrestrial integrated networks[J]. IEEE Journal on Selected Areas in Communications,

2022, 41(2): 381-398.

[16] CHAI F R, ZHANG Q, YAO H P, et al. Joint multi-task offloading

and resource allocation for mobile edge computing systems in satellite IoT[J]. IEEE Transactions on Vehicular Technology, 2023,

72(6): 7783-7795.

[17] TANG Q Q, FEI Z S, LI B, et al. Computation offloading in LEO

satellite networks with hybrid cloud and edge computing[J]. IEEE

Internet of Things Journal, 2021, 8(11): 9164-9176.

[18] LIU Y, JIANG L, QI Q, et al. Energy-efficient space–air–ground

第 1 期 吴健等：基于移动边缘计算的空天地一体化网络架构 ·31·

吴健（1999− ），男，哈尔滨工业大学博士生，

主要研究方向为卫星边缘计算等。

贾敏（1982− ），女，哈尔滨工业大学教授，

博士生导师，主要研究方向为天地一体化认知

通信、组网与接入技术等。

郭庆（1964− ），男，哈尔滨工业大学教授、

博士生导师，主要研究方向为卫星通信和宽带

多媒体通信。

integrated edge computing for Internet of remote things: a federated

DRL approach[J]. IEEE Internet of Things Journal, 2022, 10(6):

4845-4856.

[19] CHEN Q, MENG W X, QUEK T Q S, et al. Multi-tier hybrid offloading for computation-aware IoT applications in civil aircraft-augmented SAGIN[J]. IEEE Journal on Selected Areas in

Communications, 2022, 41(2): 399-417.

[20] ZHOU H, JIANG K, LIU X X, et al. Deep reinforcement learning

for energy-efficient computation offloading in mobile-edge computing[J]. IEEE Internet of Things Journal, 2021, 9(2): 1517-1530.

[21] BI S Z, HUANG L, WANG H, et al. Lyapunov-guided deep reinforcement learning for stable online computation offloading in mobile-edge computing networks[J]. IEEE Transactions on Wireless

Communications, 2021, 20(11): 7519-7537.

[22] TUONG V D, TRUONG T P, NGUYEN T V, et al. Partial computation offloading in NOMA-assisted mobile-edge computing systems using deep reinforcement learning[J]. IEEE Internet of Things

Journal, 2021, 8(17): 13196-13208.

[23] ZHOU T Y, LI X H, PAN C Y, et al. Multi-server federated edge

learning for low power consumption wireless resource allocation

based on user QoE[J]. Journal of Communications and Networks,

2021, 23(6): 463-472.

[24] BATTILORO C, DI LORENZO P, MERLUZZI M, et al. Lyapunov-based optimization of edge resources for energy-efficient adaptive federated learning[J]. IEEE Transactions on Green Communications and Networking, 2022, 7(1): 265-280.

[25] WANG S Q, TUOR T, SALONIDIS T, et al. Adaptive federated

learning in resource constrained edge computing systems[J]. IEEE

Journal on Selected Areas in Communications, 2019, 37(6):

1205-1221.

[26] ZAHRA S R, CHISHTI M A. Smart cities pilot projects: an IoT

perspective[M]. Cham: Springer, 2021.

[27] YANG T T, QIN M, CHENG N, et al. Liquid software-based edge

intelligence for future 6G networks[J]. IEEE Network, 2022, 36(1):

69-75.

[28] RATNAYAKE H, CHEN L, DING X F. A review of federated

learning: taxonomy, privacy and future directions[J]. Journal of Intelligent Information Systems, 2023, 61(3): 923-949.

[作者简介]

2024 年 3 月 Space-Integrated-Ground Information Networks March 2024

第 5 卷第 1 期 天 地 一 体 化 信 息 网 络 Vol.5 No.1

星地异构网络联合 QoS 保障关键技术

林 琳 1

， 朱 斌 1

，王泽林 1

，王光全 1

，姚海鹏 2

，董 涛 3

，冯伟莹 4

（1. 中国联合网络通信有限公司研究院，北京 102600；

2. 北京邮电大学，北京 100876；

3. 航天恒星科技有限公司，北京 100089；

4. 北京航空航天大学，北京 100191）

摘 要：针对星地异构网络的拓扑结构高动态、星地链路高差异、网络资源强受限等特征给星地融合业务高效承载带来重大挑

战的问题，深入分析星地异构网络发展现状，提出星地异构网络联合 QoS 保障系统架构。并在此基础上，针对跨域资源统一编

排管理、星地联合 QoS 指标参考体系构建、联合 QoS 动态策略调控、星地资源按需适配与部署等关键技术进行探讨。

关键词：星地异构网络；服务质量；低轨卫星

中图分类号：TN915

文献标志码：A

doi: 10.11959/j.issn.2096−8930.2024004

QoS Assurance Key Technologies in Space-Ground

Heterogeneous Network

LIN Lin1

, ZHU Bin1

, WANG Zelin1

, WANG Guangquan1

, YAO Haipeng2

,DONG Tao3

, FENG Weiying4

1. China Unicom Research Institute, Beijing 102600, China

2. Beijing University of Posts and Telecommunications, Beijing 100876, China

3. Aerospace Star Technology Co., Ltd., Beijing 100089, China

4. Beihang University, Beijing 100191, China

Abstract: The high dynamics of the topology structure, the high variability of the links between space and ground, and the highly limited network resource in the space-ground heterogeneous network pose significant challenges. To address these challenges, a

space-ground heterogeneous joint QoS assurance scheme was proposed based on deep analysis of space-ground heterogeneous network

development situation. The cross-domain network resource orchestration, construction of a space-ground QoS system, dynamic policy

control of heterogeneous joint QoS, and on-demand adaptation and deployment of space-ground network resources technologies were

discussed.

Keywords: space-ground heterogeneous network, QoS, LEO

0 引言

为更好地适应未来社会对全球随遇接入和广域万物智

联的要求，保证用户业务的连续性和一致性体验，各行各

业在积极推进地面移动通信网络和卫星通信网络的融合。

星地异构网络系统作为一种新型的网络架构，可以将卫星、

地面终端和网络设备相互连接起来，实现全球范围的高速

数据传输和高可靠通信。其在军事通信、气象监测、海洋

勘探、交通运输、物流等领域的应用越来越广泛。

星地异构网络具有卫星覆盖广、不受地域条件限制等

特点，能够在远程地区和恶劣环境下提供可靠的通信服务。

近年来，星地异构网络系统的应用在民用领域不断扩大。

由于星地异构网络存在拓扑高动态、星地链路高差异、资

源强受限等特征，难以保障低时延、高可靠、一致性的差

收稿日期：2023−11−10；修回日期：2024−02−01

基金项目：国家重点研发计划资助项目（No.2022YFB2902503）

Foundation Item: National Key Research and Development Program of China（No.2022YFB2902503）

第 1 期 林琳等：星地异构网络联合 QoS 保障关键技术 ·33·

异化网络服务，需要从跨域资源统一编排管理、星地异构

网络联合服务质量（Quality of Service，QoS）指标参考体

系构建、异构联合 QoS 动态策略调控、星地资源按需适配

与部署等方面探索星地异构网络联合 QoS 保障系统架构

及关键技术，建立灵活管控、按需适变、高效保障的 QoS

保障方法。

1 发展现状及需求分析

星地异构网络联合 QoS 保障技术是星地融合网络面

向网络融合、业务融合探讨的关键议题之一。目前，相关

标准和研究主要围绕星地异构网络结构及特性、面向异构

网络的 QoS 保障技术进行探讨。

1.1 星地融合标准化进展

卫星通信在覆盖范围、可靠性、灵活性等方面可以弥

补地面移动通信的不足，5G 与卫星网络融合能够为用户提

供更可靠的服务体验。因此，相关标准化组织加紧开展二

者融合的标准化工作。

第三代合作伙伴计划（3rd Generation Partnership Project，3GPP）从 R14 开始开展星地融合的研究工作[1-5]，目

标是制定用于规范地面移动通信网络和卫星通信网络的统

一标准，将卫星网络划入非地面网络（Non-Terrestrial

Networks，NTN）范畴；在 R15 中明确将支持卫星接入作

为 5G 系统需求；在 R16 中对新空中接口（New Radio，NR）

支持 NTN 解决方案，明确了透明接入、分布单元上星和 NR

上星 3 种卫星接入 5G 系统的架构；在 R17 中针对卫星接入

对核心网的影响问题及解决方案进行研究和评估；在 R18

中正在对卫星接入多连接、核心网上星和星上边缘计算等

卫星与 5G 的融合增强特性进行研究，深入推动 5G 与卫星

网络融合演进。

国际电信联盟（International Telecommunication Union，ITU）下设 ITU-T 及 ITU-R 等工作组。ITU-T 相关星

地融合工作主要在 SG13 开展。2020 年 ITU-T SG13 设立

“IMT-2020 网络及增强：固移卫融合”课题，重点研究空

天地多接入融合网络的需求、架构、关键能力、使能技术

和业务增强，在研空天地业务连续性、能力开放、策略控

制、QoS 保障等 10 余项相关标准，是全球首个空天地一

体国际标准体系。2023 年 4 月，ITU-T SG13 针对 6G 网络

提出“IMT-2030 网络：固移卫融合”，启动 6G 空天地一

体化标准研究。

ITU-R 相关星地融合工作主要在 SG4 开展。ITU-R 于

2019 年 7 月正式发布“Considerations on the Integration of

Satellite-Based Solutions into 5G Networks”[6]。该报告对 5G

卫星网络的应用场景、业务范围和关键技术等内容进行了

定义和分析，提出了星地 5G 融合的 4 种应用场景，包括

中继到站、小区回传、动中通及混合多播场景，并提出支

持这些场景必须考虑的关键因素，包括多播支持、智能路

由支持、动态缓存管理及自适应流支持、时延、一致的服

务质量、网络功能虚拟化（Network Functions Virtualization，

NFV）/软件定义网络（Software Defined Network，SDN）

兼容、商业模式灵活性等。2022 年 9 月 ITU-R 发布 5G 卫

星无线电接口愿景与需求报告：Vision and Requirements

for Satellite Radio Interface of IMT-2020[7]，报告明确了 5G

卫星部分三大应用场景增强移动宽带（Enhanced Mobile

Broadband-Satellite，eMBB-s）、海量机器类通信（Massive

Machine-Type Communications-Satellite，mMTC-s）、高可

靠通信（High Reliability Communications-Satellite，HRC-s），

并为满足多样化应用场景需求针对 5G 卫星部分定义了十

三大关键性能指标，包括速率、频谱效率、时延、流量密

度、可靠性、移动性和带宽等。

1.2 星地融合网络架构及 QoS 保障技术研究进展

在网络架构方面，参考文献[8]提出由“感知平面−数

据平面−控制平面−智能平面−应用平面”组成的天地融合

网络体系架构。参考文献[9]提出天地一体多业务融合的物

联网架构。参考文献[8-9]结合 SDN/NFV 技术、人工智能

技术等为星地融合网络资源高效利用、架构设计提供了解

决思路。参考文献[10]提出了一种面向 5G 卫星网络的灵活

的网络切片技术，设计了基于卫星网络的边缘计算系统架

构和资源管理机制，用于在不同应用场景和业务需求下，

根据不同的 QoS 需求分配资源。参考文献[11]提出了一种

天地融合网络一致性能力开放方案，将 5G 能力扩展至卫

星通信领域应用。参考文献[12]提出了一种面向高速星地

协同网络的卫星边缘计算集成架构，该架构采用 NFV 技术

将计算资源整合到低地球轨道 （Low Earth Orbit，LEO）

卫星的覆盖范围内。此外，该文还提出了一种任务调度模

型，以确保 QoS 保障并降低用户感知的时延和系统能耗。

参考文献[13]介绍了一种无服务器 SDN 架构，该架构可为

不同的 6G 服务级别协议动态协调通信和计算资源，并且

提供了一个多层机器学习框架，该框架使用一个统一的控

制平台来根据空间和地面层的交互优化网络和资源配置。

针对星地异构网络中超远程实时类、密集连接类、高

速移动宽带类、大容量传输类、确定性传输类等典型业务

场景差异化巨大的现象，业务驱动的星地异构网络共享

QoS 编排是需要解决的关键问题。参考文献[14]关注如何

在地球−卫星混合云网络中有效地部署定制的服务功能链

·34· 天地一体化信息网络 第 5 卷

（Service Function Chain，SFC），首先提出了一个用于云

SFC 部署的弹性框架，然后提出了一个有效的 SFC 映射方

法来提高系统资源利用率，最后通过大量用例在概念验证

原型上验证了所提出的框架，并通过基于真实世界拓扑的

大量模拟来评估所提出的映射方法。

针对星地无线接入与空间承载 QoS 在星地异构网络

中适配的难题，需结合分层分域的星地异构资源特性，研

究星地异构网络层域资源 QoS 分解方法。参考文献[15]针

对非对地静止卫星 IP 网络提出了一种模糊卫星路由策略

（Fuzzy Satellite Routing Strategy，FSRS），建立了一组模糊

规则来映射拥挤度和语言变量以满足多等级 QoS 需求。

针对星地传输机制的差异性对于 QoS 的影响，需研究

星地异构网络联合 QoS 调度方法。参考文献[17]对 LEO 卫

星上行传输调度方案进行了优化，结合模拟退火算法和蒙

特卡罗（Simulated Annealing and Monte Carlo，SA-MC）

算法，提出了一种新的传输调度算法来实现动态优化的调

度方案，仿真结果表明了 SA-MC 算法在降低成本和快速

收敛方面的有效性。

综上，星地异构网络联合 QoS 保障技术是业界关注的

研究热点之一，业界从网络架构、QoS 编排、资源映射、

调度方法等方面开展了多角度的探讨研究。

2 星地异构网络联合 QoS 保障系统架构及关

键技术

星地异构网络旨在通过充分发挥星地信息技术的各

自优势，为各类用户提供实时、可靠、按需的一致性服

务。其主要应用场景从广域覆盖、应急通信等典型场景，

进一步扩展至人工智能、智慧城市等新兴业务，对网络

提出了低时延、高可靠、高能效和超高密度连接等多样

化需求。为此，本文针对星地异构网络时空尺度大、拓

扑动态强、链路异构等特性，通过深度融合软件定义网

络、网络功能虚拟化、人工智能等信息网络技术，探索

面向动态拓扑、异构链路与多样化需求的星地异构网络

联合 QoS 保障系统架构。

2.1 星地异构网络联合 QoS 保障系统架构

本文研究内容基于的星地异构网络架构及业务场景

如图 1 所示，其异构特性主要体现在卫星网络与地面移

动网络融合组网所带来的传输链路、协议、能力等方面

的高差异性。用户终端直连卫星实现数据交互，终端类

型包括手持终端、物联网终端、甚小口径天线终端（Very

Small Aperture Terminal,VSAT）（包括车、船、机载等）

等。在天基段，由于低轨卫星具有在卫星互联网领域数

据传输灵活、应用场景丰富等优势，因此天基段以低轨

卫星节点为主，并结合网络发展趋势考虑基站、核心网

功能上星场景。地基段由地面无线接入、承载网、融合

核心网、数据网构成。

在星地异构网络架构基础上，本文所提星地异构网

络联合 QoS 保障系统架构如图 2 所示，以参考文献[8]

所提出的天地融合网络系统架构为基础，针对 QoS 保障

进行系统构建。

基于分层分域、数控分离的思想，将星地异构网络

联合 QoS 保障系统划分为应用层、控制层、网络层。

应用层是网络服务需求单元，包括各类星地融合业务，

例如基于位置服务、基于测距服务、基于遥感成像服务等，

可进一步支持应急通信、海洋通信、航机服务，以及各类

目标检测、识别和监控等通信服务，通信应用、卫星服务

及卫星应用。应用层将网络服务请求发送给控制层，并在

控制层转化为网络资源需求描述。

图 1 星地异构网络架构及业务场景

第 1 期 林琳等：星地异构网络联合 QoS 保障关键技术 ·35·

控制层是星地异构网络联合 QoS 保障系统核心控制

单元，通过南北向/东西向接口提供系统之间的逻辑互联，

实现多级控制和跨域协同管理。控制单元由中心控制系统、

天基控制系统和地基控制系统组成。中心控制系统基于星

地异构网络全局态势以及相应的业务需求，生成全局资源

调度策略。中心控制系统通过南向接口向天基控制系统和

地基控制系统下发控制策略和 QoS 需求，实现对星地异构

网络的全局控制。天基控制系统和地基控制系统的功能

是基于中心控制系统下发的控制策略和 QoS 需求，结合

域内网络态势生成域内最优控制策略并通过南向接口下

发至域内网元。

网络层包括地基网络资源、卫星网络资源，围绕网

络带宽、存储、计算、频率等资源，以分布感知、集中

分析相结合的多维资源监测与聚合机制，分域对天基资

源和地基资源进行收集，对物理节点和物理链路进行分

类处理。可借助网络功能虚拟化技术构建多维多域网络

资源池，实现全域资源抽象及统一描述、管理。

2.2 多维异构资源虚拟化及编排

网络层主要由各类异构的网络基础设施组成，包括

4G/5G 等移动通信网络资源、天基卫星系统及其配套的地

面网络资源。异构特性体现在地基网络和天基网络在体

系架构、体制和接口等方面的高度差异性，多维特性体

现在网络资源需从功能、算力、存储等多角度进行抽象、

映射、描述。

面对星地异构网络资源的多维异构特征，采用虚拟化

技术对物理资源进行抽象，形成统一的资源池。在此基础

上，对于用户的服务请求控制层基于虚拟资源进行按需资

源编排，不再受限于星地物理资源异质、能力差异等异构

特性的约束，资源调度更灵活。然而星地异构网络的星座

拓扑高动态、卫星节点资源受限、星间链路异构等特征，

为资源池构建与动态管理带来了挑战。一方面，在时间尺

度上，卫星节点的高速移动，导致相对地面用户的天基资

源类别、数量等随时间变化呈现高动态性；另一方面，在

空间尺度上，星间、星地链路跨度大，物理资源的动态变

化难以在虚拟资源池中实时更新，进而影响控制器资源调

度的精确性。

以上问题可通过以下 3 部分内容逐级实现星地异构网

络全域资源统一描述与表征。首先，可通过异构资源表征

的图结构搭建实现动态大规模天基承载资源的描述与表

征。根据天基承载网络的运行环境、实时状态等多维资源

信息，采用层域关联表示与特征抽取的天基承载资源描述

与表征方案。在此基础上，基于特征向量中心性等图结构

图 2 星地异构网络联合 QoS 保障系统架构

·36· 天地一体化信息网络 第 5 卷

特征提取算法，提出面向大规模天基网络的特征压缩方法，

来降低资源维度、实现网络多域资源低维表征，以平衡时

变资源描述精确性和由此带来的存储开销。

进而，基于接入网、传输网、核心网等多资源要素，

实现星地异构接入中地面资源的描述与表征。由于地面接

入节点、关口节点等星地接入节点资源差异较大，并且接

入子网、传输子网和核心子网中带宽、存储等资源要素较

多，研究“地面网络−低轨星座”接入模式下的地面资源

描述与表征尤为重要。可通过分析多样化节点在带宽、连

接、可靠性等方面的异构特征，利用图结构的特征分析，

实现地面和卫星空中接口接入资源一体化描述与表征。

最后，面向星地异构网络时空多维多域资源统一表征

难题，通过星地异构网络端到端多维资源的聚合方式，将

天基段与地基段融合的大时空尺度星地异构网络资源全局

表征，实现星地异构网络端到端异构、多维、全域资源统

一描述与表征，如图 3 所示。

图 3 全域资源统一描述与表征

2.3 异构网络 QoS 指标体系

随着星地异构网络高度融合发展，为满足高差异性业

务承载、一致性业务体验的需求，星地异构网络需要提供

端到端全局一致性 QoS 保障机制及 QoS 指标体系，以保

证业务传输及用户体验，实现业务需求面向网络资源需求

的准确描绘及映射。

长期以来，卫星系统和地面移动通信系统具有独立网

络架构和功能实体。由于两者承载业务类型的差异，卫星

系统和地面移动通信系统具有独立的业务质量保障体系及

指标，如何合理描述端到端一致性 QoS 指标存在体系融合

难题。同时，星地异构网络架构复杂，具有多层多域网络

特性，如何进行全局 QoS 指标向多层多域网络分解，实现

业务指标向网络资源映射存在极大挑战。

针对上述问题，从以下 3 个方面进行优化。

第一，从星地融合业务需求出发，通过描述业务类型、

应用场景及关键特征进行典型星地融合业务建模。

ITU-R M.[NGAT_SAT]标准在 2018 年 7 月完成，对 5G

卫星网络的需求、应用场景、标准关键技术和核心问题等

内容进行了研究，定义了天地一体化融合的 4 种应用场景，

包括中继到站、小区回传、动中通及混合多播场景。其中，

卫星网络覆盖的业务类型包括视频业务，导航、天气、交

通和其他环境数据传输，传感器设备、机器通信和自动驾

驶汽车等物联网相关数据传输，移动平台通信（如飞机的

飞行中连接、船舶和火车的宽带服务等）。ITU-R M.2460

在 2019 年完成，其指出卫星通信融入下一代无线接入网，

具有一些典型的应用场景：远程中继宽带传输、数据回传

及分发、宽带移动通信、混合多媒体等。

3GPP TR 38.811 定义了卫星网络在内的非地面网络场

景，包括 8 个增强移动带宽场景和两个大规模机器类通信

场景。在 TS 22.261 中针对 7 类卫星场景业务进行描述。

本文将借鉴上述国际标准进展，参考 TS 22.261、ITU-R

M.2176-1、CCSA SR 410-2-23 等最新研究结论，围绕星地

融合业务在超远程、移动性、实时性、安全性、高可靠、

密集性等角度存在典型业务需求差异，遍历业务特性构建

面向实际业务场景需求的典型应用场景建立典型星地融合

业务类型，针对业务类型、应用场景进行建模描述，具体

见表 1。

表 1 典型星地融合业务类型、应用场景

业务类型 应用场景

超远程实时类 偏远地区直播、跨洋实时视频会商

密集连接类 窄带物联网、大规模机器人控制

高速移动宽带类 高速列车、高速交通

实时大容量传输类 实时多媒体点播、VR/AR

非实时大容量传输类 大流量文件传输、基于内容的视频推送

强安全保障类 天基作战、金融数据传输

确定性保障传输类 医疗辅助、自动驾驶

高可靠性保障传输类 卫星通信管控系统

由于星地融合业务涉及多种影响因素，复杂度相对较

高，且需要整合多种异质数据特征，此外需要有较好的可

扩展性来满足不断变化的业务特性和需求。因此，可基于

启发式算法设计业务预测模型，其能够有效地挖掘星地融

合业务数据之间的非线性关系，并在搜索空间中找到全局

第 1 期 林琳等：星地异构网络联合 QoS 保障关键技术 ·37·

最优解，为星地融合业务提供更准确的性能预测和质量保

障，从而实现更好的业务驱动。

第二，通过参考现有标准进展构建星地异构网络下

全局 QoS（端到端）参数范围，为形成全局 QoS 指标提

供参考。值得指出的是，长期以来卫星系统和地面移动

通信系统具有独立的业务质量保障体系及指标，如地面

5G 移动通信系统具有基于 5G QoS 标识符（5G QoS

Identifier，5QI）的 5G QoS 指标体系[3]，卫星系统由于基

于机制不同未形成统一的 QoS 指标体系，在数字视频广

播等体制下探讨 QoS 指标[18]。如何合理描述端到端一致

性 QoS 指标存在体系融合难题。基于最新标准研究进展，

CCSA SR 410-2-23 给出了基于 5G 的卫星通信系统的性

能需求研究，具体见表 2。上述研究可作为全局 QoS 参

数范围研究基础，同时可通过端到端构建星地异构网络

仿真环境进行参数测量修正。

表 2 基于 5G 的卫星通信系统的性能需求[19]

性能 性能描述

服务区域 具备高度 200 km 及以下空间和地面的服务能力

终端移动性 手持终端：0~250 km/h；

VSAT 终端：0~1 200 km/h

体验速率

手持终端

上行速率 下行速率

100 kbit/s 1 Mbit/s

VSAT 终端 25 Mbit/s 50 Mbit/s

数据流数 支持单流传输（单发单收）

链路质量

往返路程时间≤20.04 ms（LEO, 600 km）；

往返路程时间≤34.19 ms（LEO, 1 200 km）

端到端时延抖动（语音）≤50 ms

端到端丢包率（语音）≤10-2

端到端丢包率（数据）≤10-3

入网时间 平均入网时间小于 5 s（与应用场景有关）

星间切换

星间切换失败概率，一般终端/业务≤1%。

切换时延≤100 ms （只对于 LEO 卫星，未计入终端

天线指向所需时间）

VSAT 终端仰角 LEO 卫星要求终端仰角≥30°

第三，针对星地异构网络多层多域网络特性，设计星

地异构网络全局 QoS 面向地面网络层、星上网络层，面向

接入域、承载域、核心网域的多层多域 QoS 分解方法。在

实现分层分域 QoS 协同智能调整时，考虑不同层域之间相

互耦合和影响的关系。以此，构建星地异构网络 QoS 逐级

分解与高效耦合模型，使星地异构网络端到端全局 QoS 与

层域 QoS 最优适配，为后续域内网络资源映射及业务传输

执行提供域内 QoS 任务指标。

2.4 异构网络资源按需调度与 QoS 保障机制

在星地异构网络中，网络资源特征不同、资源状态时

变、网络资源需求差异大等，均为星地异构网络资源管理

及调度带来挑战，而星地异构网络资源强受限的特性使得

传统的网络资源管理及调度方式并不适用。为实现网络资

源细粒度及差异化配置，提高网络资源利用率，需依据星

地异构网络中的资源状态与业务需求，构建一种按需适配

的新型资源按需调度及管理方式。

面向星地异构网络高差异化服务对传输资源动态实时

的调度需求，传统的单一控制器架构重度依赖控制器的统

筹协调能力，当用户节点数量增多时无法保证服务质量。

针对星地异构网络的多层多域性，集中式−分布式的分层

分域动态调控架构可以兼顾星地接入和空间承载一体化，

具有更高的灵活性和延展性，使得系统可以实现高精度的

实时调控，具体架构如图 4 所示。该架构主要由中心控制

系统、天基控制系统和地基控制系统组成，分别通过南北

向/东西向接口提供系统之间的逻辑互联，实现多级控制和

跨域协同管理。中心控制系统的功能是基于星地异构网络

全局态势以及相应的业务需求，生成全局最优资源调度策

略，实现端到端传输资源按需调度。中心控制系统通过南

向接口向天基控制系统和地基控制系统下发控制策略与

QoS 需求，实现对星地异构网络的全局控制。天基控制系

统和地基控制系统的功能是基于中心控制系统下发的控制

策略和 QoS 需求，结合域内网络态势生成域内最优控制策

略并通过南向接口下发至域内网元。

与此同时，引入任务 QoS 和监测 QoS 比对机制，设计

多层闭环 QoS 资源按需动态调控方法，是对用户服务质量

的重要保证方式，图 5 给出了多层多域闭环 QoS 保障机制

框架。首先，主控制器根据输入的差异化业务，基于 2.3 节

所提方法进行全局 QoS 分解，提取分层分域任务 QoS 并

下发至各分布式控制器，形成业务需求-全局QoS-任务QoS

闭环分解；然后，各分布式控制器将其任务 QoS 与其域内

池化资源进行按需匹配，生成域内最优资源调度策略，进

行任务 QoS-池化资源闭环分配；最后，将资源调度策略与

物理网元进行自适应适配，各网络节点执行资源调度策略，

实现任务传输。域内监测点将在完成任务传输后向主控制

器上报网络状态以及 QoS 实时结果，实时 QoS-全局 QoS

闭环监测。主控制器根据实时 QoS-全局 QoS 比对结果做出

QoS 策略动态调控，下发调控策略至分布式控制器进行网络

资源重新分配。通过全局 QoS-任务 QoS-实时 QoS 多层闭环

监控，实现网络资源按需动态分配、QoS 控制策略智能调

控、端到端业务质量有效保障的多层多域 QoS 保障机制。

·38· 天地一体化信息网络 第 5 卷

3 结束语

本文面向星地异构网络的拓扑结构高动态、星地链

路高差异、网络资源强受限等特征给星地融合业务高效

承载带来的重大挑战，深入分析星地异构网络发展现

状，提出星地异构网络联合 QoS 保障系统架构。在此基

础上针对网络异构、时空尺度大、业务需求差异化等带

来的星地异构网络服务质量保障挑战，提出跨域资源统

一编排管理、星地联合 QoS 指标体系构建、异构联合

QoS 动态策略调控、星地资源按需适配与部署等，实现

图 4 集中式−分布式的分层分域动态调控架构

图 5 多层多域闭环 QoS 保障机制框架

第 1 期 林琳等：星地异构网络联合 QoS 保障关键技术 ·39·

林琳（1986− ），女，中国联合网络通信有

限公司研究院高级工程师，主要研究方向为

网络技术演进、网络能力开放、星地融合能

力应用等。

灵活管控、按需适变、高效保障的星地异构网络联合

QoS 保障方法。

参考文献：

[1] 3GPP. Study on New Radio (NR) to support non-terrestrial networks: TR 38.811 V15.4.0 [S]. 2020.

[2] 3GPP. Solutions for NR to support non-terrestrial networks

(NTN):TR 38.821 V16.0.0[S]. 2019.

[3] 3GPP. Service requirements for the 5G system; Stage 1:TS 22.261

V18.3.0[S]. 2021.

[4] 3GPP. Study on using Satellite Access in 5G; Stage 1:TR 22.822

V16.0.0[S]. 2018.

[5] 3GPP. Service requirements for the 5G system; Stage 1 (Release

17:TS 22.261[S]. 2019.

[6] ITU-R. Key elements for integration of satellite systems into next

generation access technologies: M.2460[S]. 2022.

[7] ITU-R.Vision and requirements for the satellite radio interface(s) of

IMT-Advanced: M.2176-1[S]. 2012.

[8] 张婷婷, 武楠, 姚海鹏. 天地融合网络智能组网体系架构研究[J].

天地一体化信息网络, 2022, 3(3): 47-55.

ZHANG T T, WU N, YAO H P. Research on intelligent networking

architecture for the integrated space-terrestrial networks[J].

Space-Integrated-Ground Information Networks, 2022, 3(3): 47-55.

[9] 魏肖, 张景, 全子傲, 等. 天地一体多业务融合的物联网架构和

关键技术[J]. 天地一体化信息网络, 2022, 3(3): 3-12.

WEI X, ZHANG J, QUAN Z A, et al. The architecture and key

technologies of the Internet of things with integration of heaven and

earth and multi services[J]. Space-Integrated-Ground Information

Networks, 2022, 3(3): 3-12.

[10] CAO S Z, WEI J Y, HAN H, et al. Space edge cloud enabling network slicing for 5G satellite network[C]//Proceedings of the 2019

15th International Wireless Communications & Mobile Computing

Conference (IWCMC). Piscataway: IEEE Press, 2019: 787-792.

[11] 林琳, 朱斌, 王泽林, 等. 天地融合网络一致性能力开放方案[J].

天地一体化信息网络, 2022, 3(3): 81-86.

LIN L, ZHU B, WANG Z L, et al. Network capability exposure

scheme in satellite and ground merged network[J]. Space- Integrated-Ground Information Networks, 2022, 3(3): 81-86.

[12] ZHANG Z J, ZHANG W Y, TSENG F H. Satellite mobile edge

computing: improving QoS of high-speed satellite-terrestrial networks using edge computing techniques[J]. IEEE Network, 2019,

33(1): 70-76.

[13] SHIH-CHUN L, CHIA-HUNG L, C C L, et al. Towards resilient

access equality for 6G serverless p-LEO satellite networks[EB]. 2022.

[14] FENG B H, LI G L, LI G W, et al. Enabling efficient service

function chains at terrestrial-satellite hybrid cloud networks[J].

IEEE Network, 2019, 33(6): 94-99.

[15] JIANG Z Q, LIU C H, HE S B, et al. A QoS routing strategy using

fuzzy logic for NGEO satellite IP networks[J]. Wireless Networks,

2018, 24(1): 295-307.

[16] WANG F, JIANG D D, WANG Z H, et al. Fuzzy-CNN based multi-task

routing for integrated satellite-terrestrial networks[J]. IEEE Transactions on Vehicular Technology, 2021, 71(2): 1913-1926.

[17] WANG L, LIU S J, WANG W D, et al. Dynamic uplink transmission scheduling for satellite Internet of Things applications[J]. China Communications, 2020, 17(10): 241-248.

[18] DVB. Specifications, second generation satellite extensions: TR 102

376-2 V1.2.1[S]. 2021.

[19] CCSA. 基于 5G 的卫星通信系统研究：SR 410-202[S]. 2023.

CCSA. Research on satellite communication system based on 5G:

SR 410-202[S]. 2023.

[作者简介]

朱斌（1980− ），男，中国联合网络通信有限公司研究院教授级

高级工程师，主要研究方向为卫星通信、核心网技术等。

王泽林（1983− ），男，中国联合网络通信有限公司研究院高级

工程师，主要研究方向为网络技术、数据与接入等。

王光全（1968− ），男，中国联合网络通信有限公司研究院教授级

高级工程师，主要研究方向为网络技术、光通信、量子加密通信等。

姚海鹏（1984− ），男，北京邮电大学教授、博士生导师，主要

研究方向为卫星卫联网、人工智能、机器学习、未来网络体系架

构等。

董涛（1975− ），男，航天恒星科技有限公司研究员、博士生导

师，主要研究方向为空间光通信与空间网络。

冯伟莹（1986− ），女，北京航空航天大学副教授、博士生导师，

主要研究方向为空间环境、数据信号处理等。

2024 年 3 月 Space-Integrated-Ground Information Networks March 2024

第 5 卷第 1 期 天 地 一 体 化 信 息 网 络 Vol.5 No.1

基于聚类算法内容流行度预测的空天地一体化网络缓存方法

仇 超 1

，王晨阳 2,3

（1. 天津大学，天津 300072；

2. 深圳大学计算机与软件学院，广东 深圳 518060；

3. 人工智能与数字经济广东省实验室（深圳），广东 深圳 518132）

摘 要：针对空天地一体化网络中恶劣的自然条件可能造成连通异常和通信阻塞的情况，对一种新的空天地一体化网络缓存方

法进行研究，即基于聚类的内容缓存方法。基于空天地一体化网络架构，利用提取的内容特征来预测流行度，并用于缓存替换

决策。内容的流行度预测是由动态聚类算法实现的，这种方法可以有效地减轻地面核心网的通信压力，从而进一步提升用户体

验。使用开放数据集对算法进行评估，实验仿真结果证明了该方法的可行性和有效性。

关键词：空天地一体化网络；内容缓存；流行度预测；聚类算法

中图分类号：TP393

文献标识码：A

doi: 10.11959/j.issn.2096−8930.2024005

A Space-Air-Ground Integrated Network Caching Method

Based on Clustering Algorithm Content Popularity Prediction

QIU Chao1

, WANG Chenyang2,3

1.Tianjin University, Tianjin 300072, China

2. College of Computer Science and Software Engineering, Shenzhen University, Shenzhen 518060, China

3. Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ), Shenzhen 518132, China

Abstract: This paper proposed a new space-air-ground integrated network caching method, that was, cluster based content caching

method. Based on the space-air-ground integrated network architecture, this method used the extracted content features to predict the

popularity and used it for cache replacement decision. Content popularity prediction was realized based on dynamic clustering algorithm.

This method could effectively reduce the pressure on the ground backbone network and further improve the quality of user experience.

It evaluated the performance of our method using the open Douban movie review dataset. This dataset could be used to simulate user

requests. Experimental simulation results showed the feasibility and effectiveness of the method.

Keywords: space-air-ground integrated network, content caching, popularity prediction, cluster algorithm

0 引言

新一代通信技术的快速发展，与互联网、大数据、人

工智能等流行信息技术相结合，催生了移动支付、网络游

戏、远程医疗、无人驾驶等众多新型移动应用。此外，通

信技术还在工业、交通、医疗、教育等领域得到应用，有

效促进了生活中方方面面的信息化和数字化转型[1]。随着

地面移动通信的快速发展，具有智能感知能力的物联网也

得到了前所未有的发展。爱立信移动报告显示[2]，到 2027

年，大约 2.3 亿台终端设备每月将产生 288 艾字节（EB）

的数据，这对网络架构和先进通信技术的革命性发展提出

了要求。同时，随着网络上多媒体业务数量和质量的不断

提高，用户设备的流量和计算量急剧增加，给已经拥堵的

骨干网增加了巨大的工作量。

在架构方面，地面通信网络虽然可以配置强大的软硬

件资源来提供高速通信，仍难免因恶劣的自然条件、地质

收稿日期：2023−12−01；修回日期：2024−03−01

基金项目：国家自然科学基金青年项目资助（No.62002260）

Foundation Item: The National Natural Science Foundation of China (Youth) (No.62002260)

第 1 期 仇超等：基于聚类算法内容流行度预测的空天地一体化网络缓存方法 ·41·

灾害等因素造成连通性异常和通信阻塞，最终导致通信覆

盖盲区。因此，具有广域范围和宽带通信能力的空间与卫

星综合通信成为提供不受地域限制、无缝覆盖和连接的前

瞻性技术。包括 SpaceX、中国卫星网络集团有限公司在

内的国内外公司都启动了发射巨型低地球轨道（Low Earth

Orbit, LEO）卫星的计划，未来将建立的服务对互联网接

入至关重要[3]。然而，带宽和能源的限制导致与地面基站

相比，该方式可部署的计算和通信资源有限，周期性的轨

道飞行往往需要星间通信来实现覆盖中继。为更有效地满

足地面用户的应用需求，构建多域互联协作的多层网络架

构，对提供异构空间服务具有重要意义。

空 天 地一体化网络（ Space-Air-Ground Integrated

Network, SAGIN）是集卫星系统、航空系统、地面通信

系统为一体的跨域异构系统，为各域用户终端提供灵活

的节点接入、高速数据传输和无缝覆盖。SAGIN 的互联

性能超出了传统单一网络形式，引起了全世界研究人员

的广泛关注[4]。例如，欧洲航天局近期宣布，第五代通

信链路下的欧洲与日本间基于 SAGIN 架构的洲际连通

性首次试验成功，其还计划开发连接多个节点的技术，

例如卫星、无人驾驶飞行器和高空平台，以获得无处不

在的连接[5]。

在技术方面，边缘缓存通过网络热点内容在边缘服务

器的重用以有效减少网络的负载时间、减轻服务器的压力。

相较于内容分发网络，边缘缓存的应用可以进一步提高超

高清视频等服务的用户体验，已成为 5G 的重要技术。借

鉴地面通信范畴中终端-边缘-云中心 3 层架构的部署基础，

边缘缓存在空天地一体化网络中实现的难度是可控的[6]。

改良缓存算法是改善用户体验、提升缓存性能和效率

的有效途径[7]，缓存性能提升的挑战主要来自缓存容量。

单个边缘缓存节点或个人设备的存储量相对于核心网络非

常有限，这是导致低缓存命中率的重要因素。为了提高内

容缓存的效率，大量研究工作致力于从路径策略、服务器

布局、内容复制策略和其他方面进行优化[8]。

缓存系统的性能高度依赖于高效的缓存策略。然而，

很少有人关注缓存策略的改进问题。传统的缓存置换策略，

如最近最少使用（Least Recently Used, LRU）策略和先进

先出（First In First Out, FIFO）策略，虽然实现简单，但它

们基于静态规则，可能会忽略用户需求的变化，从而导致

缓存资源的浪费。随着人工智能技术的突破，更多的研究

内容逐渐偏向于动态自适应缓存方法的设计。这样的调度

算法可以最大限度地利用缓存节点的存储容量，从而进一

步减轻主干网络的压力。本文的主要贡献如下。

（1）提出了基于聚类的内容缓存算法，该算法提取用

户请求的内容特征并预测其流行度。根据流行度预测的结

果，该算法可以做出更好的缓存决策，以减少对地面核心

网络的请求数量。

（2）使用聚类算法来实现内容流行度的动态分析和预

测，可以使缓存方法根据用户需求的变化而进行调整，从

而基于当前情况和未来预测做出最佳缓存决策。

（3）同一些最先进的基准算法比较，实验结果表明了

所提算法的优越性。实验部分使用了来自某网站的电影评

论数据，该数据可用于模拟用户请求。

1 相关工作

随着 5G 网络的发展，众多研究以优化移动网络架构

和改善用户体验为目的，集中于网络路由、分布式服务、

服务器布局等方面。例如，参考文献[9]提出了一种遗传算

法用以解决最短路径路由问题。参考文献[10]提出了轻量

级协作缓存管理算法，旨在最大化缓存服务的流量并最小

化带宽成本。参考文献[11]描述了如何利用从社交联系中

提取的地理信息来改进内容交付网络中多媒体文件的缓存。

现有的优化工作更侧重于内容缓存的架构级别，忽略

了缓存替换策略也存在优化空间。参考文献[12-13]总结了

各种常用的缓存方案。最常用的缓存方案，如先进先出策

略和最不经常使用（Least Frequently Used, LFU）策略虽然

稳定但不能利用时间和内容特性进行优化，而更加智能的

缓存策略需要综合考虑历史和未来条件。参考文献[14]提

出了通过机器学习提高缓存性能。参考文献[15]给出了智

能代理缓存方法，支持向量机和决策树算法（C4.5）应用

于日志文件中。

内容流行度模型是一个确定每条内容的流行度的函

数，即每条内容被请求的频率。一些研究集中于通过机器

学习预测内容的流行度。例如，参考文献[16]提出了一种

在线算法，该算法可以有效地捕获和维护通过缓存代理请

求的 Web 对象准确的流行概况。参考文献[17]提出了一种

在线算法，该算法可以学习内容的未来流行度与其最近的

访问模式之间的关系。

2 缓存模型

在空天地一体化网络中，一般存在 3 层架构，共同实

现多空间、多网域的异构融合和跨域互联。它们可以独立

工作，也可以互通。其中，最上层为由低地球轨道卫星、

中地球轨道（Medium Earth Orbit, MEO）卫星和地球静止

轨道（Geostationary Earth Orbit, GEO）卫星所组成的空间

·42· 天地一体化信息网络 第 5 卷

段。随着轻型卫星技术、相控阵多波束天线、星上实时处

理、星间链路等技术的发展，LEO 卫星变得更加经济化、

小型化，并可以部署丰富的资源。在 SAGIN 系统中，本

文使用具有计算和存储能力的 LEO 卫星作为边缘服务器

节点，来完成边缘缓存处理任务，即通过部署缓存算法来

实现内容调度并对终端提供服务。

在空中段，数据采集、传输和任务处理主要由无人机、

高空平台等载体完成。它们的传输时延比卫星短，覆盖范

围比地面基站广，具有部署灵活、成本低、响应快、续航

能力强等特点。空中段网络可以实现低时延和广域覆盖，

但存储容量有限，链路不稳定。

地面段包括物联网设备、用户终端、通信站、地面基

站和其他支持地面服务的基础设施。地面基站计算能力强，

能源供给充足，配置在地面基站的边缘服务器可以提供低

时延、高效率的就近服务，但易受地形限制和部署约束。

边缘缓存节点的架构如图 1 所示。除了所有缓存节点

都包含的常见模块，例如请求接收器、内容发送器、请求

处理器、内容管理器、内容获取器、本地缓存，本文在原

始架构中引入了新的模块，即特征提取器、聚类管理器、

流行度查询器和决策器，以控制缓存过程。

图 1 边缘缓存节点架构

内容发送器将请求的内容发送回用户终端，请求接收器

则是接收用户的请求并将其发送给请求处理器。本地缓存负

责将内容存储在本地缓存列表中。此外，内容管理器管理

本地缓存列表中的内容和来自云服务器的内容。请求处理

器作为一个中间模块，协调不同模块和整个缓存工作流之

间的工作。特征提取器负责从原始请求中提取特征，聚类

管理器负责聚类的更新和动态拆分，流行度查询器基于特

征和聚类的结果对所请求的内容进行预测。决策器维护一

个优先队列的数据结构，以动态记录缓存列表中各项内容的

预期流行度，并做出是否缓存新内容的决策。内容获取器负

责与云服务器通信以获取不在本地缓存列表中的内容。

请求服务的流程如下。

首先，请求接收器接收新的请求，并对该请求进行预

处理，以提取关于该请求的信息，如内容 ID、用户 ID、

请求时间等。接下来，传输此信息到请求处理器。请求处

理器调度内容管理器从本地缓存列表中获取内容。这里有

两种情况。

第一种，内容在缓存列表中。请求处理器将请求内容

返回，记录访问日志，请求可以立即得到满足。

第二种，内容不在缓存列表中。内容管理器将请求发

送到内容获取器模块，后者与云服务器通信以获取内容并

将其返回用户。请求处理器首先将请求传输到特征提取器，

以开始缓存决策过程。请求处理器告知内容管理器执行缓

存决策。如果选择缓存新内容，当缓存列表未满时，内容

管理器可以直接执行。当缓存列表已满时，请求处理器将

缓存决定发送给内容管理器，以基于流行度排序用新内容

替换旧内容；否则，缓存列表中没有任何更改。

其中，缓存决策过程遵循以下步骤。

特征提取器接收内容并提取预测所需的特征，然后将

特征向量以键值对的形式保存到特征数据库中，以便后续

复用。

流行度查询器接收特征提取器的输出，并将聚类结果

存储在聚类数据库中。然后，预测新内容的预期流行度，

并将其发送给决策者。

决策器维护优先队列，以记录缓存列表中的预期流行

度，并基于新内容的预期流行度做出是否缓存新内容的缓

存决策。

假设有 F={1,2,...,F}个大小相同的可访问内容，始终

保存于云服务器（注：在实际的缓存应用场景中也可以

满足相同的大小假设。在这些场景中，可以将原始内容

分割成大小相同的小块，每个小块都可被视为一个可访

问的内容[18-20]）。为了提高移动用户的服务质量（Quality of

Service, QoS）或体验质量（Quality of Experience, QoE），

内容提供商必须设置缓存系统以将请求卸载到边缘缓存节

点。通过这种方式，移动用户可以直接从边缘缓存节点获

取内容，不仅避免了与云服务器的长通信时延，还释放了

主干网络的压力。

本文仅考虑单一缓存节点并假设系统中各个缓存节点

是相互独立的。定义 C < F 为缓存节点的最大缓存内容数，

1 2 {, , , , , } R m M = rr r r fi fi 是缓存节点接收的请求。每个请求

第 1 期 仇超等：基于聚类算法内容流行度预测的空天地一体化网络缓存方法 ·43·

可以被描述为一个三元组 r ft m mm m = ( , ,a ) ， ∀1≤ ≤m M ,

其中 mf F ∈ 是内容 ID, mt 是请求时间， m a 是 d 维的向量，

用来表示请求特征，例如请求内容类型和用户情况。本文

将特征向量归一化且 [0,1]d am ∈ fi A 。

定义 (1) 2( ) ) ( , ,, [ ] m m m mF S SS S = ff 为 mt 时刻的缓存列表状

态，其中 ( ) {0,1} Sm k ∈ 是第 k 项内容的缓存状态。Sm k( ) =1表

示第 k 项内容当前缓存在边缘节点，对其的请求可以直接

得到响应， ( ) 0 m k S = 则相反，此时内容 mf 不存在于边缘节

点，需要向云服务器请求并决定是否进行缓存，尤其是当

边缘节点缓存已满时，边缘节点必须进行缓存替换。定义

old

mf 为被替换内容，因此， mt 到 1 mt + 的缓存状态变化可以

表示为

old

+1

0,

( ) 1,

( ),

m

m m

m

k f

S k kf

S k

⎧ = ⎪ = = ⎨

⎪

⎩ 其他

(1)

为了提高移动用户的 QoS 和 QoE，应设计一个有效的

缓存策略，以便在 R 中的请求到达时做出适当的缓存决策。

缓存策略可以表示为从当前缓存状态、请求的内容和内容

的 特征向 量 到 下 一 个缓存 状 态 的 映 射

( ) 1 : ,, m m π S FA S → + 。当新请求到达时，缓存状态基于策

略π 变化

S Sf m mmm +1 = π ( , ,a ) (2)

通常，缓存命中率 H(π,M)是评价缓存系统效率的主要

评价指标[21]，定义为请求直接响应数占所有 M 个请求的百

分比。本文使用 H ( ) [ ( , )] π π = EH m 表示策略 π 的预期平

均命中率，其计算过程可以表示为

( ) 1

1 1

1 1 ( ) lim ( , ) lim

m

M M k k

k

M M m m

S f

H Hm

M Mm π π =

→∞ →∞ = =

= =

∑

∑ ∑ (3)

这样，H(π)就代表了缓存策略 π 的预期性能。对于缓

存系统，期望找到一个最优策略 * π ∈Π 使期望命中率 H(π)

最大化，可以表示为

* ( ) argmaxH π π = π∈Π (4)

3 流行度预测算法

当本地缓存节点接收到新请求时，首先检查内容是否

在其本地缓存列表中。如果是，将从本地缓存列表中获取

内容，并立即为用户服务；否则，会从云服务器下载内容，

然后将其发送给用户。之后，本地缓存节点决定是否将其

缓存在本地缓存列表中[22]。

首先，提取所请求内容 mf 的本身特征。接下来，根据

内容的历史访问特征求得请求特征 αm ，预测流行度 Pm

fi。

Pm

fi 将与本地缓存列表中内容的流行度进行比较。为了加快

搜索过程，保留一个优先队列 Q ，以便只能将 Pm

fi 与 Q 中

的顶部元素 least least (, ) P f fi 进行比较。如果 Pfi

m > least Pfi，则边

缘缓存节点将从其缓存列表中删除顶部元素 least f ；然后插

入 ( , ) P f m m

fi 来更新优先队列，否则，一切都不会改变；最

后，存储 mf 的访问日志[23]。

同时，为了及时保持内容的预期流行度，要定期更新

优先队列。这样随着热门内容的变化，内容的预期流行度

将发生变化，算法可以随时跟踪不同时间的热门内容。此

外，在某个请求θ 之后，可以在这段时间内获得 mf 的流行

度 Pm ，然后使用实际流行度来更新本文的预测模型。

为了进行适当的流行预测，本文主要使用两种特性：

访问日志特性和与内容本身相关的特性。根据数据源，可

以选择不同的功能，例如，对于不同的电影包含的不同标

签进行分类，并且每个电影都有自己的访问历史。这些标

签和访问历史可以被视为请求特征。本文使用了某网站电

影评论数据，该数据包含社区电影频道的用户评论。

对于新的请求 mr ，本文首先搜索历史日志以提取 mf 的

访问特征 hm ，这表示用户历史行为的特征，例如，该内

容截至当前的请求数。 hm 是表示内容特征的 x 维向量。然

后，提取表示内容特征的 y 维向量 mv ，例如电影的评分。为

了便于数据处理，本文将 hm 和 mv 利用最大值和最小值进

行归一化，即 [0,1] h v m m 、 ∈ 。请求特征αm 是 hm 和 mv 的融合。

一旦得到了特征向量 αm ，就可以建立 hm 的预期流行

度。首先，得到当前的聚类结果，其表示为 C cK m k { }, fi ( ) ，

其中 K 是聚类的数量，{ }k c 是聚类中心集；然后，找到离

当前请求向量 αm 最近的聚类中心 mc 。一旦选择了聚类中

心，就可以获得聚类的总流行度 ( ) P cm 、聚类中节点的数

量 ( ) N mc 以及集群中心 k c 与同一集群中其他节点之间的最

大距离 Dk 。最后，计算 k c 和 αm 之间的距离 m d ，并将 mf 的

预期流行度返回为 ×( )

×()

k k

m k

D Pc

d Nc 。

为了更新聚类，本文针对每次确定的聚类中心 k c ，通

过式（5）更新总流行度和向量个数

() ()

( ) ( )1

m mm

m m

Pc Pc P

Nc Nc

= +

= +

(5)

同时，当一个新向量节点加入聚类时，如果集群发散

度 ( ) D ck 超过阈值Φ ，则通过 K-means 算法将聚类 k c 的节

点集 k c 分割为 k 个新聚类。

K-means（k=2）的过程基于以下内容，如图 2 所示，

·44· 天地一体化信息网络 第 5 卷

对于 k 取其他值也类似。首先，随机选择两个节点 cdiff1 和

cdiff2作为聚类 ck新的初始质心，每个节点都属于节点和质

心之间具有最小欧氏距离的簇。然后，算法使用集群中的

所有节点，利用平均的方法重新计算质心。最后，重复上述

步骤，直到质心不再改变。本文以两个新的聚类 1

kc 2

kc 更新

聚类 ck，并在 K-means 算法完成时删除原有的 ck。

4 实验验证

本文使用从某网站电影频道爬取的数据作为算法评估

的数据集。在本文的实验中，假设有一个缓存节点向用户

提供视频内容，可以将某部电影的评论视为对某些内容的

请求，发布评论的时间是用户请求的时间。这种模拟过程

可以在现实世界中得到充分的解释，尤其是短视频应用程

序：随着内容的普及，用户对相关内容的请求在一段时间

内会增加，然后逐渐减少并保持稳定。

为了获取数据，本文采用爬虫程序来获取电影的

ID、评论的时间戳和用户的打分。为了保证数据集的正

确性，编写了随机爬虫来获取一个小数据集，并与主数据

集进行交叉验证。数据集一共包含 35 000 条不同的内容

ID，200 000 条可见的评论，评论时间的跨度为 2018 年 9

月 1 日至 2019 年 1 月 1 日。

本文设置实验中的请求特征向量有 4 个维度（d=4），

vm有 3 个维度（y=3），包括电影平均得分、电影的评论总

数以及用户在此评论中对电影的评分。hm 有一个维度

（x=1），即截至当前这部电影的评论总数。由于数据的尺度

不同，本文对数据进行了预处理。此外，本文的算法中有

一个参数，θ设置为 5 000。

本文与以下先进的基准算法进行比较。

（1）FIFO[24]：总是淘汰缓存中保存时间最长的内容。

（2）LFU[25]：淘汰最不常用的内容。

（3）LRU[26]：选择最近未使用的内容进行淘汰。

（4）基于动态时间老化的最少频率使用（Least Frequency

Used Dynamic Aging, LFUDA[27]）：对象的命中次数和使用频

率决定淘汰内容。

表 1 和表 2 显示了具有不同阈值φ下缓存命中率与

K-means 算法 k 值的关系。可以看出，缓存命中率随着 k

的增加而降低。这是因为本算法使用不同聚类的特征进行

流行度预测。因此，较高的 k 意味着分裂出更多的新聚类。

当φ不变时，P 和 N 在每个聚类中的分布会受到影响。更多

的聚类意味着 P(ck)和 N(ck)不再突出聚类特征而是更平均。

表 1 不同 k 值下的缓存命中率（Φ 为 1.6）

k 聚类数/个 命中率

2 4 36.9%

3 5 36.8%

4 7 36.1%

5 7 34.5%

表 2 不同 k 值下的缓存命中率（Φ 为 0.8）

k 聚类数/个 命中率

2 7 36.0%

3 13 35.7%

4 17 35.6%

5 21 33.8%

缓存命中率与集群数随Φ 的变化趋势如图 3 所示。有

几点值得注意。① 对于这里的距离，本文使用欧几里得距

离的平方作为度量。由于本文对 4 个维度的特征进行了标

准化，因此该值的可选范围为 0～4。如果 Φ 更大，则执行

分割算法的次数越多，最终聚类的数量就越多。② 缓存容

量保持不变，缓存命中率随着 Φ 值的增加而波动。对于数

据集来说，当 Φ 值为 1.6 时，缓存命中率可以达到最高的

图 2 聚类分割示意

第 1 期 仇超等：基于聚类算法内容流行度预测的空天地一体化网络缓存方法 ·45·

36.9%；当该值为 2.4 时，缓存命中率最低，只有 30.54%，

但仍比 LRU 的表现高 0.5%。该算法将所有请求的特征向

量划分为两个聚类。

图 3 不同 Φ 值下缓存命中率和集群数

本算法和基准算法在各种缓存容量下的平均缓存命

中率如图 4 所示。可以看出，本算法在所有模拟中显著

优于其他算法，这是因为其他基准算法在做出缓存决策

时没有考虑内容的未来流行度。其他基准算法只考虑内

容当前的流行度，这可能与未来的流行度不同，并且不

能根据用户的请求或热门话题而改变策略，从而导致更

多缓存未能命中。此外，基准算法独立处理每个内容，

不试图从过去的经验中学习流行度和上下文信息之间的

关系。例如，当内容从缓存节点中淘汰时，与此内容相

关的所有知识都将丢失，无法用于将来的决策。相反，

基于流行度预测的缓存算法可以不断学习，并将学习到

的知识存储到学习数据库中，以便将来使用。当缓存容

量较小时，本算法的优势更大，因为需要做出更仔细的

缓存决策。为了说明采用本算法在减少缓存需求方面的

巨大优化，本文考虑 50% 的通用目标缓存命中率。在这

种情况下，基于聚类的内容缓存（Cluster Based Content

Caching，CBCC）需要 5 000 MB 的缓存容量，而 LFU 需

要 9 000 MB 的缓存容量。

缓存命中率与请求时间的关系如图 5 所示，可显示缓

存性能随请求时间的变化情况。图 5 中曲线上的每一点表示

当前时间窗口和下一时间窗口内缓存命中的百分比。有以下

几点值得注意。

（1）第一天之后，基于流行度预测的缓存算法优势

随着更多请求的到来而变得明显。在这段时间里，本算

法成功地从大量的请求中学习，从而做出准确的流行度

预测。

（2）如图 5 所示，本算法缓存命中率始终高于其他

算法，但并不总是在提高。这是由于本文使用的数据集

不足以支持大量独立的请求，曲线是请求到达单个缓存

节点场景下实现的。当对大量缓存节点进行平均时，缓存

命中率预计不会降低。尽管如此，图 4 和图 5 仍然可以说

明本算法的学习行为及其优于现有解决方案的性能。

图 4 不同缓存容量下的缓存命中率

（3）LFU 和 LFUDA 未能跟踪流行内容的变化趋势，

两种算法的缓存命中率在几十天后迅速下降。这是因为

LFU 使用过去流行的内容进行缓存决策，随着时间的推

移，这些内容会过时。LFUDA 通过引入缓存年龄计数

器来缓解这个问题，但并没有完全消除它。相比之下，

本算法对流行程度分布的变化反应迅速，因此保持了稳

定的缓存命中率。

图 5 缓存命中率与请求时间的关系

·46· 天地一体化信息网络 第 5 卷

5 结束语

本文提出了一种在线学习方法来执行高效的缓存替

换，所提算法通过聚类预测内容的流行度做出缓存替换决

策。不同内容的访问模式存在相似性，因此可以利用聚类

的方法对内容随时间动态分类，进而预测内容的流行度，

减少缓存节点访问核心网云服务器的次数，最终改善用户

体验。本文将本算法与现有的几种缓存策略进行比较，验

证了其可行性和有效性。

参考文献：

[1] PANWAR N, SHARMA S, SINGH A K. A survey on 5G: the next

generation of mobile communication[J]. Physical Communication,

2016, 18: 64-84.

[2] OBILE W. Ericsson mobility report[R]. 2016.

[3] DUAN T, DINAVAHI V. Starlink space network-enhanced

cyber-physical power system[J]. IEEE Transactions on Smart Grid,

2021, 12(4): 3673-3675.

[4] CHIEN W C, LAI C F, HOSSAIN M S, et al. Heterogeneous space

and terrestrial integrated networks for IoT: architecture and challenges[J]. IEEE Network, 2019, 33(1): 15-21.

[5] QIU Y, NIU J W, ZHU X Z, et al. Mobile edge computing in

space-air-ground integrated networks: architectures, key technologies and challenges[J]. Journal of Sensor and Actuator Networks,

2022, 11(4): 57.

[6] RAY P P. A review on 6G for space-air-ground integrated network:

key enablers, open challenges, and future direction[J]. Journal of

King Saud University - Computer and Information Sciences, 2022,

34(9): 6949-6976.

[7] ALI W, SHAMSUDDIN S M, ISMAIL A S. Intelligent Web proxy

caching approaches based on machine learning techniques[J]. Decision Support Systems, 2012, 53(3): 565-579.

[8] BERNARDINI C, SILVERSTON T, FESTOR O. A comparison of

caching strategies for content centric networking[C]//Proceedings of

the 2015 IEEE Global Communications Conference (GLOBECOM).

Piscataway: IEEE Press, 2015: 1-6.

[9] BORST S, GUPTA V, WALID A. Distributed caching algorithms

for content distribution networks[C]//2010 Proceedings IEEE INFOCOM. Piscataway: IEEE Press, 2010: 1-9.

[10] DEHGHAN M, SEETHARAM A, JIANG B, et al. On the complexity of optimal routing and content caching in heterogeneous networks[C]//Proceedings of the 2015 IEEE Conference on Computer

Communications (INFOCOM). Piscataway: IEEE Press, 2015:

936-944.

[11] DOBRIAN F, SEKAR V, AWAN A, et al. Understanding the impact

of video quality on user engagement[J]. ACM SIGCOMM Computer Communication Review, 2011, 41(4): 362-373.

[12] ZHANG P Y, LI Y J, KUMAR N, et al. Distributed deep reinforcement learning assisted resource allocation algorithm for

space-air-ground integrated networks[J]. IEEE Transactions on

Network and Service Management, 2023, 20(3): 3348-3358.

[13] GREGORI M, GÓMEZ-VILARDEBÓ J, MATAMOROS J, et al.

Wireless content caching for small cell and D2D networks[J]. IEEE

Journal on Selected Areas in Communications, 2016, 34(5):

1222-1234.

[14] JIN S D, BESTAVROS A. Popularity-aware greedy dual-size Web

proxy caching algorithms[C]//Proceedings of the 20th IEEE International Conference on Distributed Computing Systems. Piscataway:

IEEE Press. 2002: 254-261.

[15] LI S H, XU J, VAN DER SCHAAR M, et al. Popularity-driven

content caching[C]//Proceedings of the IEEE INFOCOM 2016 -

The 35th Annual IEEE International Conference on Computer

Communications. Piscataway: IEEE Press, 2016: 1-9.

[16] LI C L, ZHANG Y, SUN Q Q, et al. Collaborative caching strategy

based on optimization of latency and energy consumption in

MEC[J]. Knowledge-Based Systems, 2021, 233: 107523.

[17] POULARAKIS K, IOSIFIDIS G, TASSIULAS L. Approximation

algorithms for mobile data caching in small cell networks[J]. IEEE

Transactions on Communications, 2014, 62(10): 3665-3677.

[18] LYU F, YANG P, WU H Q, et al. Service-oriented dynamic resource

slicing and optimization for space-air-ground integrated vehicular

networks[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 23(7): 7469-7483.

[19] SCELLATO S, MASCOLO C, MUSOLESI M, et al. Track globally,

deliver locally: improving content delivery networks by tracking

geographic social cascades[C]//Proceedings of the 20th International Conference on World Wide Web. New York: ACM, 2011:

457-466.