摘要:在低空智联网中,无人机作为空中通信基站、数据传输中继节点和移动网络终端的重要组成部分,凭借其卓越的机动性和适应性,广泛应用于扩展网络覆盖和支持多种业务服务。然而,由于低空智联网面临着网络拓扑动态变化、空域资源稀缺以及多样化业务需求等挑战,实现有限资源的高效编排和管理仍然是一项艰巨任务。为解决这一问题,通过对无人机网络进行端到端切片,构建满足特定需求的逻辑无人机网络架构。首先,设计了一种分群轨迹预测模型,用于确定分群接入节点的位置,为网络切片的资源预留与优化提供支持。基于此,提出了一种双时间尺度的资源管理框架:在大时间尺度上,采用非线性规划方法将切片重配置问题转化为约束优化问题,优化整体切片效益并合理预留资源;在小时间尺度上,通过针对切片内业务需求的资源调度策略,满足具体业务的传输服务质量(quality of service,QoS)需求。仿真结果表明,该方法增强了低空无人机智联网络在动态环境中的适应性与服务质量,为低空智联网复杂场景下的资源管理和业务保障提供了有效支持。
摘要:为解决SONiC(software for open networking in the cloud)交换机操作系统对多模态网络(polymorphic network,PINet)中模态适配及模态管控问题,提出了一个基于P4Runtime的SONiC网元控制通道容器p4runtime-pins,使多模态网元设备可以支持多种网络模态流表的配置。p4runtime-pins容器通过gRPC服务模块实现与控制器的连接,使用邻近网元发现算法实现控制器对链路的发现。设计了网元端口更新算法解决了网元设备在实际应用环境中存在的端口变更问题。同时,针对SONiC网元交换机中硬件转发处理单元存在的流表支持性差异问题,设计了内部流表转存和gRPC网元代理功能,实现了不同网络模态流表的部署。实验结果表明,p4runtime-pins容器资源消耗低,仅占用了1.70%的CPU资源和0.45%的内存资源。同时,部署p4runtime-pins容器的SONiC网元设备能够准确地接收并配置控制器下发的流表规则,流表配置延迟仅为0.027~0.037 s。
摘要:动态超表面天线(dynamic metasurface antenna,DMA)已成为空基平台波达方向(direction of arrival,DOA)估计的优选技术,但其性能易受平台抖动的影响。针对空基平台在DOA估计中面临的角度随机抖动问题,提出了一种基于DMA异构码本循环卡尔曼滤波的抗抖动DOA估计算法。首先,针对角度随机抖动导致的接收端数据非线性问题,提出了一种非线性误差分离方案,将接收数据中的抖动误差转化为易于分离的线性分量,便于后续的抖动分量滤除。其次,为了使接收数据与卡尔曼滤波算法相匹配,提出了一种异构码本循环方案,通过在长时间尺度上构建相同的DMA码字,以支持卡尔曼滤波算法利用累积的时间信息来识别和滤除抖动误差。最后,卡尔曼滤波处理后的数据通过原子范数方法恢复出稀疏信号,并采用基于Hankel矩阵分解的多信号分类(multiple signal classification,MUSIC)方法进行空间谱估计。仿真结果证实,在相同信噪比(signal-to-noise ratio,SNR)条件下,所提方案相较于传统的多次估计平均方案,估计精度提升了48%,估计结果更接近无抖动的理想状态。