可在www.sciencedirect.com上在线获取ScienceDirectICTExpress 8（2022）432www.elsevier.com/locate/icte低轨卫星移动网络中的可信切换Soyi Junga，Moon-Sik Leeb，Jihyung Kimb，Mi-Young Yunb，Joongheon Kimc，Jiang，Jae-Hyun Kimd，Jianga大韩民国水原市Ajou大学电子和计算机工程系b大韩民国大田电子和电信研究所c大韩民国首尔高丽大学电气工程学院d大韩民国水原市Ajou大学计算机工程电气系接收日期：2021年7月15日;接收日期：2021年10月3日;接受日期：2021年10月28日2021年11月18日网上发售摘要近来，低地球轨道（LEO）卫星网络是为地面网络系统提供无缝接入的主要系统之一。为了提供鲁棒的接入，高效的切换机制是必不可少的。然而，由于卫星的快速运动，传统的机制可能会引入频繁的碰撞。针对这一问题，本文提出了一种基于学习的拍卖切换机制，该机制综合考虑了地面用户与卫星之间的接收信号强度和服务时间。之所以使用基于拍卖的方法，是因为它通常被认为是值得信赖的。实验结果验证了该算法的有效性。版权所有2021作者。由爱思唯尔公司出版代表韩国通信和信息科学研究所这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：低轨卫星;切换;迈尔森拍卖;深度学习1. 介绍与中地球轨道（MEO）和地球静止轨道（GEO）卫星相比，低地球轨道（LEO）卫星提供了有希望的配置以实现更低的传播延迟和更高的吞吐量。然而，由于LEO卫星和地面用户（TU）的快速移动，频繁的重叠是不可避免的。此外，这些频繁的转发器对LEO卫星网络（LSNs）中的服务质量（QoS）引入相当大的负面影响[1，2]。最近开发的研究成果集中在集中管理的切换策略。为了实现灵活的卫星切换，设计了一个基于图的切换框架来解决使用强化学习的路径查找问题[3]。此外，提出了一种潜在的基于博弈的切换算法，以保证均衡的星座网络负载[4]。此外，还提出了一种新的使用基于估计理论的预测的LEO切换算法[5]。尽管这些算法实现了∗ 通讯作者。电子邮件地址：jungsoyi20@gmail.com（S.Jung），moonsiklee@etri.re.kr（M.S. Lee）、savant21@etri.re.kr（J. Kim）、myyun@etri.re.kr（M.Y. Yun）、joongheon@korea.ac.kr（J. Kim）、jkim@ajou.ac.kr（J.-H. Kim）。同行审议由韩国通信研究所负责教育与信息科学（KICS）。https://doi.org/10.1016/j.icte.2021.10.011性能改进，它不考虑真实性（例如，收入、信誉等）。此外，它们在可扩展性方面是不利的（例如，信令开销）。为了以分布式方式解决切换问题，本文设计了一种基于计量经济学方法的算法，即拍卖，以提供分布式效用最大化以及真实性/可信性[6]。在主要的著名拍卖算法中，迈尔森拍卖是一种有效的收入最优的单物品拍卖[7]。在我们提出的基于拍卖的LEO卫星切换机制中，每个TU做出LEO卫星切换的决定，以防止自私用户的不分青红皂白的尝试。在拍卖中，每个TU通过作为拍卖者进行投标来执行基于拍卖的切换决策计算。然后，多个附近的LEO卫星将加入拍卖过程，当它们（即，候选LEO卫星）愿意基于它们自己的效用计算加入。然后，各个候选LEO卫星将基于（i）接收信号强度和（ii）服务时间准备它们自己的投标。然后，候选LEO卫星中的一颗卫星将通过称为第二价格拍卖（SPA）的拍卖过程成为赢家SPA之所以被认为是各种拍卖算法中的一种，是因为它通常被认为是真实/可信的[6]。然而，SPA的主要缺点之一是它不是收入最优的。为了提高收入（即，增强以下方面的效益：2405-9595/© 2021作者。 由Elsevier B.V.代表韩国通信和信息科学研究所出版。这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。S. Jung，M.S. Lee，J.Kim等人ICT Express 8（2022）432433（）=）210h2小时，（3）、、√卖方/TU），本文使用基于深度学习的解决方案计算。最后，可以注意到，我们提出的切换算法根据基于深度学习的基于SPA的机制设计作为分布式和可信计算的形式工作。本文的主要贡献如下。首先，据我们所知，这项工作是第一个贡献，认为值得信赖的卫星空中网络切换。接下来，所提出的算法是完全分布式的，即，可以实现可缩放的操作。最后，由于使用基于拍卖的算法，所提出的算法保证了最佳的收入，以及使自配置的操作，以适应各种条件。2. LEO卫星切换判决准则我们考虑的卫星网络由LEO卫星和TU组成。我们考虑提供无缝互联网接入到各个TU的服务每个TU都由多个-图1.一、 TU和LEO卫星之间的运动关系。大气衰落 A和Rician小尺度衰落[11]如：G=PL·GH（dij）·A（dij）·G，（ 2）其中，是俯仰角，并且是TU与卫星之间的传播距离。对于位于由LEO卫星i的波束覆盖的（xj， yj）中的TUj，俯仰角可以计算为，n（xj−oi，1）2+（yj−oi，2）2LEO卫星同时一旦TU接入LSN，TU将被分配有多个候选卫星。在传统的卫星网络中，由于TU的随机移动（例如，联合国载人航空网络[8，9]），这将最终导致其中h是卫星的高度，（oi，1，oi，2）是中心i的覆盖区域的位置。传播距离卫星和TU之间的dij由下式给出，dij=h2+（xj−os1）2+（yj−os2）2，（4）切换失败率高。为了避免这种行为，我们考虑两个切换标准，即，接收信号强度和服务时间。接收信号强度：TU测量各个LEO卫星的每个接收信号强度指示（RSSI），并选择最强的数据链路[5]。更多详情见第2.1节。• 服务时间：TU和其中（os，1，os，2）是卫星下方的位置。路径损耗 表示为，PLc2， （5）4πdijfc其中c和fc是光速和载波频率。[12][13][14][15][16][17][18][19][1GH（ωij）=Apeff·cos（ωij）η（32log 2，（6）LEO卫星可以增加切换频率的数量。TU选择提供最大服务时间的卫星[10]。更多详情见第2.2节。2 2 arccos（η0. 第五章）其中Apeff是天线孔径效率，η是天线的滚降。大气衰减由下式给出根据所提出的基于拍卖的切换，可以减少信令开销，因为收集切换-A（dij）=10（3dijx）（七）不需要来自全球所有LEO卫星的相关信息，而来自所有LEO卫星的信息应该以集中算法来收集。2.1. 接收信号强度····nj=2 arctan、S. Jung，M.S. Lee，J.Kim等人ICT Express 8（2022）432434≤ ||≤≤||≤φππ路径损耗之和可以根据传输单元的运动模式和低轨卫星的轨道来计算和预测。接收功率由下式给出，PR=PT·GT·GR·G，（1）其中PT是传输功率，GT和GR是发射机和接收机的天线增益，G是信道模型，式中，χ为云层和雨水中的衰减，单位为dB/km。2.2. 服务时间采用TU与LEO卫星之间的相对方位角Pa和相对距离变化量Pd来描述空间关系。我们假设Lij是i和j之间的连接线。如图1所示，φ和θ分别表示为位置角和接近角，其中0φπ和0θπ。定义顺时针方向为正，反之亦然。归一化角度可以是，分别建立了低轨卫星与卫星间的信道模型G，并且TUj由路径损耗PL、俯仰角衰落P =1 −2 |φ|， P =2个|θ|− 1，（8）θS. Jung，M.S. Lee，J.Kim等人ICT Express 8（2022）432435−22RP·=g，ug，ug，u⎧⎪(2+Pφ+Pθ)·(2−vijdij），若dij≤n3R，单调网络（用于采样增加⎪2+Pφ+Pθ·R− dij2−vi jdij2⎪+√- − ≤ ≤+max（wi）、（十五）表1低轨卫星系统相关参数变量描述LEO卫星高度1500公里LEO卫星天线系数20TU速度5 m/sLEO卫星发射机功率10 dBW噪声功率谱密度173 dBm/Hz莱斯小尺度衰落20 dB载波频率Ka波段（30 GHz）其中Pφ是φ的归一化，Pθ是归一化θ。因此，相对方位角值P a可以获得为P a= 2 +Pφ+ Pθ。（九）Lij方向的速度投影差为：可以表示为，vij=vicosθ+vj cosφ，（10）其中vi和vj是卫星和TU的速度。如果卫星靠近TU，则vij将为负值，反之亦然。我们定义相对距离变化值P∈ D以将vij变换为正值。信号强度（参见第2.1节）和服务时间（参见第2.2节）。这里，LEO卫星i的出价bi可以计算为，biα·PR+β·Pij，（ 14）其中α和β分别代表接收信号强度和服务时间的归一化因子。注意所有参数都在表1中。请注意，当两个值都增加时，我们的出价将增加。根据提交的投标值，TU将确定一个获胜者（即，中标的LEO卫星为TU提供互联网接入服务）。然后，获胜者将被选择提供服务，并且支付等于第二高的出价值。这是我们提出的基于SPA的切换机制的详细过程。请注意，SPA被广泛用于各种分布式资源分配，因为它是值得信赖的[6]。3.2. 深度学习框架在本节中，设计并实现了一个深度学习框架，以提高拍卖商/TU的收入。PDvi jdi j=2−R（vi+vj），（11）需要提高收入的原因是SPA不是收入最优的，即使它是值得信赖的[6]。其中vivjvijvivj，R是卫星覆盖范围的半径。最大有效半径为因为对于超密集星座，有效小区是六边形[13]。因此，归一化的有效相对距离可以计算为，根据基于深度学习的SPA，我们提出的mech-主义可以是值得信赖的和收入最优的[14];其中最优性代表在以下方面提高收入 拍卖师如在[14]中所讨论的，di的出价集合，i={1，. . . ，D}被转换为bi= φi（bi），i ={1，. . . ，D}。这里b 表示d的转换出价。φ应具有PD= {1，如果dij≤103R，（十二）单调性，将b转换为变换的bidb。R−di j， 否则，请执行以下操作。相对距离变化值Pd计算为Pd坎德角为了对空间关系进行全面的评价，我们将Pij定义为结合了Pa和Pd的空间关系，Pij基于深度学习的SPA由三个网络组成也就是说，单调网络、分配网络和支付网络，其中单调网络用于基于给定的出价来提高收入，分配网络用于确定获胜者LEO卫星，并且支付网络用于由获胜者支付。关于这种基于学习的SPA的更多细节在[6]中讨论。2R（vi+vj）2收入）表示为，=（Pa）（Pd）（ ）{}2⎪⎪⎩P aRPdR（vi vj）其中wi1≤g≤Gβi1≤u≤U是训练参数;权重和偏差，3. 通过深度学习进行3.1. 第二价格拍卖（十三）分别分配网络（用于选择一个获胜者）主要使用softmax函数设计，并且可以表示为，ekbig，u，否则。bi=φi（bi）=minbi+βiS. Jung，M.S. Lee，J.Kim等人ICT Express 8（2022）432436（）∑我们提出的切换机制将被触发时，TU发起切换过程。当确定g i= softmax b1，. . . ，b D; k =Dj=1.（十六）ekbj如果需要切换，则请求消息将被通告给附近的多个LEO卫星。其中，当LEO卫星愿意加入拍卖竞争时，它们将根据收到的报价组织自己的出价在拍卖中，如果di成为赢家，则di的支付额变为第二高出价与bi之间的值。考虑作为ReLU函数的结果的非负集合，以获得第二高出价。这S. Jung，M.S. Lee，J.Kim等人ICT Express 8（2022）432437（ ）}=====-==-===-=−我φi我1≤g≤G1≤u≤Uwg，u我βg， u、表2通过深度学习进行参数相关的拍卖设计变量描述学习率0.0001L2正则化参数0.001培训集规模40万套模拟纪元1000TU数量5LEO卫星数量小组和单位的数量5、10近似质量k1，2，3表3收入统计数据（见图 2）标SPA-0k = 1k = 2k= 3平均值8.2925 6.7893 7.0717 6.9353 6.8213前25% 9.5314 8.1682 8.3328 8.2810 8.2186图二. 收入统计。是设计支付网络的基本概念，可以表示为，p iReLU max b i.（十七）j=i最后，确定获胜者的支付及其结果的逆变换被用作（17）的输入，即，P=1（p）= max{min（我 ）−1（p− i ）}（十八）近似参数k在（16）中。在图2的实验结果中，收入代表TU的预期收入/收益。因此，它可以被解释为通过选择LEO卫星的TU的收入。因此，可以提高低轨卫星的性能。当k为1、2和3时，评估使用验证数据。图2示出了获胜者的出价、平均支付、最大支付和最小支付。随着k的增加，获胜者的平均出价和平均支付之间的差距变得更大，即，1.220841（k1），1.357208（k）1.471152（k）3）。当k3，我们提出的算法和SPA-0之间的差距是平均约0.1，而差距是0.3时，k1。这一结果验证了具有k1的模型具有最高的收益。可以看出，拍卖人的收益是按照k1、k2、k3和SPA-0，间隙为0.1。图3、给出了自私用户参与切换交易的实验结果。自私的用户被定义为总是不加选择地以高价值出价的用户，最终它会给其他用户带来影响。本实验采用k1和k2模型进行。自私用户的出价值被设置为8.35，这是基于图2中的实验结果，即，最高25%的支付价值，k1模型。该实验利用两种情况，即，（一）1个自私的用户和4个诚实的用户[即，场景（1）或图3（b）中的S（1）];以及（ii）5个真实用户[即，情景（2）或S（2）图3（b）]。图3（a）中的左边四个条，即，[1另一方面，图3（a）中的右四个条，即，[5在图3（a）的左侧四个条中，第1/第2条和第3/第4条分别是没有虚拟预算和具有虚拟预算的实验结果。如图所示。3（a），虚拟预算的结果大约有0.1比没有虚拟预算的结果更高的效用。类似地，图的右侧四个条。3（a）（即，场景（2）没有自私用户）具有大约0.1的效用没有虚拟预算的结果和有虚拟预算的结果之间的差距，在那里它计算获胜者的实际支付4. 绩效评价我们的拍卖与深度学习的性能通过数据密集型实验进行评估。对于第一个实验，模拟使用不同的k，k是决定近似质量（或灵敏度）的系数。 深度学习;然后结果以中标价值和付款的形式呈现。该实验包括SPA-0的统计结果（其中SPA-0表示出价为非负的SPA），以及结果与我们提出的机制进行比较。因此，我们的机制的收入最优。我们的模拟设置包括5个TU和16个LEO卫星，它将成为深度学习计算的训练数据。请注意，所有参数总结见表2。图2和表3显示了在更新最高的总体而言，可以解释为虚拟预算具有边际影响。然而，我们可以在图中观察到虚拟预算的明显影响。3（b）款。图3（b）显示了真实用户在情景中获得(1)场景（2）。注意，左边的两个条，即，[1-2]，用于场景（1），而右边的两条，即，[3-4]，适用于场景（2）。如图3（b）的第一条所示，当真实的用户成为赢家，因为第二高的出价由于自私的用户而高。但是，很难与8.35（自私用户因此，自私的用户最终将被排除在交易，因为戏剧性的预算退化，并最终它不能对剩余的迭代拍卖过程产生任何影响。在图的右边两条中。3 （b），观 察到相对较高的实用价值，因为S. Jung，M.S. Lee，J.Kim等人ICT Express 8（2022）432438≈图三. 平均效用。[B]k=1或[B]k= 2表示当使用k=1或k=2的模型存在虚拟预算时执行实验显示了收敛到最优收益的迭代计数。这个结果表明，在SPA-0和均匀分布下的建议拍卖中，实现的收入分别为6.42和7.3，即，性能提升13.7%。类似地，在SPA-0和高斯分布下的建议拍卖中，收入分别为7.38和8.53，即，高出15.6%。最后，它已被验证，我们的拍卖是自我配置，使其进行收入最佳拍卖独立于见图4。在我们的框架中，当自私用户的数量增加时，自私用户的平均剩余预算。图五. 我们提出的基于深度学习的拍卖在各种分布中的自配置性质。真正的用户是存在的。当在场景（1）中比较没有和有虚拟预算的效用时，可以观察到巨大的差距（0。7）这是与真实用户的收益。实验结果表明，自私用户不会对我们的机制产生显著影响，因此在我们的框架中最终会诱导出明显的真实行为。性能评价结果见图。图4示出了取决于自私用户的数量对自私用户的平均预算的影响。该评估假设每个自私用户的出价为8.35，并且还具有30个虚拟预算。如图所示。4、所提出的拍卖明显地排除了自私用户;并且当自私用户的数量增加时，这种排除加快。这意味着随着自私用户数量的增加，自私用户会更积极地消耗虚拟预算。如图4所示，自私用户保持直到7.8、4.8、3.9和3.6次迭代（平均），此时，自私用户的数量分别为1、2、3和4。这种趋势可以分析为，当更多的自私用户参与拍卖时，第二高出价变得更大;最终，相应的支付增加，从而自私用户的虚拟预算消耗增加。最后，我们的软件原型进行了性能评估的自我配置性质在各种用户分布（统一与。高斯）与SPA-0相比 图 5环境信息。5. 总结发言在本文中，我们提出了一个可信的LEO切换决策机制，使用基于深度学习的第二价格拍卖。根据拍卖，将通过招标程序，在考虑接收信号强度和服务时间的情况下，选择一颗低轨卫星提供无缝互联网接入服务。此外，通过利用深度学习框架，不需要对环境信息进行分析，即，可自行配置。通过基于软件原型的性能评估验证，观察到以下行为，即，(i)自私用户的影响可以通过为系统稳定性定义虚拟预算来限制，(ii) 可以通过深度学习计算获得最佳收益，以及（iii）可以实现自配置操作以适应各种条件。竞合利益作者声明，他们没有已知的可能影响本文所报告工作致谢这项工作得到了韩国政府资助的电子和通信研究所（ETRI）的支持[21ZH1100，超连接3D通信技术研究]。引用[1] W. Lee，E. Kim，J. Kim，I.李角，澳-地Lee，用于无缝无处不在接入的WLAN和移动WiMAX的移动感知垂直切换，IEEE Trans. 消费电子学。53（4）（2007）1268[2] S. Park，J. Kim，Trends in LEO satellite handover algorithms，in：Proc. IEEE International Conference on Ubiquitous Future Networks，Jeju，Korea，2021，pp. 422-425[3] J. Li，K. Xue，J. Liu，Y. Zhang，超密集低轨卫星网络的用户中心切换方案，IEEE Wirel. Commun. Lett. 9（11）（2020）1904-1908.S. Jung，M.S. Lee，J.Kim等人ICT Express 8（2022）432439[4] Y. Wu，G. Hu，F. Jin，J. Zu，一种基于LEO卫星网络中的潜在游戏，IEEE Access 7（2019）133641-133652。[5] Y. Li，W. Zhou，S.周，可扩展多层LEO移动卫星系统中基于预测的切换，IEEE Access 8（2020）42768-42783。[6] M. Shin，J. Kim，M. Levorato，基于拍卖的多无人机网络深度学习框架的充电调度，IEEE Trans。技术68（5）（2019）4235-4248。[7] H.李，S。Jung，J. Kim，Truthful electric vehicle charging vianeural-architectural Myerson auction，ICT Express 7（2）（2021）196-199。[8] S. Jung，W.J. Yun，M. Shin，J. Kim，J.- H. Kim，用于云辅助多无人机充电系统的演示验证和多代理深度强化学习，IEEE Trans. Veh.70（6）（2021）5362-5377。[9] S. Jung，J. Kim，M.莱沃拉托角Cordeiro，J. H. Kim，毫米波互联车辆的基础设施辅助驾驶体验共享，IEEE Trans. Veh. Technol. 70（8）（2021）7307[10] H. Xu，L. Li，M. Liu，G.汉，W。黄角Xu，QoE驱动的以用户为中心的移动卫星网络的智能切换，IEEETrans. Veh. Technol. 69（9）（2020）10127[11] A. Ibrahim，A.S. Alfa，使用拉格朗日松弛用于高海拔平台中的无线电资源分配，IEEE Trans.Wireless Commun。14（10）（2015）5823-5835。[12] J. Thornton，D.格雷斯，M。Capstick，T. Tozer，优化阵列天线的蜂窝覆盖从高空平台，IEEETrans. 无线通信2（3）（2003）484[13] O. Korçak，F. Alagöz，地球固定低轨卫星系统中的虚拟拓扑动态和切换机制，Comput。网络53（9）（2009）1497-1511。[14] R.B.最优拍卖设计，《信息数学》。Res.6（1）（1981）58
