NTN（非地面网络）流量建模

定义 NTN 流量建模目标

稳健的 NTN 流量模型始于为用例和用户期望定制清晰的设计目标。每种与 NTN 相关的服务类型（增强移动宽带 (eMBB) 和大规模机器类通信 (mMTC)）具有不同需求：

• eMBB 强调吞吐量和覆盖率，需要高效使用卫星资源。
• mMTC 在容忍可变延迟的同时，可按设备密度进行扩展。

此阶段的主要焦点是网络架构、覆盖率和容量。服务水平协议 (SLA) 与网络运行的相关性高于网络设计，在建模过程中不必作为核心关注点。

关键设计参数（如延迟、吞吐量、抖动和管辖路由需求）构成流量调度、容量设计和性能验证的基础。纳入区域监管义务，如特定国家/地区路由规则，确保与 3GPP 版本 17、18 和 19 保持一致。目标值的简明参考表有助于团队在整个设计过程中使模型输出与预期服务行为保持一致。

收集 NTN 流量模型的输入数据

在仿真之前，收集捕获真实网络行为和流量需求所需的数据。基本数据集包括：

• 卫星星历数据：轨道参数，支持随时间的推移精确预测卫星位置
• 网关和地面站位置：用于计算链路预算和回传可用性
• RAN 测量值：信号强度、吞吐量和干扰数据
• 链路预算：考虑发射机功率、天线增益和大气损耗
• 策略和运营数据：涵盖设备身份验证、优先级设置和网络间协调

创建结构化检查列表有助于确保数据完整性。例如，对齐星历和 RAN 数据时间戳支持一致的时空相关性，从而改进模型仿真范围内的路径和延迟估计。在对卫星网络建模时，卫星轨道的精确建模至关重要，以便建立动态消息路由。

随着卫星相对于地面站以及彼此之间不断移动，网络拓扑也持续变化。轨道模型确定哪些节点在视场内、适用哪些链路延迟以及在任何给定时刻哪些路径可行。

您可以使用 MATLAB^® 和 Satellite Communications Toolbox 基于星历数据进行卫星轨道建模、随时间推演轨迹，并执行链路预算计算，为动态路由规划奠定基础。Aerospace Toolbox 通过额外的坐标变换和大气模型对此方法进行补充，以实现精确的轨道推演。请参阅 Aerospace Toolbox 示例以获取轨道推演演练。

在 NTN 流量建模中考虑延迟

延迟是 NTN 建模中的基础设计参数，也是用户体验的关键驱动因素。在 NTN 中，延迟主要由卫星高度和传输路径动态特性决定。下表显示 LEO、MEO 和 GEO 系统的典型往返延迟和代表性应用。

建模时，包括单独的上行链路和下行链路延迟分量，并考虑卫星切换或 GNSS 重新捕获期间可能的信号中断。纳入延迟变异性可确保流量模型在拥塞或重新路由情况下能真实地预测性能。这些关键方面已在 3GPP 版本 17、18 和 19 中随着 NTN 定义的扩展和成熟而得到解决。

构建 NTN 网络模型并对其进行仿真

组合物理模型、移动性模型和射频模型

准确的 NTN 建模融合了三个视角：物理、移动性和射频：

1. 物理模型对卫星到地面信道特有的无线电传播、多普勒频移和衰落进行模拟。
2. 移动性仿真器跟踪卫星轨迹和用户运动，处理如切换等事件驱动的转换。
3. 射频模型有助于实现准确的链路预算预测。它们对于设计闭合 NTN 链路所必需的相控阵系统也至关重要。

您可以使用 MATLAB 和 Simulink^® 以虚拟方式推演卫星轨道、计算多普勒频移、对信号施加衰落、计算通过射频链的损耗，并评估非线性对射频信号的影响。相关起点包括 Satellite Communications Toolbox 示例（适用于链路级仿真）和 Aerospace Toolbox 示例（适用于轨道力学和坐标系变换）。

对动态路由应用 AI/ML

由于 NTN 拓扑随着卫星运动而不断变化，静态路由表很快就会过时。AI 和机器学习算法越来越多地应用于建立和维护动态路由表，以适应实时变化的网络状况。

有几类算法对 NTN 动态路由特别有效：

• 强化学习 (RL)：深度 Q 网络 (DQN) 和近端策略优化 (PPO) 智能体通过与仿真网络环境交互来学习最优路由策略。智能体观察链路状态、队列深度和预测的卫星位置，然后选择使端到端延迟或丢包最小化的下一跳决策。这些方法已在 LEO 巨型星座场景中经过验证，在这些场景中发生亚分钟时间尺度级拓扑变化。
• 图神经网络 (GNN)：由于卫星网络天然适合表示为时变图，基于 GNN 的路由器对节点和边特征（链路容量、多普勒频移、仰角）进行编码，并预测图上的最优路径。GNN 对从未见过的拓扑具有良好的泛化能力，这使其对仍在部署中的星座具有吸引力。
• 联合学习：在大型星座中，因为延迟和带宽约束，集中化训练数据不切实际。联合学习支持单个卫星或地面站训练本地路由模型，并仅共享模型更新，从而在不集中化原始遥测数据的情况下生成全局改进的路由策略。
• 预测性切换和预路由："时间序列预测模型（基于 LSTM、Transformer）使用轨道力学和历史信道数据预测链路可用性和质量窗口。在卫星升到地平线之前计算路由，从而消除反应式重新路由延迟。

MATLAB 支持这些算法的开发和验证。Reinforcement Learning Toolbox™ 可用于训练和仿真基于 RL 的路由智能体与卫星网络环境的交互，而 Satellite Communications Toolbox 提供构建逼真训练场景所需的轨道推演和链路几何。请参阅场景生成与可视化示例以获取实用起点。

集成策略、编排和网络约束

策略层和编排层管理在现实约束下 NTN 内的流量流动。网络编排通过自动化策略动态管理服务质量 (QoS)、容量分配和资源优先级。

将这些控制嵌入仿真中可确保合规性和真实感。示例包括强制执行 QoS 层级、应用地理路由约束，或对卫星和陆地链路之间的故障转移进行仿真。使用标准化架构（如 O-RAN）进一步确保与多供应商编排框架的一致性，简化将来的集成和认证。

部署闭环监控和模型重新训练

闭环监控使模型与不断演进的网络状态保持一致。这些系统自动摄取遥测数据、检测偏差，并在性能漂移发生时重新训练机器学习 (ML) 组件。

闭环工作流包括：

1. 监控：捕获实时关键性能指标 (KPI)，如延迟、抖动和吞吐量。
2. 分析：使用预测性 ML 模型触发异常检测。
3. 操作：自动调整路由或重新训练模型。
4. 验证：确认关键性能指标返回到预期设计目标。

持续重新训练和模型版本管理有助于随着新卫星发射或用户需求变化而保持可靠性。您可以使用 MATLAB 创建驱动纠正措施的预测性 ML 模型。Satellite Communications Toolbox 示例提供针对逼真 NTN 场景验证这些模型的相关仿真环境。

另请参阅：Satellite Communications Toolbox、Aerospace Toolbox