Resource Management in Space-Air-Ground Integrated Vehicular Networks:SDNControlandAIAlgorithmDesign

摘要：提出了一个基于SDN的SAGVN框架；研究了基于人工智能的技术，以解决SAGVN中棘手的研究问题

SAGVN方案和应用

远程服务供应和救灾（空间空中主导）；渴望数据的服务提供（空间空中地面集成）

SAGVN资源管理中的研究挑战

基于SDN的混合和分层控制架构

 请注意，地面和空中通信系统（如LTE、WiFi和DSRC）通常使用较低频段，而LEO通信网络在较高频段（如Ku波段和ka波段）运行，需要不同的射频（RF）收发器。配备这两种收发器的车辆可以直接与卫星通信，而没有卫星收发器的车辆只能通过地面-卫星接入点（TSAPs）接入卫星网络。TSAPs既支持高频频段的TSAP卫星链路，也支持低频频段的TSAP车辆链路，它可以在卫星和车辆之间传递信息。

针对不同场景的混合控制体系结构：

由于用户密度低，可用的网络资源有限（例如，在某些地区只有一个空间网络可用），在偏远地区的资源管理相对简单，分布式算法通常不需要部署SDN控制器就可以很好地工作；另一方面，在城市/郊区的场景中，资源管理非常复杂，需要SDN控制器来提高资源利用效率，优化网络性能。

针对跨域资源的层次化控制体系结构：

在城市/郊区地区，SDN控制器被组织为一个层次结构来管理跨域资源，其中不同级别的SDN控制器是针对不同域中的网络操作。

无线电侧控制器(RSCs):部署在无线接入点(ap)上，位于系统的底层，覆盖面积最小，如地面蜂窝基站、WiFi ap、无人机等。rsc能够在近距离内对车载用户的网络资源进行及时的管理和调度。

地面本地控制器（TLCs）：TLCs覆盖更大的区域，并协调多个RSCs来执行更高级别的网络操作。分层控制体系结构可以有多个基于不同的覆盖域（例如，本地、区域和国家）的多层tlc。每个TLC的覆盖范围可以通过考虑控制延迟要求、实现成本和控制复杂性等因素来确定

卫星本地控制器（SLCs）：考虑到每个卫星可以覆盖多个tlc，利用tlc进行卫星资源分配是低效率低下的。因此，tlc只负责其管辖范围内的陆地和空中网络资源。可安装在卫星地面站上的slc被用来收集卫星信息（例如，轨道、覆盖范围和资源可用性），并相应地分配其资源。

中央控制器(CC):中央控制器根据来自LCs(包括tlc和slc)的抽象的网络状态信息，对整个网络进行管理，组织所有网段的操作。

网络切片

网络切片允许在共享的物理网络基础设施上的多个独立的虚拟网络（即网络切片）共存。创建的网络片，每个都支持特定的服务，在逻辑上是隔离的，不会相互干扰。SDN控制器可用于构建和管理虚拟切片，以支持具有不同QoS需求的服务。

1.信息收集：上层SDN控制器从其下层SDN控制器或车辆用户那里收集网络信息。不同层的SDN控制器需要不同级别的抽象网络信息，如图3左侧的示例所示。

2.切片创建：根据来自底层SDN控制器的网络信息，上层SDN控制器决定是否为服务创建网络切片。

3.网络功能放置：对于每个创建的网络片，都可以实现一个或多个虚拟网络功能（VNFs），用于服务供应。

4.资源分配：将网络资源分配给所创建的网络片，以保证不同服务的服务级别协议（SLA）。在服务规划阶段，网络切片被分配多维资源，每个资源都可以映射到物理SAGVN网络基础设施（例如，LTE BSs、WiFi APs、无人机、卫星）。

5.决策分布：然后将网络切片决策从上层SDN控制器分布到其底层SDN控制器。

6.资源调度：在服务运营阶段，rsc根据上级控制器所建立的网络片对各个车载用户进行物理资源调度。

7.切片自适应：网络切片创建、网络功能放置和资源分配等决策应在较大的时间尺度上进行调整或重新调整，以适应高资源利用率的时空数据流量负荷动态。

资源管理的人工智能算法

网络切片

网络切片创建（主要问题：多维资源）：基于主成分分析（PCA），可以通过从收集到的信息中选择决定性的成分来应用降维过程。此外，还可以采用高斯混合模型（GMM）等聚类算法来决定是否为来自一组用户的服务请求创建一个切片。 

PCA:(18条消息) 主成分分析（PCA）详解_生信小兔的博客-CSDN博客

功能布置和资源配置（问题：子任务的顺序功能放置和资源分配）：使用强化学习算法，状态包括每个功能链的QoS要求、业务负载预测、源节点和目的节点的位置、可用资源;行动包括每个功能的位置和分配的资源;奖励是指整体的QoS满意度水平和资源利用率。

强化学习：强化学习入门：基本思想和经典算法 - 知乎 (zhihu.com)

资源调度：网络资源调度可以在rsc中实现网络资源调度，在服务开通期间动态分配资源给车辆用户。由于不同的rsc可以有重叠的覆盖区域，因此它们的资源调度决策相互作用。为了最小化频繁交互的信令开销，可以利用多代理RL或异步参与者-批评代理（A3C）来实现有效的资源调度。RSCs可以作为参与者，并根据本地信息独立地做出决策，而LC可以作为全球评论家，在其覆盖范围内向RSCs提供性能反馈。

移动性管理

个体车辆移动性预测:特别是基于时间序列的人工智能算法，如门控循环单元（GRU）算法[12]、长短期记忆（LSTM）和回波状态网络（ESN）[13]，都可以在RSCs上实现，用于个体车辆的移动性预测。考虑到同一区域的车辆具有相似的移动模式，可以应用迁移学习[14]将一辆车的预测结果转移到同一RSC服务的邻近车辆上，从而提高预测效率。

主动按需无人机部署：基于车辆移动性预测，RSCs可以分析每辆车与可用APs的连接性能。对于潜在连接损失或连接性能差的车辆，可以使用K-means或分层聚类等聚类算法将车辆聚类，按需无人机为需要的车辆服务。

3.交通模式预测：车辆交通模式（如平均速度和车辆密度）的预测还可以应用于LCs甚至CC，以促进复杂、大规模SAGVN系统的网络规划。同样地，也可以预测不同地区的服务请求分布。基于车辆交通流量和服务请求预测，LCs可以自适应地调整LC-RSC关联，以实现负载平衡。特别是，多武装强盗（MAB）学习可以用来促进LC-RSC关联和主动的资源分配，以最大限度地提高车辆用户的长期QoS性能。

协作式高速缓存和内容交付

...