一种基于知识图谱增强的多无人机通信抗干扰资源分配方法

摘要: 本发明涉及无人机通信抗干扰,具体地,涉及一种基于知识图谱增强的多无人机通信抗干扰资源分配方法。背景技术:1、随着低空经济和无线通信技术的发展,多无人机协同通信已...
一种基于知识图谱增强的多无人机通信抗干扰资源分配方法

本发明涉及无人机通信抗干扰,具体地,涉及一种基于知识图谱增强的多无人机通信抗干扰资源分配方法。

背景技术:

1、随着低空经济和无线通信技术的发展,多无人机协同通信已广泛应用于城市巡检、应急救援、电力巡检和数据采集等场景。在任务执行过程中,无人机需要将采集数据实时回传至融合中心,因此,稳定可靠的通信链路是保障任务完成的重要基础。

2、由于无线信道具有开放性,多无人机通信容易受到内部和外部双重干扰。一方面,多架无人机共享有限频谱资源,若选择相同信道,容易产生内部互干扰;另一方面,外部干扰机可通过调整干扰频率、发射功率或干扰模式,对无人机通信链路实施恶意干扰,降低链路稳定性和数据传输可靠性。

3、现有抗干扰资源分配方法多采用博弈论、功率控制或信道选择策略,但传统自利博弈通常更关注单个无人机收益,难以兼顾无人机群整体抗干扰效果;同时,部分方法对无人机之间的局部互扰关系以及无人机与干扰机之间的层级对抗关系刻画不足。

4、知识图谱能够整合无人机设备参数、信道状态、干扰模式和策略集合等多源信息,为抗干扰决策提供知识支撑,但现有无人机通信知识图谱在动态干扰场景下的信息融合和补全能力仍有限,难以及时支撑信道、功率和速率的联合优化。

技术实现思路

1、针对现有技术中存在的问题,本发明提供了一种基于知识图谱增强的多无人机通信抗干扰资源分配方法,提升了复杂干扰环境下的多无人机的协同决策能力和通信可靠性。

2、为实现上述技术目的,本发明采用如下技术方案:

3、一种基于知识图谱增强的多无人机通信抗干扰资源分配方法,包括如下步骤:

4、步骤s1:建立城市环境下多无人机通信场景,包括:无人机群、一个融合中心以及一架干扰机;

5、步骤s2:基于多无人机通信场景,构建无人机到融合中心的地空信道模型以及干扰机到融合中心的地面链路模型,提取通信环境特征;

6、步骤s3:将无人机的发射功率和干扰机的发射功率进行离散化,构建联合动作空间,基于联合动作空间构建干扰机与无人机群之间的stackelberg局部利他博弈模型,提取无人机群和干扰机的动作作为博弈特征;

7、步骤s4:基于多无人机通信场景、通信环境特征和博弈特征构建无人机群通信抗干扰知识图谱;

8、步骤s5:基于图神经网络构建多无人机通信抗干扰资源分配模型;

9、步骤s6:将通信环境特征、博弈特征以及无人机群通信抗干扰知识图谱输入多无人机通信抗干扰资源分配模型中,预测出无人机群的最佳动作,作为多无人机通信抗干扰资源分配策略。

10、进一步地,所述通信环境特征包括:通信链路路径损耗、信道增益、内部互干扰、外部恶意干扰、融合中心的信道接收信干噪比、信道吞吐量、无人机通信成功指示量和无人机被干扰成功指示量。

11、进一步地,所述无人机通信成功指示量和无人机被干扰成功指示量的提取过程为:

12、设置信道接收信干噪比门限,并根据融合中心的信道接收信干噪比,确定信道吞吐量上界;

13、若第架无人机在第个阶段的信息传输速率不大于对应的信道吞吐上界,且对应的信道接收信干噪比不小于对应的信道接收信干噪比门限,将第架无人机在第个阶段的通信成功指示量设置为1,否则,将第架无人机在第个阶段的通信成功指示量设置为0;

14、若第架无人机在第个阶段所处的信道与干扰机干扰的信道相同,且对应的信道接收信干噪比小于对应的信道接收信干噪比门限,将第架无人机在第个阶段的被干扰成功指示量设置为1,否则,将第架无人机在第个阶段的被干扰成功指示量设置为0。

15、进一步地,步骤s3中联合动作空间包括:无人机的动作空间和干扰机的动作空间;

16、其中:

17、第架无人机在第个阶段的动作空间,表示第架无人机在第个阶段选择的信道,表示第架无人机在第个阶段的发射功率,表示第架无人机在第个阶段的信息传输速率;

18、干扰机在第个阶段的动作空间,表示干扰机在第个阶段选择的信道,表示干扰机在第个阶段的发射功率,表示干扰机在第个阶段的干扰模式。

19、进一步地,步骤s4中无人机群通信抗干扰知识图谱的构建过程为:

20、从多无人机通信场景、通信环境特征和博弈特征中提取实体信息,包括:场景实体、无人机实体、干扰机实体、融合中心实体、信道实体、通信链路实体、场景信道实体、场景信道状态实体、无人机动作实体、干扰机动作实体以及干扰事件实体;

21、基于实体信息之间的语义方向关系进行扩展,形成扩展关系,包括:原语义方向关系、逆语义方向关系和自环方向关系;

22、基于实体信息和扩展关系形成无人机群通信抗干扰知识图谱的三元组。

23、进一步地,所述多无人机通信抗干扰资源分配模型包括:物理特征编码模块、图谱特征编码模块、交叉融合模块、图神经网络模块和动作预测输出模块;

24、所述物理特征编码模块用于将通信环境特征和博弈特征进行编码,形成物理视图下无人机群和干扰机的空间互干扰信息;

25、所述图谱特征编码模块用于将无人机群通信抗干扰知识图谱的实体信息进行编码,形成图谱视图下多无人机的空间互干扰信息;

26、所述交叉融合模块用于将物理视图下多无人机的空间互干扰信息以及图谱视图下多无人机的空间互干扰信息进行交叉融合,得到物理-图谱融合视图下多无人机的空间互干扰信息;

27、所述图神经网络模块用于基于物理视图下无人机群和干扰机的空间互干扰信息、图谱视图下多无人机的空间互干扰信息以及物理-图谱融合视图下多无人机的空间互干扰信息进行信息传递,捕捉多无人机间复杂的空间互干扰信息;

28、所述动作预测输出模块用于根据多无人机间复杂的空间互干扰信息预测出无人机群的最佳动作。

29、进一步地,还包括:

30、基于无人机通信成功指示量和信道吞吐量上界构建联合资源分配优化模型;

31、在干扰机与无人机群之间的stackelberg局部利他博弈模型下,以干扰机效用最大化为目标确定干扰机的最佳动作,并基于干扰机的最佳动作,在尽可能最大化无人机效用的前提下,以联合资源分配优化模型最大化为目标,确定无人机群的参考动作;

32、将无人机群的参考动作作为联合资源分配优化模型的训练标签,以融合监督学习的交叉熵损失和物理约束构成的综合损失函数收敛为目标,对多无人机通信抗干扰资源分配模型进行训练。

33、进一步地,所述干扰机的最佳动作表示为:

34、

35、其中,表示干扰机在第个阶段的最佳动作,表示干扰机在第个阶段的效用,,

q表示用于保证干扰机效用非负性的正常数,表示无人机数量,表示的索引,表示第架无人机在第个阶段的被干扰成功指示量,表示第架无人机在第个阶段的信息传输速率,表示无人机的功率损耗系数,表示干扰模式的切换代价,表示相邻两个阶段的干扰模式是否一致,若,,若,。

36、进一步地:

37、所述无人机效用的计算过程为:

38、

39、其中,表示除第架无人机外其余无人机在第个阶段的动作集合,表示第架无人机在第个阶段的效用,表示第架无人机在第个阶段的收益,,表示第架无人机在第个阶段的信息传输速率,表示第架无人机在第个阶段的通信成功指示量,表示第架无人机在第个阶段的发射功率,表示无人机的功率损耗系数,表示无人机的信号传输速率违约惩罚系数,表示第架无人机在第个阶段所处信道的信道吞吐量上界,表示第架无人机在第个阶段的邻居集合,表示的索引,表示第架无人机在第个阶段的信道,表示第架无人机在第个阶段的信道,表示克罗内克函数,若,;若,;表示第架无人机在第个阶段的发射功率,表示第架无人机和第架无人机在第个阶段的局部干扰耦合强度;

40、所述联合资源分配优化模型的构建过程为:

41、,

42、其中,表示联合资源分配优化模型的目标函数,表示无人机数量,表示的索引,表示无人机执行任务时长划分的阶段数,表示的索引,表示第架无人机在第个阶段所处信道的接收信干噪比,表示信道接收信干噪比门限,表示第架无人机在第个阶段的发射功率,表示无人机发射功率最小值,表示无人机发射功率最大值。

43、进一步地,融合监督学习的交叉熵损失和物理约束构成的综合损失函数具体为:

44、

45、其中,表示综合损失函数,表示第架无人机监督学习的交叉熵损失,,表示第架无人机选择的信道得分,表示第架无人机对应的信道训练标签,表示交叉熵,表示信道损失权重系数,表示第架无人机选择的发射功率得分,表示第架无人机对应的发射功率训练标签,表示发射功率损失权重系数,表示第架无人机选择的信息传输速率得分,表示第架无人机对应的信息传输速率训练标签,表示信息传输速率损失权重系数;表示信道重复占用惩罚,,表示信道的总数,,表示的索引,表示第架无人机选择信道的概率,表示的权重系数;表示被干扰信道选择惩罚,,表示受干扰机干扰的信道集合,表示的索引,表示第架无人机选择信道的概率,表示的权重系数;表示未被干扰信道覆盖率约束,,表示未被干扰信道集合,表示的索引,表示参与未被干扰信道覆盖率约束的信道数量,表示至少一架无人机选择第个信道的概率,表示的权重系数;表示信息传输速率需求约束损失,,表示第架无人机的信息传输速率需求,表示第架无人机的期望信息传输速率,表示信息传输速率归一化尺度,表示信息传输速率过量供给惩罚系数,表示取正部,表示的权重系数。

46、与现有技术相比,本发明具有如下有益效果:

47、(1)本发明基于联合动作空间构建干扰机与无人机群之间的stackelberg局部利他博弈模型,能够在干扰机先决策、无人机后响应的序贯对抗过程中,提取干扰机动作演化规律以及多无人机协同行为特征,并根据无人机效用和联合资源分配优化目标值的变化分析各策略组合的优劣,从而为后续动作标签生成和策略学习提供博弈参考,有利于提高多无人机通信抗干扰资源分配模型对不同干扰模式和动态场景的适应能力;

48、(2)本发明通过多无人机通信场景、通信环境特征和博弈特征构建无人机群通信抗干扰知识图谱,将场景、无人机、干扰机、信道、信道状态、干扰事件等信息以结构化方式进行关联表示,从而将原本分散的空间位置关系、空间互干扰关系和资源分配关系统一纳入图谱表达,有利于增强对复杂空间互干扰关系和多维资源分配关系的建模能力,提高无人机信道、功率和速率联合分配策略的可行性判别,提升无人机与无人机间、无人机与干扰机间的冲突规避以及后续预测动作的准确性;

49、(3)本发明将通信环境特征、博弈特征以及无人机群通信抗干扰知识图谱输入多无人机通信抗干扰资源分配模型中,利用物理特征编码、图谱特征编码、交叉融合及图神经网络对多无人机之间的空间互干扰信息进行处理,并据此预测无人机群的最优动作,从而实现通信环境特征、博弈特征和抗干扰知识图谱特征的协同融合,有利于提升信道、功率和速率的联合预测精度,降低同信道冲突、受扰信道选择以及速率违约的发生概率以及提升联合资源分配的全局目标值。