一种闭环自优化的通信链路智能监测与保障方法与流程
本技术涉及通信网络监测,尤其涉及一种闭环自优化的通信链路智能监测与保障方法。
背景技术:
1、卫星通信、公众移动通信与自组织网络等多种制式的通信技术在应急救灾领域并行落地,山区受灾现场的视频与点云数据依靠多张网络同时回传。灾害环境下的无线信道时变衰落剧烈,多种业务争抢有限的传输资源,网络的间歇性中断频繁发生。地面基站在灾害中大面积损毁之后,现场通常只剩下少量幸存基站,并依靠临时升空的无人机提供中继、依靠卫星链路作为最后的备份通道。此类现场通常无人值守,链路的监测与保障只能由系统自行完成。
2、现有技术中已经出现依靠模型对链路质量进行预测并据以调整网络的方案。例如,公开号为cn121691066a的专利,公开了获取网络中各个网络设备的拓扑连接关系和实时运行状态并据此构建该网络的图结构数据,将所述图结构数据输入预先训练好的故障预测与中断定位模型进行故障预测,得到各个链路的中断概率并根据所述中断概率进行链路劣化预警的方案。公开号为cn122340520a的专利,公开了在会话生命周期内持续采集控制面信令往返时延、用户面丢包率与吞吐量波动方差,通过滑动窗口实时计算各指标的均值、标准差及变化斜率,根据指标超限或协同劣化趋势判定异常等级,并按轻度、中度与重度异常分别执行日志记录、本地资源重调度或跨网络功能协同恢复的方案。上述方案在面对灾害现场的空天地多层异构网络时,往往把监测、预测、根因判别与调控作为彼此独立的环节分别实现,而没有考虑这些环节之间的相互驱动关系。
3、由于监测数据与业务数据共用同一批幸存基站与同一条卫星链路回传,监测本身就要消耗被保障的传输资源。现有方案多按固定周期对全部链路采集,进而使即将失效的链路与状态良好的链路获得相同的观测密度。这会导致前者的劣化在两次采集之间发展到不可挽回的程度,后者则持续占用本已稀缺的回传带宽。
4、由于预测模型的输出仅作为预警呈现,其结果并不进入采集策略与调度策略,进而使某条链路即将失效这一判断无法自动转化为动作。这会导致系统只能等待失效实际发生后再启动修复,而无人机由待命位飞抵中继位需要数分钟,从而在最需要提前量的场景中恰恰没有提前量。
5、由于一处基站损毁会顺着连接关系在数秒内引发周边十余条链路同时告警,进而使真正的病灶被淹没在被传导波及的告警之中。现有方案或者依靠运维人员的经验排查,或者依靠预先建立的故障模式库比对,而灾害现场既无人值守,其故障形态也难以被预先建立的模式库穷举。这会导致监测与调度资源被大量投向被牵连的链路,从而使真正的病灶得不到足够的观测与处置。
6、由于调度动作执行之后,系统无从知晓链路质量的改善究竟由该动作带来还是本会自行恢复,进而使有效动作与无效动作被同等地记录下来。这会导致这些记录被用于模型更新时把无效经验一并固化,从而使系统运行越久,其决策依据反而越被无效样本稀释。
7、此外,无人机受电量续航约束、卫星链路受仰角与雨衰约束,两者作为保障手段本身都存在可用性随时间变化的问题,而现有方案通常把备份手段视为随时可用。
8、因此需要一种闭环自优化的通信链路智能监测与保障方法,使监测资源能够随链路的劣化风险动态分配,使根因判别的结果能够反向修正预测输出并进而重定采集策略,使调度动作的效果能够被量化并按其物理机理定向反馈至相应模型,从而在地面基站大面积损毁、无人值守且回传带宽稀缺的条件下维持现场数据的持续回传。
技术实现思路
1、本技术要解决的技术问题是提供一种闭环自优化的通信链路智能监测与保障方法,用于解决空天地三层异构应急通信网络中监测、预测、根因判别与调控各环节相互独立,监测资源按固定周期均摊,以及自愈动作的效果无法被量化因而无法反哺模型的问题。
2、为了达到上述目的,本技术采取以下技术方案:
3、一种闭环自优化的通信链路智能监测与保障方法,应用于由地面幸存基站、无人机中继链路与卫星通信兜底链路构成的空天地三层异构应急通信网络,包括:对各链路采集信噪比、丢包率、时延与负载指标,以该链路当前的劣化概率为输入确定其下一采集周期;
4、以所述地面幸存基站为节点构建动态拓扑图,将无人机中继信息注入所述动态拓扑图,将所述卫星通信兜底链路的可用带宽、雨衰与仰角作为时序状态变量,并由所述指标计算各链路风险分值完成风险分级标记;
5、将所述动态拓扑图经图神经网络提取的节点嵌入、无人机状态向量与所述时序状态变量拼接为融合特征,输入共享隐藏层的单向长短期记忆网络,由三个输出头分别输出地面链路、所述无人机中继链路与所述卫星通信兜底链路的所述劣化概率;
6、监测到链路指标突变或批量告警时,对风险分级标记为中危与高危的链路执行增量式因果发现以构建链路指标间的因果关系,以反事实计算区分真实根因链路与伪根因链路,输出修正参数反向调整所述劣化概率;
7、依据所述劣化概率与所述真实根因链路执行无人机事前预调度、无人机事中补盲与切换至所述卫星通信兜底链路的三级递进自愈调度,自愈完成后以反事实评估量化本次自愈动作的效果,将效果为正的样本回流训练集迭代更新所述单向长短期记忆网络与所述因果关系。
8、可选的,所述执行增量式因果发现以构建链路指标间的因果关系,以反事实计算区分真实根因链路与伪根因链路,输出修正参数反向调整所述劣化概率,包括:在全局基准因果图为空时,对当前滑动窗口内风险分级标记为中危与高危的链路执行pc-stable算法构建所述全局基准因果图;在所述全局基准因果图已存在时,将当前滑动窗口内的链路划分为指标发生突变的突变链路集合与其余的稳态链路集合,复用所述稳态链路集合的因果关系,仅提取所述突变链路集合及其预设跳数的邻域构建局部子图,并对所述局部子图运行pc-stable算法更新因果骨架;对所述局部子图中新增或变更的因果边计算条件互信息,仅在所述条件互信息不小于入图门限时将该因果边纳入所述全局基准因果图;为纳入所述全局基准因果图的因果边设定留存时长,届满时将该因果边从所述全局基准因果图中删除,且风险分级标记越高的链路的因果边的留存时长越长;按所述地面链路、所述无人机中继链路与所述卫星通信兜底链路分层设定混杂变量集合,采用后门调整法计算各因果边的个体处置效应,对不满足后门准则的因果边跳过所述个体处置效应的估计,并在所述个体处置效应的绝对值小于自适应阈值时将该因果边对应的链路判定为所述伪根因链路,所述自适应阈值由所述滑动窗口内历史个体处置效应分布的均值与标准差确定;以所述伪根因链路与所述真实根因链路的所述个体处置效应的相对幅值确定因果推断置信度,按所述因果推断置信度以乘性修正下调所述伪根因链路的所述劣化概率、上调所述真实根因链路的所述劣化概率,并将下调与上调后的所述劣化概率作为确定所述下一采集周期的输入。
9、可选的,所述自愈完成后以反事实评估量化本次自愈动作的效果,包括:对每条执行了自愈的链路,从历史数据库中检索自愈前状态与该链路最相似的若干条对照链路,所述对照链路满足在本次自愈动作执行后的相同时间窗口内未执行任何自愈动作且链路类型与该链路相同,所述最相似按由链路类型、自愈前信噪比与负载的接近程度以及所处时段加权得到的相似度由大到小排序确定;取所述对照链路在所述相同时间窗口内的实际链路质量的均值作为对照反事实估计;以所述单向长短期记忆网络在训练完成时的模型快照推断该链路未执行自愈时的链路质量,作为模型反事实估计;按融合权重对所述对照反事实估计与所述模型反事实估计加权融合得到反事实估计,所述融合权重随所述对照链路的条数增大而增大并以1为上限;以该链路在自愈完成后的实际链路质量与所述反事实估计之差量化本次自愈动作的所述效果;以该实际链路质量分别与各条所述对照链路在所述相同时间窗口内的实际链路质量之差为逐条对照差值,按所述相似度对所述逐条对照差值加权,在同一自愈策略在至少3条所述对照链路上得到符号相同的所述逐条对照差值时,将该自愈策略判定为有效策略。
10、可选的,所述将无人机中继信息注入所述动态拓扑图,包括:不将无人机设置为所述动态拓扑图的节点,而以覆盖扩展注入、中继虚拟边注入与负载转移注入三种图修改操作将无人机的影响注入所述动态拓扑图;所述覆盖扩展注入为,计算无人机对所述地面幸存基站的信噪比增量,所述信噪比增量根据无人机的发射功率、无人机与基站之间的距离所对应的路径损耗、大气衰减以及在无人机与基站之间不存在视距时的遮挡附加损耗确定,并将覆盖同一基站的全部无人机的所述信噪比增量累加至该基站在所述动态拓扑图的节点特征矩阵中的信噪比分量;所述中继虚拟边注入为,在同一无人机同时覆盖基站i与基站j、且二者之间的原有连接已损毁或其链路质量低于中继触发阈值时,在所述动态拓扑图的邻接矩阵中新增基站i与基站j之间的虚拟边,所述虚拟边的权重根据该无人机对基站i与基站j的所述信噪比增量中的较小者以及该无人机的当前电量确定;所述负载转移注入为,在基站i与基站j之间的原有连接已损毁或其链路质量低于所述中继触发阈值、且存在所述虚拟边时,将二者之间的业务量按比例分流至所述虚拟边所对应的中继路径;所述三种图修改操作分别作用于所述节点特征矩阵、所述邻接矩阵与业务量分布,使所述动态拓扑图的节点数量与无人机的数量无关。
11、可选的,所述将效果为正的样本回流训练集迭代更新所述单向长短期记忆网络与所述因果关系,包括:按自愈动作所改变的网络物理量对该自愈动作所对应的样本归因分类,将改变基站之间连接关系的所述无人机事前预调度与所述无人机事中补盲所对应的样本归入拓扑效应类,将改变业务量分布的负载转移所对应的样本归入负载均衡效应类,将改变链路冗余度的所述切换至所述卫星通信兜底链路所对应的样本归入冗余备份效应类;将所述拓扑效应类的样本回流至所述图神经网络的边权重预测的训练集,将所述负载均衡效应类的样本回流至流量调度策略的训练集;使所述拓扑效应类的样本仅对所述边权重预测构成监督信号、所述负载均衡效应类的样本仅对所述流量调度策略构成监督信号;将效果为负的样本存入失败分析模块。
12、可选的,所述以该链路当前的劣化概率为输入确定其下一采集周期,为:将该链路当前的劣化概率代入恒定危险率指数寿命模型,得到该链路的剩余可用时间,所述劣化概率表征该链路在输出该劣化概率的输出头所对应的预测窗口长度内发生失效的概率;在所述三级递进自愈调度中,取首个其可承接容量不小于该链路失效时在所述动态拓扑图中与该链路失去连通的节点的负载之和的级别,以该级别的自愈动作自触发至生效所需的时长作为该链路的后果严重度因子;取该链路最近若干个采集周期内劣化概率的预测值与由所采集的所述指标反演得到的劣化概率之差的标准差作为该链路的不确定性因子;以所述剩余可用时间扣除所述后果严重度因子以及由所述不确定性因子确定的余量后按预设分割系数折算,并限制在预设的最小采集周期与最大采集周期之间,作为该链路的下一采集周期;并将该链路的下一采集周期与该链路的当前采集周期之比限制在由相邻采集周期之比上限所确定的区间内,所述相邻采集周期之比上限根据所述单向长短期记忆网络在推理时回溯的时间步数以及其回溯的各时间步所跨越的采集周期的允许畸变上限确定;并将该链路的下一采集周期限制为不小于该链路的观测回路时延的预设倍数,所述观测回路时延为该链路的量测数据回传时延、所述单向长短期记忆网络的推理时延与采集指令下发时延三者之和。
13、可选的,所述由所述指标计算各链路风险分值完成风险分级标记,包括:将该链路的信噪比、丢包率、时延与负载指标分别沿劣化方向归一化,得到该链路的四项归一化取值,归一化后取值越大表示该项指标劣化越重;将四项指标各自的重要性系数分别除以风险分值权重温度系数后作归一化指数变换,得到和为1的四项权重;以所述四项归一化取值与对应的所述权重之积在四项指标上的加和作为该链路的所述风险分值;在所述风险分值不低于高危门限时将该链路的所述风险分级标记置为高危、低于所述高危门限且不低于中危门限时置为中危、低于所述中危门限时置为低危。
14、可选的,所述以反事实计算区分真实根因链路与伪根因链路,还包括:将所述反事实计算中因不存在满足所述后门准则的混杂变量集合而未完成所述个体处置效应估计的因果边收集为跳过边集合,在所述跳过边集合中的因果边的端点链路于所述动态拓扑图上两两之间的跳数不大于预设跳数上限、所述端点链路的指标突变时刻落入同一时间窗、且所述端点链路的条数不小于预设条数三者同时成立时,判定存在未观测共因并在所述动态拓扑图中生成一个虚拟共因节点,将所述虚拟共因节点与所述端点链路逐一相连,将所述端点链路构成的链路簇整体作为所述真实根因链路输出且不在所述链路簇内部区分所述真实根因链路与所述伪根因链路,并在所述三级递进自愈调度中将所述链路簇的起始级别置为切换至所述卫星通信兜底链路。
15、可选的,所述三个输出头沿由所述地面链路指向所述无人机中继链路、再由所述无人机中继链路指向所述卫星通信兜底链路的单一方向级联而不设反向通路,所述无人机中继链路对应的输出头与所述卫星通信兜底链路对应的输出头的输入分别为所述共享隐藏层的隐藏状态与各自所对应链路的预期转移负载的拼接,任一条被承接链路的所述预期转移负载为各条承接来源链路的所述劣化概率、该承接来源链路的所述负载指标与该承接来源链路对该被承接链路的承接比例三者之积在全部所述承接来源链路上的求和,所述承接比例在该承接来源链路的端点落入该被承接链路于所述动态拓扑图上的覆盖范围内时取1、未落入时取0,所述单向长短期记忆网络的训练损失为所述三个输出头的二元交叉熵之和与跨头承接单调性约束损失的加权和,所述跨头承接单调性约束损失约束各被承接链路的所述劣化概率随其所述预期转移负载单调不减。
16、可选的,在执行所述三级递进自愈调度而下发无人机事前预调度指令、无人机事中补盲指令或切换至所述卫星通信兜底链路的指令的同时,生成该指令的预期扰动指纹并在该指令生效之前将所述预期扰动指纹下发至采集所述指标的所述地面幸存基站与无人机,所述预期扰动指纹包括该指令引起扰动的起始时刻与终止时刻、受该指令影响的链路的标识、以及该指令对受影响的链路的每一项所述指标的预期变化方向与预期变化幅值区间,所述地面幸存基站与无人机在所述起始时刻至所述终止时刻内,将受影响的链路的每一项指标的实测值与该项指标在所述起始时刻之前的基线值之差作为实测变化量,在所述实测变化量的方向与所述预期变化方向一致且所述实测变化量的绝对值落入所述预期变化幅值区间时,将该项指标的变化判定为自愈动作自扰动,既不计入触发所述增量式因果发现的链路指标突变,也不据以提升该链路的所述风险分级标记,在所述实测变化量的方向与所述预期变化方向相反时以所述实测变化量整体为扰动残差、在方向一致且其绝对值超出所述预期变化幅值区间时以超出所述预期变化幅值区间的部分为扰动残差,将所述扰动残差计入触发所述增量式因果发现的链路指标突变,所述预期变化幅值区间根据已执行的与该指令的动作类型相同的历次动作所引起的同一项指标的实测变化量确定。
17、本技术的有益效果在于:
18、本技术通过以链路当前的劣化概率作为输入来确定该链路的下一采集周期,解决了监测资源在灾害现场按固定周期均摊、既看不住将要失效的链路又在健康链路上空耗回传带宽的问题。具体而言,本技术并不是简单地对全网链路施加同一个采集节拍,而是先由预测环节对每一条链路给出其在预测窗口内劣化的概率,随后让这一概率反过来决定该链路下一次被采集的时刻,使采集密度随风险变化而变化。灾害现场的回传带宽本身就是被保障的对象,监测数据与业务数据共用同一批幸存的地面基站与同一条卫星通信兜底链路,因此采集资源的分配本身就是保障能力的一部分。这样可以在总回传开销不增加的前提下,把观测能力集中到真正接近失效的链路上。
19、本技术通过以幸存的地面基站为节点构建唯一的动态拓扑图,并将无人机的影响以覆盖扩展注入、中继虚拟边注入与负载转移注入三种图修改操作注入该图,解决了空中平台频繁起降与移动导致拓扑模型规模反复变动的问题。具体而言,本技术并不是把每一架无人机都建成图上的一个节点,而是先按链路预算算出该无人机对其覆盖范围内各个地面基站的信噪比增量,随后把该增量累加进对应基站的节点特征,再在被同一架无人机同时覆盖且原有连接已损毁的两个基站之间新增一条虚拟边,并把该虚拟边的权重取为两条接入链路的信噪比增量中的较小者与该无人机当前电量百分比的乘积。三种注入分别作用于节点特征矩阵、邻接矩阵与业务量分布这三个互不重叠的维度,因而无人机的数量与位置怎样变化,图的节点集合都不改变。这样可以使拓扑模型的规模与空中平台的数量解耦,地面基站之间原有的邻接语义也不被空中节点稀释,模型在无人机跟随灾区态势频繁调整位置时仍然稳定。
20、本技术还通过以个体处置效应的相对幅值构造因果推断置信度,并据此对伪根因链路与真实根因链路的劣化概率作双向乘性修正,解决了批量告警场景下监测资源被大量被牵连链路吸走的问题。灾害现场一处基站损毁往往在数秒内引发周边十余条链路同时告警,而其中只有少数是真正的病灶。本技术并不是简单地把告警计数排序,而是先在中危与高危链路上就地推断链路指标之间的因果关系,随后以反事实计算区分哪些链路是被传导波及的,再把这一判别结果换算成一个介于零与一之间的置信度,按该置信度调低被牵连链路的劣化概率、调高真实病灶链路的劣化概率。修正后的劣化概率随即回到采集环节重新确定采集周期。这样可以使被牵连链路自动降低采集频率并释放带宽,真实病灶链路自动提高采集频率,实现监测资源的定向再分配。
21、本技术还通过按自愈动作所改变的网络物理量对评估样本归因分类,并将各类样本定向回流至该物理量所能监督的模型,解决了自愈经验被无差别地喂回全部下游模型而造成交叉污染的问题。无人机升空所改变的是基站之间的连接关系,负载转移所改变的是业务量分布,二者虽然都表现为链路质量的变化,但这两种变化在物理上由不同的机理产生。本技术并不是把所有效果为正的样本汇入同一个训练集,而是先按动作所改变的物理量把样本分成拓扑效应类与负载均衡效应类,随后只把拓扑效应类的样本回流至图神经网络的边权重预测,只把负载均衡效应类的样本回流至流量调度策略。由于拓扑效应类样本所携带的链路质量变化仅由连接关系的改变所引起,其中并不含有业务量分布变化的信息,这类样本在物理上无法为流量调度策略提供有效的监督信号,反之亦然。这样可以使每一个下游模型只接受在物理上确实对其构成监督的样本,提高样本效率并避免异质样本相互干扰。
22、本技术还通过把采集周期的确定依据由链路状态的不确定性改为留给自愈动作的时间余量,解决了以状态不确定性驱动采集时濒临失效的链路反而被稀疏采集的问题。以不确定性驱动采集时,一条已经确定即将失效的链路恰恰是不确定性最低的,因而会被判给最长的采集周期,而它正是最需要密集观测的链路。本技术并不是在不确定性之外简单地叠加一个重要性权重,而是先由该链路的劣化概率经指数寿命模型反解出剩余可用时间,随后在三级递进自愈阶梯上按可承接容量为该链路选出必须启动的自愈级别,并由无人机状态向量中的航距与飞行速度或者卫星通信兜底链路的链路建立时延算出该级别自愈动作从触发到生效所需的时长,再从剩余可用时间中减去该时长以及由预测残差标准差给出的余量,最后限幅得到采集周期。剩余可用时间关于劣化概率严格单调,因而不存在中间高两端低的对称性。这样可以使同样劣化概率的两条链路因其可依托的兜底手段不同而得到显著不同的采集周期,由卫星通信兜底链路兜底的链路因切换只需数十秒而可以被较稀疏地采集,只能等待无人机由待命位飞抵的链路因需要数分钟的提前量而被密集采集。
23、本技术还通过把相邻两次采集周期之比的上限由所述单向长短期记忆网络推理时回溯的时间步数反算得到,解决了预测环节的输出决定其自身输入采样率所引起的往复振荡问题。长短期记忆网络默认其回溯的每一个时间步代表相等的时长,而采集周期一旦大幅变化,同样的回溯步数所覆盖的真实时长就随之大幅变化,指标序列的形态因此失真,劣化概率随之反向变化,进而又反向改变采集周期。本技术并不是凭经验为采集周期的调整幅度设定一个常数,而是由回溯步数与允许的时标畸变上限反算出单次调整的比例上限,并另行规定采集周期不得小于该链路量测数据回传时延、模型推理时延与采集指令下发时延三者之和的若干倍。由于地面链路、无人机中继链路与卫星通信兜底链路的观测回路时延相差约一至两个数量级,该下限按每一条链路分别计算。这样可以使预测环节的输入在其记忆窗口内近似保持等间隔,抑制劣化概率与采集周期之间的往复振荡,减少自愈动作的反复下达与撤销。
24、本技术还通过收集因不满足后门准则而未完成个体处置效应估计的因果边并判断其是否成簇,解决了由未观测共因引发的成片故障无法被定位的问题。供电母线中断、回传汇聚点失效与降水云团过境这类原因会同时打垮一整片链路,而这类原因本身并不在链路指标的采集范围之内,由其引发的因果边因此必然找不到可阻断后门路径的混杂变量集合而被跳过。本技术并不是把这些被跳过的因果边丢弃,而是把它们的端点链路在动态拓扑图上的跳数、指标突变时刻的集中程度与条数一并作为判据,在三者同时成立时判定存在未观测共因,生成虚拟共因节点并把整簇链路作为真实根因输出,同时把该簇的自愈起始级别直接置为切换至卫星通信兜底链路。这样可以避免把一整片受害链路中最早失效的那一条误认为病灶而对其反复补盲,并使自愈直接跃迁至与该共因不共路径的通道。
25、本技术还通过令三个输出头沿由地面链路指向无人机中继链路、再指向卫星通信兜底链路的单一方向级联,解决了下游承接链路的劣化概率被系统性低估的问题。地面基站群损毁时业务会整片压向承接它的无人机中继链路,而无人机中继链路对应的输出头所看到的仅是该无人机自身的电量与姿态,这些量在此时全部正常,因而给出偏低的劣化概率。本技术把由动态拓扑图解析可得的预期转移负载拼接进下游输出头的输入,并在训练损失中加入跨头承接单调性约束,使各输出头给出的劣化概率关于其所承接的转移负载单调不减。这样可以使三个输出头之间的分工体现为输入维度与约束方向上的实际差异,避免业务切换后承接链路二次过载。
26、本技术还通过在自愈指令生效之前把该指令的预期扰动指纹前馈至采集侧,解决了自愈动作自身所制造的指标突变被误判为故障的问题。无人机爬升转向会改变天线指向,切换至卫星通信兜底链路会使时延由毫秒量级跳变至数百毫秒量级,而这两者恰恰都满足触发因果溯源的条件。既有做法是在动作执行期间按时间窗抑制全部告警,其代价是该窗口内叠加发生的真实故障被一并抑制,而余震导致的二次损毁在灾害现场正是高发情形。本技术并不抑制告警,而是由调度侧在指令生效前给出该指令对各项指标的预期变化方向与预期变化幅值区间,采集侧以实测变化量与该预期的比对结果判定突变,方向一致且幅值落入预期区间的不计入触发条件,方向相反的将实测变化量整体作为扰动残差计入,方向一致而超出预期区间的将超出部分仍作为扰动残差计入。这样可以在滤除自身动作所致扰动的同时保留该窗口内真实故障的检出能力。
27、综上,本技术将由劣化概率驱动的差异化采集、以幸存基站为唯一主图的异构拓扑建模、增量式因果发现与反事实根因判别、三级递进自愈以及按物理机理归因的样本回流共同引入空天地三层异构应急通信网络,使监测资源随风险动态分配、根因判别结果得以反向修正预测输出、自愈经验按其物理机理定向回流。由此,本技术能够在地面基站大面积损毁、无人值守且回传带宽稀缺的条件下,有利于达到对现场视频与点云数据的持续回传要求,尤其适用于山区灾害应急通信保障场景。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com