卫星下行链路因其开放性、广域覆盖性而面临严峻的窃听威胁,传统以加密技术为核心的卫星下行链路防窃听方案在计算复杂度与抗量子攻击能力上存在双重瓶颈,且现有卫星下行链路物理层安全防窃听方案的应用场景存在局限性。针对以上问题,...卫星下行链路因其开放性、广域覆盖性而面临严峻的窃听威胁,传统以加密技术为核心的卫星下行链路防窃听方案在计算复杂度与抗量子攻击能力上存在双重瓶颈,且现有卫星下行链路物理层安全防窃听方案的应用场景存在局限性。针对以上问题,通过基于动态扩展因子的扰码与编码级联设计,提出一种基于信道状态信息(Channel State Information,CSI)和协作中继的卫星下行链路防窃听方案。首先,通过部署地面中继基站,建立基于协作中继的卫星下行链路通信模型,扩大合法链路与窃听链路的CSI随机性差异;其次,通过合法链路CSI对准循环低密度奇偶校验码扩展因子进行动态调控,增加编码随机性,进而增加窃听者译码难度;最后,通过动态扩展因子与合法链路CSI在卫星端与用户端构建加扰与解扰机制,使窃听者因缺乏合法链路CSI而无法解扰保密信息。仿真结果表明,在用户端误码率低至10-6的情况下,利用扰码对CSI的依赖性构建窃听者解扰壁垒,可使窃听者误码率接近0.5。所提方案凭借对CSI与地面协作中继的协同设计,既具备抵御量子计算攻击的潜在能力,又契合卫星通信网络工程部署对高效低耗的需求,能够有效平衡卫星下行链路信息传输可靠性与安全性的矛盾,可为未来6G空天地一体化场景下的信息安全传输提供具备工程实践价值的技术参考路径。展开更多
针对低轨卫星通信场景下长传播时延导致的信道状态信息(Channel State Information,CSI)过时问题,提出了一种基于地理环境认知的低轨卫星空时多维信道预测方法。首先,通过射线追踪法建模卫星信道,进而确定不同地理环境下影响CSI变化的...针对低轨卫星通信场景下长传播时延导致的信道状态信息(Channel State Information,CSI)过时问题,提出了一种基于地理环境认知的低轨卫星空时多维信道预测方法。首先,通过射线追踪法建模卫星信道,进而确定不同地理环境下影响CSI变化的几个关键因素并将其与信道特征参量建立映射关系;然后,设计了一个由卷积神经网络(Convolutional Neural Network,CNN)和长短时记忆(Long⁃Short Term Memory,LSTM)神经网络构成的组合神经网络模型来有效预测CSI,通过CNN网络提取CSI和特征参量之间变化的空时相关性来认知地理环境对CSI变化的影响,利用LSTM网络处理时间序列的特点根据当前输入信息预测未来某一时刻CSI值。在此基础上,进一步提出了一种离线训练-模型更新-在线预测的实施框架以解决低轨卫星平台资源受限及高动态的问题。仿真结果表明,相较于传统的基于LSTM网络的低轨卫星信道预测方法,所提方法能够有效提升CSI预测精度及其预测模型的稳定性。展开更多
文摘卫星下行链路因其开放性、广域覆盖性而面临严峻的窃听威胁,传统以加密技术为核心的卫星下行链路防窃听方案在计算复杂度与抗量子攻击能力上存在双重瓶颈,且现有卫星下行链路物理层安全防窃听方案的应用场景存在局限性。针对以上问题,通过基于动态扩展因子的扰码与编码级联设计,提出一种基于信道状态信息(Channel State Information,CSI)和协作中继的卫星下行链路防窃听方案。首先,通过部署地面中继基站,建立基于协作中继的卫星下行链路通信模型,扩大合法链路与窃听链路的CSI随机性差异;其次,通过合法链路CSI对准循环低密度奇偶校验码扩展因子进行动态调控,增加编码随机性,进而增加窃听者译码难度;最后,通过动态扩展因子与合法链路CSI在卫星端与用户端构建加扰与解扰机制,使窃听者因缺乏合法链路CSI而无法解扰保密信息。仿真结果表明,在用户端误码率低至10-6的情况下,利用扰码对CSI的依赖性构建窃听者解扰壁垒,可使窃听者误码率接近0.5。所提方案凭借对CSI与地面协作中继的协同设计,既具备抵御量子计算攻击的潜在能力,又契合卫星通信网络工程部署对高效低耗的需求,能够有效平衡卫星下行链路信息传输可靠性与安全性的矛盾,可为未来6G空天地一体化场景下的信息安全传输提供具备工程实践价值的技术参考路径。
文摘针对低轨卫星通信场景下长传播时延导致的信道状态信息(Channel State Information,CSI)过时问题,提出了一种基于地理环境认知的低轨卫星空时多维信道预测方法。首先,通过射线追踪法建模卫星信道,进而确定不同地理环境下影响CSI变化的几个关键因素并将其与信道特征参量建立映射关系;然后,设计了一个由卷积神经网络(Convolutional Neural Network,CNN)和长短时记忆(Long⁃Short Term Memory,LSTM)神经网络构成的组合神经网络模型来有效预测CSI,通过CNN网络提取CSI和特征参量之间变化的空时相关性来认知地理环境对CSI变化的影响,利用LSTM网络处理时间序列的特点根据当前输入信息预测未来某一时刻CSI值。在此基础上,进一步提出了一种离线训练-模型更新-在线预测的实施框架以解决低轨卫星平台资源受限及高动态的问题。仿真结果表明,相较于传统的基于LSTM网络的低轨卫星信道预测方法,所提方法能够有效提升CSI预测精度及其预测模型的稳定性。
文摘针对具有星间链路(inter-satellite links,ISL)的低轨(low earth orbit,LEO)多卫星系统,提出了一种基于多卫星协作传输的和速率(sum rate,SR)最大化预编码算法.传统的预编码算法需要复杂的星上计算来得到数值解,这导致低轨卫星系统面临较大的计算开销和延迟问题.为解决上述关键问题,设计了一种基于交替方向乘子法(alternating direction method of multipliers,ADMM)的高吞吐量、低复杂度、具有闭式解的分布式预编码算法.该算法通过构建辅助变量和问题分解,将预编码设计问题转化为多个子问题并行求解,每个子问题仅有一个约束条件,并在每次迭代后仅通过星间链路交换设计的数据矩阵,从而有效实现分布式预编码.仿真结果表明,与典型的两步和速率最大化算法相比,所提出的算法可以实现更高的和速率,同时大幅降低计算复杂度.
