Выбор архитектуры нейронной сети для реализации когнитивных функций сетевого программного обеспечения управления группировкой взаимодействующих малых космических аппаратов

Целью исследования является обоснование и выбор архитектуры нейронной сети для возможности реализации когнитивных функций сетевого программного обеспечения управления группировкой взаимодействующих малых космических аппаратов. Методы основаны на понятиях теории ИИ для управления группировкой МКА – использование адаптивных методов и средств, позволяющих принимать решения, аналогично механизмам мышления человека. Применительно к системам космической связи с гетерогенной структурой методы и технологии ИИ направлены на процессы прогнозирования состояния в каналах связи между узлами сети и автоматической реконфигурации сети аппаратов на основе процессов обучения нейронной сети (НС). Результаты. В режиме обучения и прогнозирования необходимо использовать временные ряды параметров и координат конкретных пар МКА, обладающих ненулевой прямой видимостью. Специально для анализа временных рядов применяются рекуррентные нейронные сети (RNN), в частности LSTM. Идея работы RNN состоит в использовании в качестве входных данных для текущего прогноза не только векторов состояния МКА и их координат, но и предыдущего значения качества связи, фактического или прогнозного. В работе показано, что бортовые вычислительные мощности отдельного МКА не позволяют выполнять прогнозирование и обучение на борту. Следовательно, требуется выделенный наземный сегмент прогнозирования и мониторинга, который будет собирать апостериорную информацию, периодически выполнять обучение когнитивной модели, использовать ее для прогнозирования качества связи и передавать результаты узлам сети для построения маршрутов передачи данных. Заключение. Анализ современных решений и выбор архитектуры нейронной сети для реализации когнитивных функций сетевого программного обеспечения управления группировкой взаимодействующих малых космических аппаратов показал, что наиболее полно требованиям проекта отвечают нейронные сети архитектуры Transformer, которые основаны на механизме внутреннего внимания. Архитектура Transformer позволяет использовать всю полноту априорных данных, обладает высокой скоростью обучения и прогнозирования.

1. Аганесов А. В., Макаренко С. И. Балансировка информационной нагрузки между воздушным и космическим сегментами объединенной воздушно-космической сети связи, построенной на основе mesh-технологии // Наукоемкие технологии в космических исследованиях Земли. 2016. Т. 8, № 1. С. 17–25.

2. Аганесов А. В., Макаренко С. И. Модель воздушно-космической сети связи с иерархическим принципом ретрансляции информационных потоков // Радиотехнические и телекоммуникационные системы. 2015. Т. 4, № 20. С. 43–51.

3. Аганесов А. В. Модель сети спутниковой связи на основе протокола случайного множественного доступа S-ALOHA // Системы управления, связи и безопасности. 2015. № 2. С. 99–134.

4. Аганесов А. В. Анализ качества обслуживания в воздушно-космической сети связи на основе иерархического и децентрализованного принципов ретрансляции информационных потоков // Системы управления, связи и безопасности. 2015. № 3. С. 92– 121.

5. Оценка своевременности связи при передаче мультисервисного трафика в сети спутниковой связи специального назначения / Е. А. Новиков, Д. Р. Уткин, А. Г. Шадрин, М. Н. Квасов // Системы управления, связи и безопасности. 2018. № 1. С. 136–155.

6. Митряев Г. А., Новиков Е. А., Уткин Д. Р. Модель прогнозирования пользовательской нагрузки в обратном канале сети спутниковой связи на основе вейвлет-преобразования // Проблемы технического обеспечения войск в современных условиях: труды II Межвузовской научно-практической конференции. СПб.: Военная академия связи имени Маршала Советского Союза С. М. Буденного, 2017. Т. 2. С. 140–143.

7. Новиков Е. А., Зиннуров С. Х. Модель гибкого обслуживания трафика сложной структуры и алгоритм оперативного резервирования дополнительных каналов в земных станциях спутниковой связи // Системы управления, связи и безопасности. 2017. № 1. С. 98–115.

8. Модель гибкого обслуживания мультисервисного трафика в земных станциях спутниковой связи / Е. А. Новиков, С. Х. Зиннуров, В. В. Гапонов, Е. Н. Астахов // Современные проблемы создания и эксплуатации вооружения, военной и специальной техники: сборник статей III Всероссийской научно-практической конференции. СПб.: Арт-Экспресс, 2016. Т. 2. С. 344–348.

9. Новиков Е. А., Уткин Д. Р. Прогнозирование пользовательской нагрузки, поступающей на коммутационное оборудование земной станции военной сети спутниковой связи // Современные проблемы создания и эксплуатации вооружения, военной и специальной техники: сборник статей III Всероссийской научно-практической конференции. СПб.: Арт-Экспресс, 2016. Т. 2. С. 378–382.

10. Huang C., Liu F. A distributed class-based alternative routing under a congestion control architecture for LEO satellite networks // 2010 IEEE International Conference on Wireless Communications, Networking and Information Security (WCNIS). Beijing, China: IEEE, 2010. P. 431–435.

11. Agent-Based Distributed Routing Algorithm with Traffic Prediction for LEO Satellite Network / Z. Na, Z. Gao, Y. Cui, L. Chen, Q. Guo // International Journal of Future Generation Communication & Networks. 2013. Vol. 6, N 3. P. 67.

12. An Optimal Rate Control and Routing Scheme for Multipath Networks / W. Sun, Y. Zhang, H. Zhang, S. Li // Int. J. of Computers, Communications & Control. 2011. Vol. 6, N 4. P. 657–668.

13. Load Balancing Routing Based on Agent for Polar-orbit LEO Satellite Networks / J. Zhu, Y. Rao, L. Fu, W. Chen, X. Shao // Journal of Information & Computational Science. 2012. Vol. 9, N 5. P. 1373–1384.

14. Explicit Load Balancing Technique for NGEO Satellite IP Networks with On-Board Processing Capabilities / T. Taleb, D. Mashimo, A. Jamalipour, N. Kato // IEEE/ACM Transactions on Networking. 2009. Vol. 17, N 1. P. 281–293.

15. Zihe G., Qing G., Zhenyu N. A. Distributed Multipath Routing Strategy for LEO Satellite Networks // Tamkang Journal of Science and Engineering. 2011. Vol. 14, N 2. P. 161– 169.

16. Туманов А. В., Зеленцов В. В., Щеглов Г. А. Основы компоновки бортового оборудования космических аппаратов. М.: Издательство Московского государственного технического университета имени Н. Э. Баумана, 2018. 572 с.

17. Перспективы научных исследований в области сетей связи на 2017–2020 годы / А. Е. Кучерявый, А. Г. Владыко, Р. В. Киричек, М. А. Маколкина, А. И. Парамонов, А. И. Выборнова, Р. Я. Пирмагомедов // Информационные технологии и телекоммуникации. 2016. Т. 4, № 3. С. 1–14.

18. Емельянов С. Г., Бобырь М. В., Бондаренко Б. А. Нечетко-логическая система распознавания цвета с помощью быстродействующего дефаззификатора // Известия Юго-Западного государственного университета. 2022. Т. 26, № 4. С. 103‒116.

19. Koucheryavy A., Vladyko A., Kirichek R. State of the Art and Research Challenges for Public Flying Ubiquitous Sensor Networks // Lecture Notes in Computer Science. 2015. Vol. 9247. P. 299–308.

20. Image-to-Image Translation with Conditional Adversarial Networks. URL: https://arxiv.org/abs/1611.07004 (дата обращения: 25.09.2023).

21. Generative Adversarial Nets. URL: https://arxiv.org/pdf/1406.2661.pdf (дата обращения: 18.09.2023).

22. Building Footprint Extraction from High Resolution Aerial Images Using Generative Adversarial Network Architecture. URL: https://www.researchgate.net/publication/346027874 (дата обращения: 18.09.2023).

23. End-to-End Conditional GAN-based Architectures for Image Colourisation. URL: https://arxiv.org/pdf/1908.09873.pdf (дата обращения: 18.09.2023).

24. Attention Is All You Need. URL: https://arxiv.org/pdf/1706.03762.pdf (дата обращения: 18.09.2023).

25. Depth-Gated Recurrent Neural Networks. URL: https://arxiv.org/pdf/1508.03790v2.pdf (дата обращения: 18.09.2023).