数字孪生卫星网络：一种智能、高效、弹性运行的范式

大家读完觉得有帮助记得关注和点赞！！！

摘要

低地球轨道（LEO）卫星巨型星座正成为下一代非地面网络的重要组成部分，但由于网络拓扑快速变化、星间链路间歇性、硬件扰动以及严格的尺寸、重量和功率（SWaP）约束，其运行仍充满挑战。现有的基于数字孪生（DT）、数字孪生网络（DTN）、软件定义网络（SDN）和开放无线接入网（O-RAN）的方法为智能卫星组网提供了有用的构建模块，但未能完全支持实时、预测性和平台感知的网络运行。本文提出了一种数字孪生卫星网络（DTSN）框架，作为一种用于可靠、智能管理LEO卫星星座的闭环架构。该框架将物理卫星网络与同步虚拟孪生体连接起来，并结合了实时遥测、集成感知与通信（ISAC）、预测智能和面向弹性的控制。为了验证这一概念，我们利用NASA 42航天器模拟器和基于Python的DT桥接器，为LEO星座开发了一套星座级跨域协同仿真。DT持续摄入物理遥测数据，以管理一个多域威胁环境，涵盖600秒飞行窗口内的运动学漂移、硬件故障和对抗性干扰。通过利用预测性前视机制和指数传感器恢复模型，该框架成功隔离受损节点并触发主动网络重配置，从而确保持续服务和动态网络弹性。这些结果表明DTSN在支持预测性和面向弹性的卫星网络运行方面具有潜力。

关键词：​ 卫星，数字孪生，卫星网络运行，智能运行

I. 引言

低地球轨道（LEO）卫星巨型星座正成为下一代网络的重要组成部分，以提供无缝的全球连接。然而，运行这些系统仍然充满挑战，因为它们工作在高度动态的空间环境中，频繁的拓扑变化和意外的硬件扰动很常见。同时，LEO卫星受到严格的尺寸、重量和功率（SWaP）约束，这极大地限制了它们的星载计算能力和能源可用性。在这种条件下，传统的反应式网络管理方法（仅在链路故障或服务降级发生后做出响应）往往不足以维持可靠的星座运行。

为了应对这些挑战，数字孪生（DT）范式已成为一种有前景的方法。DT是真实物理系统或过程的高保真虚拟副本。通过与其实物对应物持续同步，它可以支持实时监控、性能优化、预测性维护和闭环控制。在网络层面，相关范式如数字孪生网络（DTN）、软件定义网络（SDN）和开放无线接入网（O-RAN）提供了可编程性和智能控制的重要能力。然而，在卫星应用中，这些方法仍面临重要局限。特别是，它们常常遭受同步延迟，且主要关注网络级性能指标，而对卫星平台的物理健康状态（如电源状态、热变化和硬件行为）关注有限。因此，需要一个统一的框架，将网络控制决策与实时物理航天器状况联系起来，以支持主动和可靠的卫星网络管理。

本文首先回顾了与智能卫星网络运行相关的主要研究方向，并指出现有的实时、预测性和硬件感知卫星管理中存在的空白。然后，我们提出了数字孪生卫星网络（DTSN）框架，并通过跨域协同仿真研究评估了其运行原理。在此语境中，“跨域”是指在统一的实验框架内联合处理物理航天器动力学、硬件层组件状态和安全层扰动。“协同仿真”是指这些域的协调执行，沿着共享的时间线无缝同步NASA 42生成的连续轨道物理模型与基于Python的数字孪生的离散网络逻辑。与传统静态仿真方法不同，DTSN被设计为一种实时的双向控制架构，持续与物理网络交互。为了减轻资源受限卫星的计算负担，该框架将密集处理任务卸载到托管在地面站服务器上的高性能虚拟副本上。此外，DTSN在高度定向的光学星间链路（O-ISL）上融入了集成感知与通信（ISAC）范式，使系统能够实时将物理航天器行为与通信链路质量关联起来。

本文的主要贡献总结如下。第一，我们提出了一种四层DTSN架构，将计算密集型的智能和决策功能与资源受限的物理卫星硬件在逻辑上分离。第二，我们通过将物理姿态行为转化为与信噪比（SNR）降级相关的预测性通信度量，应用了ISAC原理。第三，我们引入了一种预测性智能机制，能够在运动学、硬件和安全相关的干扰扩散为更广泛的网络降级之前对其进行早期评估。最后，我们通过对一个60节点Walker Delta星座进行闭环跨域协同仿真，验证了DTSN的动态弹性，表明该框架能够实时隔离和管理重叠的多域扰动。

本文其余部分组织如下。第二节回顾了DT、DTN、基于SDN的卫星组网和基于O-RAN的卫星运行的相关工作。第三节介绍了提出的DTSN架构及其核心运行特性。第四节描述了跨域协同仿真框架、基线星座拓扑、跨域威胁仿真和定量性能结果。第五节讨论了未来方向的展望，包括量子传感在高级故障诊断中的潜在集成。

II. 相关工作

如前所述，DT是真实世界系统的数字表示。在网络领域，虚拟模型是根据真实系统的观测行为构建的，在数字空间中获得的洞察随后可以指导物理系统中的行动。

II-A. 数字孪生

近年来，DT已从主要是静态的基于物理的仿真演变为动态和数据驱动的物理系统副本。如今，这些模型可以持续与其物理对应物同步，以支持监控和运行控制[1]。虽然最初的迭代依赖于静态建模和离线分析，但现代DT利用大数据分析和人工智能（AI）或机器学习来实时模拟系统行为，涵盖物理资产的整个生命周期[2][3]。在第六代（6G）无线网络的背景下，DT已成为实现自主和自适应系统运行的重要工具[4][1]。如今，这些框架广泛应用于工业物联网（IIoT），允许研究人员运行高精度仿真，并镜像系统控制、通信和计算（3C）的实时行为[5]。

网络研究正逐渐从缓慢、资源密集型的仿真工具转向更主动、更具预测性的建模方法。虽然ns-3和OMNeT++等离散事件仿真器对于协议测试至关重要，但它们的高计算成本和缺乏实时预测限制了它们在高度动态环境中的实用性[6][3]。大多数现有的分析方法仍然是反应式的，这意味着它们只在真实物理系统中性能已经降级后才解决网络问题[7]。相比之下，新兴的预测性模型依赖于分析性能界限，在性能降级发生之前预测运行中的潜在风险。这种转变要求仿真工具运行速度超过实时，以测试“假设”场景，并根据预测行为主动调整系统参数[7]。尽管AI被广泛使用，但仍存在一个关键空白：大多数系统缺乏真正的双向同步。最近的综述显示，当前许多研究仍使用历史数据或合成数据评估AI组件，而非实现物理系统与其虚拟副本之间的实时交互，而这正是真正DT的核心要求[8]。

II-B. 数字孪生网络（DTN）

虽然DT框架最初是为建模离散物理资产而建立的，但其范围已显著扩展，以应对现代连接性的复杂性。这一转变的标志是DTN的发展，它将基本的DT原理适应于整个电信基础设施的系统性编排[9][10]。DTN充当物理网络的虚拟表示，持续反映真实的网络状态。通过这种实时交互，操作员可以监控系统行为、诊断性能问题、通过仿真评估潜在行动，并在闭环框架内应用控制决策[11][12]。这一范式使网络管理从静态的、基于拓扑的模型转向数据驱动的路由和主动优化，其中历史记录和实时流量测量共同指导运行决策[13]。这一演进的核心是四个基本组件的协调集成：数据、模型、映射机制和运行接口。这些元素共同支持跨越整个网络生命周期的持续支持，从准确的系统规划和简化的部署到智能的运行和维护[13][14]。通过使用真实网络的高保真虚拟副本，DTN使得在实际部署之前可以在受控环境中测试新技术和服务配置。这种方法有助于降低运行风险，并最小化与试错实验相关的成本和不确定性[15][14]。最近，DTN框架已扩展到空天地一体化网络（SAGIN）和非地面网络（NTN），以满足6G时代设想中对无缝全球连接日益增长的需求[16][17]。与地面DTN相比，基于卫星的DT系统必须处理LEO星座的高度动态特性，其中卫星快速移动，星间链路（ISL）随时间频繁变化[18][16]。最近的研究提出了分层DT架构，其中本地孪生体放置在分布式地面站以支持低延迟实时运行，而网络控制中心的集中式孪生体负责全局协调、分析和长期优化[11]。此外，DT正被引入以提高卫星互联网系统的安全性，通过提供一个受控环境，在其中可以安全地研究和评估链路洪泛攻击、卫星劫持和窃听等潜在威胁[19]。像Plotinus这样的先进仿真平台使用基于微服务的架构来再现物理层和网络层的交互，同时集成真实网络流量以改进路径计算和信道容量建模[17]。

尽管现有的DTN方法显示出强大的潜力，但文献表明，模型精度与同步延迟之间的权衡仍然是一个悬而未决的挑战。分层设计试图通过将DT部署在更靠近网络边缘的位置来减少延迟，但卫星系统中的长传播距离继续限制物理网络与其虚拟对应物之间的实时双向数据交换。此外，卫星上有限的计算能力和存储使得难以支持高保真DT模型所需的大量数据收集和密集处理[11][19]。许多现有框架使用简化假设或轻量级模型以保持可扩展性，但这通常在应用于大型卫星星座的高度动态行为时降低了结果的可靠性[11][19]。未来DTN框架的一个主要挑战是在有限的星载资源下，维护数千颗快速移动卫星的精确实时同步。这个问题使得确保DT准确反映物理网络状态变得困难。解决这一挑战可能需要更先进的预测方法以及更有效的集成来自分布式卫星节点的异步数据的方法。

表 I：相关工作总结及对提出的DTSN框架的动机

研究方向	主要焦点	关键优势	在卫星背景下的主要局限	对DTSN的动机
数字孪生 (DT)	物理系统的虚拟副本，通过数据驱动同步实现监控、仿真和控制。	实现实时系统镜像、预测分析、假设评估和生命周期管理。	许多现有DT研究仍是AI辅助而非完全双向；物理与虚拟实体间的实时互动常受限。通用DT文献也未针对动态卫星网络运行定制。	激励一个特定于卫星的孪生框架，具备在动态空间条件下的持续同步、闭环运行和预测控制。
数字孪生网络 (DTN)	将DT概念从单个资产扩展到完整通信网络，用于监控、诊断、仿真和控制。	支持闭环网络管理、数据驱动路由、网络生命周期支持、更安全的测试和改进的运行可见性。	在卫星/NTN环境中，主要挑战在于同步延迟、模型精度、可扩展性、有限的星载计算/存储以及对快速移动LEO星座的实时孪生。	激励一个专门为卫星动力学、异步更新、资源限制和预测性网络自适应而设计的数字孪生卫星网络。
基于SDN的卫星网络运行	控制平面与数据平面分离，实现可编程和集中式卫星网络管理。	提高了LEO/SAGIN环境中的灵活性、可扩展性、流量工程、路由控制和资源分配。	大多数方法是反应式的，依赖于当前状态快照，主要关注网络指标而忽略了卫星平台状况，如电源、电池和热状态。	激励将网络控制与实时物理卫星感知相结合，使路由和管理变得主动且硬件感知。
基于O-RAN的卫星/NTN运行	开放的、分解的RAN架构，具有RU/DU/CU拆分和基于RIC的NTN智能控制。	支持互操作性、灵活部署、星载/边缘智能、xApps/rApps以及分层近实时/非实时控制。	现有研究通常假设简化的星载计算条件，强调通信指标而低估了平台约束，如电源、热变化和硬件退化。	激励将O-RAN控制与持续反映卫星和轨道环境物理运行状态的高保真卫星DT耦合。
总体洞察​	现有的DT、DTN、SDN和O-RAN研究各自为智能卫星组网提供了重要的构建模块，但没有一个单独能完全提供一个同时考虑网络行为和卫星物理状态的实时、双向、预测性和面向弹性的框架。这一空白促使了第三节中提出的数字孪生卫星网络（DTSN）。

II-C. 基于SDN的卫星网络运行

卫星组网的范式转变是由SDN的采用推动的。通过分离控制平面和数据平面，SDN消除了传统架构中的紧耦合，允许以更灵活和可编程的方式管理网络[20][21]。在传统卫星网络中，每颗卫星必须同时处理复杂的路由决策和数据包转发。随着星座规模增大，这种方法对于计算资源有限的卫星来说变得不切实际，难以维持高效的网络运行[22][23]。通过将路由计算和网络配置等控制功能从单颗卫星转移到集中式实体（例如地面站、网络控制中心和地球静止卫星），卫星网络可以更高效地管理，同时减少资源受限的星载系统的处理负担[24]。这种网络功能的重新分配使得LEO卫星能够主要专注于数据转发，使整个系统更灵活、更具可扩展性，更适合下一代通信服务日益增长的需求[25]。

SDN架构固有的集中式全局视角促进了SAGIN和LEO星座内复杂的动态运行[22]。通过网络控制与底层硬件的分离，SDN控制器可以通过实时流量管理和自动资源分配更好地处理变化的网络拓扑和间歇性链路[23]。最近的研究表明，SDN可以通过将数据从拥堵节点和新出现的瓶颈转移来有效平衡网络流量，这有助于减少排队延迟和整体端到端时延[20]。此外，结合先进的数据平面技术，如P4可编程交换机和分段路由IPv6（SRv6），可以实现更精确的服务质量（QoS）控制，并支持跨异构、多域网络环境的流量工程路径[26]。

对当前基于SDN的卫星组网研究的关键评估揭示了影响其长期可靠性的若干局限。特别是，大多数现有的路由和管理方法是反应式的，意味着网络调整仅在链路故障或拥塞发生后才进行。许多SDN控制器仅基于当前网络状态或静态快照做出决策，这常常导致次优性能。这是因为它们没有考虑卫星星座快速变化的拓扑或星间链路（ISL）不可预测的行为[20][22]。此外，大多数现有的基于SDN的卫星研究很少关注卫星平台（bus）的物理状况。它们主要关注网络级指标，如带宽、延迟和丢包率，而忽略了重要的星载因素，如电源可用性、电池状态和热条件。这种网络控制决策与卫星平台物理状态之间的脱节表明，仅靠SDN不足以确保可靠和有弹性的卫星运行。解决这一局限需要一个预测性DT框架，将网络控制与实时硬件条件联系起来，并支持主动资源管理。

II-D. 基于O-RAN的卫星网络运行

从传统的、紧密集成的卫星有效载荷向具有开放接口的分解架构的转变，是下一代非地面网络（NTN）发展的关键一步[27]。传统上，卫星通信系统依赖于封闭且紧密集成的控制架构，这提供了有限的可编程性，并使得动态扩展或重新配置网络变得困难。O-RAN范式通过将下一代Node B（gNB）分解为独立的、可互操作的组件，即无线单元（RU）、分布式单元（DU）和中央单元（CU），推动了重大转变。这种分离允许来自不同供应商的组件通过标准化的开放接口协同工作，使网络运营商能够灵活地为SAGIN的不同部分选择最合适的解决方案[28]。例如，仅将RU或DU功能放置在卫星上可以简化有效载荷设计并降低发射成本，同时启用再生架构，其中卫星主动处理信号，而不仅仅是作为透明中继转发信号[29]。

该架构中实现智能运行的核心要素是RAN智能控制器（RIC），它使用基于AI的应用来支持闭环网络控制和优化。最近的文献强调了将计算和控制功能直接移至卫星边缘以减少长非地面通信链路引起的延迟的重要性[30]。运行在星载或天基RIC上的近实时xApps管理时间关键型功能，如波束控制、干扰控制和流量调度，控制周期通常在10毫秒到1秒之间。同时，在地面服务管理与编排（SMO）层内运行的非实时rApps处理长期功能，如全局策略控制和AI模型的再训练，通常由高保真DT仿真支持[28][29]。这种由A1和E2接口支持的分层控制结构，允许卫星充当自主边缘节点。A1接口支持SMO与近实时RIC之间的策略交换和AI模型更新，而E2接口则实现对底层网络元素的实时监控和控制[28][30]。

然而，对现有基于O-RAN的NTN研究的仔细审视揭示了一个与小卫星实际运行条件相关的重要空白。大多数提出的框架侧重于优化通信性能，如数据速率、压缩效率和切换延迟，同时通常假设星载计算基础设施处于理想或高度简化的条件。许多当前方法没有将卫星平台的关键物理约束（如有限的电源可用性、热变化和辐射引起的硬件退化）纳入其控制框架。相反，它们主要关注链路级性能，而没有考虑通信需求如何直接影响卫星的能量容量和热极限。为了使O-RAN能够在卫星系统中可靠部署，网络控制层需要与持续反映卫星及其在轨运行环境变化物理条件的高保真DT紧密同步。

表I总结了本节审查的主要研究方向。尽管DT、DTN、SDN和O-RAN各自为智能卫星组网提供了重要能力，但这些技术中没有一种能单独提供一个支持卫星运行实时数字孪生、预测控制和硬件感知弹性的集成框架。此外，大多数现有的针对卫星系统的DTN研究主要在理论层面讨论架构设计、同步问题或优化概念。现有方法的这些空白促使了第三节中介绍的DTSN框架。相比之下，本文提出了一个闭环DTSN框架，并通过在一个大型LEO星座上的跨域协同仿真对其进行了评估。该方法不是关注孤立的性能指标，而是检查数字孪生如何应对并发运行威胁，包括运动学漂移、自发组件故障和对抗性干扰，以评估其面向弹性的控制能力。

图 1：提出的数字孪生卫星网络（DTSN）分层架构。该框架在物理空间段与托管在地面站服务器上的虚拟副本之间建立了一个持续的、双向的闭环控制系统。通过将计算密集型软件与系统硬件解耦，预测性路由智能得以执行，而不超出LEO航天器严格的尺寸、重量和功率（SWaP）约束。

III. 数字孪生卫星网络（DTSN）

近期的整体运行架构，如SatAIOps [31]，已经确立了未来卫星网络管理必须在所有任务阶段集成人工智能。在这些先进的运行范式中，数字孪生被明确确定为能够弥合地基AI服务与实时航天器遥测之间差距的关键应用领域。为满足这一需求，提出的DTSN方案旨在支持LEO卫星星座（包括大规模巨型星座）的远程管理。与传统静态仿真不同，它作为一个实时双向控制框架运行，持续与物理网络交互，以维持在空间环境中的可靠运行。

III-A. DTSN方案设计

为了解决LEO卫星严格的SWaP约束，该框架将计算密集型任务与物理空间段分离，并将其卸载到托管在地面站服务器上的高性能虚拟副本上。

如图1所示，DTSN架构横跨两个域：物理空间段和虚拟DT段。它进一步分为四个运行层。

• 第1层 – 系统硬件

  该层包括物理和仿真的硬件基础设施。在空间段，它包括LEO卫星平台（bus）、反作用轮、快速转向镜（FSM）和激光通信终端（LCT）。在地面段，它包括支持DT运行的地面站服务器和高性能计算（HPC）资源。

• 第2层 – 系统软件（物理与平台建模）

  该层管理物理定律和基线运行环境。在物理卫星上，这是星载姿态确定与控制系统（ADCS）逻辑。在虚拟段，它利用高保真物理平台建模（如NASA 42物理引擎）持续计算轨道动力学和航天器运动学。

• 第3层 – 通信软件（遥测与路由）

  该层充当物理域与虚拟域之间的数据交换桥梁。它管理星地射频遥测链路、O-ISL链路通信协议以及星座内的ISAC接口。在地面侧，它包括一个确定性遥测管道和网络桥接器，支持低延迟数据摄入和通信。

• 第4层 – 计算软件（智能与决策）

  由于星载处理能力的限制，物理卫星仅执行轻量级状态估计和基本故障处理，例如隔离故障组件、激活安全模式等。更复杂的计算转移到地面的集中式DT引擎。该层托管DTSN的预测性智能模块，包括运动学前视预测、基于ISAC的链路评估、硬件健康风险评估、安全异常解释以及自主拓扑控制功能。

DTSN方案的主要能力取决于物理星座与其DT之间的实时遥测同步。DT通过确定性数据管道持续接收卫星姿态遥测，包括滚转、俯仰和偏航测量。凭借这种同步的状态感知，集中的地面DT可以提前评估网络状况，并向物理星座发送自主拓扑重配置命令。这种预测性控制过程允许网络主动响应多域干扰，同时避免给SWaP受限的LEO卫星带来沉重的计算负担。

图 2：用于验证所提出的数字孪生卫星网络（DTSN）框架的跨域协同仿真场景。上层说明了在600秒仿真窗口内引入的物理域扰动，包括SC1的运动学漂移、SC15的瞬时激光二极管故障以及SC30的对抗性干扰。下层显示了对应的逻辑DTSN响应，即由地面数字孪生执行的预测性重路由、零延迟旁路和动态节点隔离，以保持弹性星座运行。

III-B. DTSN的核心运行特性

1. 集成感知与通信（ISAC）

   DTSN通过将通信和感知功能结合为一个统一框架来利用ISAC，在该框架中数据传输和环境感知协同工作[32]。ISAC允许两种功能共享相同的频谱、硬件平台和信号处理结构。这种集成方法提高了频谱效率，并减少了通常当独立的感知和通信系统并行运行时发生的干扰[33]。

   为了在小LEO卫星严格的SWaP约束下实现ISAC，提出的DTSN可以通过双功能光学有效载荷设计来实现，其中相同的O-ISL硬件同时支持通信和状态感知。这种设计选择是DTSN框架的一种实际实现方式，并非其运行的前提条件。一般来说，只要其输出在数字孪生中同步，DTSN也可以与单独的感知和通信有效载荷配合工作。在本研究中，我们只关注光学链路实现；因此，感知功能源自O-ISL可观测参数，而非集成的雷达有效载荷。在这种情况下，数字相干光收发器支持高速数据传输[34]，同时从接收到的光信号中提取光学链路遥测。通过持续监测信号强度变化、偏振态（SOP）变化和光学相位波动，LCT可以直接在硬件级别评估信道状况并检测物理异常，例如由太阳辐照引起的热效应。

   处理这些双功能光学链路产生的大量遥测数据需要高效的星载处理[35]。为了避免使星地下行链路过载，卫星平台（bus）包含了移动边缘计算（MEC）单元，这些单元在本地分析原始信号特征，而不是传输连续的原始数据流[36]。这种基于边缘的ISAC方法允许远程DT与物理卫星平台（bus）保持高保真同步，同时在整个星座中保持能量和带宽效率。

   在本研究中，ISAC通过在跨域协同仿真中将航天器姿态行为持续映射到O-ISL链路质量来演示。特别是，运动学干扰场景展示了物理运动如何实时转化为通信降级。更先进的双功能光学感知特性，如相位感知和偏振感知诊断，仍然是更广泛的DTSN设计视角的一部分，有待未来实施。

2. 用于故障诊断的量子传感

   第二个特性是用于未来故障诊断的量子传感。虽然ISAC和经典遥测对于检测性能降级很有效，但它们可能并不总是足以隔离故障的精确物理原因[37]。在实际卫星系统中，相似的通信症状可能源于不同的机制，例如细微的姿态抖动、热变形、时序不稳定、结构振动或微妙的有效载荷失准[38]。区分这些原因对于鲁棒的自主控制很重要。

   为了提高诊断精度，我们将量子传感视为图1中DTSN架构第3层可能的未来扩展。量子传感技术以其对微小物理变化的极高灵敏度而闻名[39]。在未来的卫星系统中，与常规传感方法相比，这种能力可以实现对运动、时序变化、场扰动和结构异常等参数的更精确测量[40]。

   需要澄清的是，本工作将量子传感视为一种前瞻性的架构扩展，而非完全成熟的飞行就绪传感子系统。在当前案例研究中，其作用是启发未来近乎零漂移的传感输入如何在DTSN内加强早期异常判别。当前的协同仿真仍然主要依靠同步遥测和数字孪生智能进行运行控制，同时保留一个框架，以便在更先进的传感模态对LEO部署变得实用时将其纳入。

   因此，虽然ISAC支持广泛的实时可观测性，但量子传感可以被视为一个未来的精确诊断层，它增强了DTSN从故障检测走向故障区分的能力。

3. 主动智能

   DTSN的第三个核心特性是主动智能，它代表了DT的决策能力。在提出的框架中，智能特指孪生体预测系统演化、在虚拟域中评估替代控制响应以及在物理网络经历服务降级之前选择合适的运行行动的能力。

   这一特性至关重要，因为卫星网络高度动态，网络可靠性受到频繁的链路切换、拓扑波动和不确定的硬件故障的挑战[22][23]。一个等到链路已经断开才做出反应的控制器可能会导致数据包丢失、重路由延迟或更广泛的服务中断。相比之下，DTSN的主动智能利用同步的孪生状态来估计短期未来条件，并判断当前通信路径是否可能保持可靠。

   在本文中，这一概念在第四节通过一个跨域决策框架实现，该框架在同一同步时间线上评估物理、硬件和安全扰动。对于运动学降级，孪生体预测姿态漂移对光学链路对准的近未来影响。对于硬件异常，它利用历史和运行状态趋势来预测高风险组件故障。对于对抗性干扰，它识别异常SNR行为的起始点，并支持弹性路由自适应。通过这种方式，主动智能允许DT超越被动监控，在网络运行中扮演积极角色。

   尽管当前的协同仿真为物理干扰场景包含了一个轻量级的运动学预测模型，但DTSN框架并不限于单一的算法方法或单一的干扰类别。更先进的实现可以结合数据驱动预测、基于学习的异常预测、基于优化的控制选择，或跨物理、硬件和安全领域的混合模型驱动和AI驱动决策引擎。因此，当前框架足够通用，可以支持多种智能机制，同时保持相同的闭环运行原理。

4. 动态弹性

   DTSN的第四个特性是动态弹性，它是该框架的最终运行目标。在本工作中，弹性指的是卫星网络通过早期感知、预测性决策和及时的控制自适应，在干扰下维持服务连续性的能力。

   卫星通信系统暴露于多种形式的不确定性，包括轨道动力学、变化的链路几何形状、平台扰动、硬件限制和环境影响[41]。因此，维持可靠的服务需要的不仅仅是静态路由或周期性重配置。它需要一个能够实时持续适应变化的风险条件的控制框架。这就是所提出的DTSN中动态弹性的作用。

   动态弹性是前三个特性共同作用的结果。ISAC提供检测新出现的降级所需的运行感知。主动智能预测该降级可能如何演变。然后，控制层利用这些信息，通过选择更可靠的路径或运行状态来维持网络连续性。从这个意义上说，弹性不被视为一个独立的功能，而是DTSN闭环的系统级结果。

   在图2所示的跨域卫星网络场景中，弹性通过三种不同形式的干扰得到展示。当SC1出现逐渐的运动学漂移时，DT预测由此产生的通信降级，并在链路达到临界状态之前支持预测性重路由。当SC15经历瞬时硬件故障时，该框架通过预计算的备用路径绕过受影响的节点。当SC30遭受对抗性干扰时，DTSN隔离受影响节点，维持更广泛的网络连续性，并在恢复后重新整合该节点。这些行为提供了卫星环境中面向弹性的网络管理的具体示例。

   因此，动态弹性是所提出的DTSN的一个决定性能力，因为它通过在变化的物理网络条件下进行预测性孪生驱动的自适应来维持通信服务。

III-C. 讨论与案例研究的关联

提出的DTSN框架为第四节中呈现的实验验证提供了概念和运行基础。特别是，案例研究特意设计用来展示上述四个核心特性之间的交互。

首先，仿真使用实时航天器遥测作为DT的同步输入，反映了DTSN的感知和状态更新功能。其次，ISAC模型将物理姿态行为与通信质量联系起来，提供了框架内感知-通信集成的运行示例。第三，预测性决策逻辑超越了运动学估计，包括对硬件退化风险和安全相关链路中断的主动评估。最后，控制响应根据星座中观察到的干扰类型，通过预测性重路由、零延迟旁路和临时节点隔离来说明动态弹性。

因此，第四节应被视为对DTSN方案的星座级跨域验证。其目标是展示一个特定于卫星的DT可以结合实时物理感知、多域故障解释和预测性控制，以在现实的LEO网络条件下提高运行可靠性和弹性。

IV. 案例研究与实验结果

为了验证提出的DTSN框架，本节介绍了一个全面的跨域协同仿真，旨在展示该框架在巨型星座环境中支持ISAC、预测性智能和自主网络弹性的能力。该案例研究在三个干扰域（即物理、硬件和安全扰动）下检验该框架，这些扰动在连续600秒的飞行窗口内同时注入到一个高保真轨道环境中。

IV-A. 仿真架构与基线星座拓扑

在介绍跨域威胁仿真之前，应先定义空间段的基线物理拓扑。仿真基于一个根据对称Walker Delta T/P/F几何构型配置的LEO星座，具体为60/6/3拓扑。

如表II所示，航天器总数（T=60）均匀分布在P=6个圆形轨道平面上，每个平面10颗卫星。为提供均匀的全球覆盖，轨道平面对称排列在地球周围，升交点赤经（RAAN）间隔为60°（ΔΩ = 360°/P）。在每个轨道平面内，卫星保持固定的平面内真近点角间隔36°（Δν = 360°/10）。

进一步的相对相位参数F=3应用于星座。在60/6/3配置中，相邻东侧平面的卫星相对于当前平面的赤道穿越节点偏移一个相位角18°（ΔΦ = F × 360°/T）。这个18°的偏移有助于防止轨道交叉点处的碰撞，同时也建立了支持连续光学星间链路（O-ISL）所需的几何视线条件。

星座的物理动力学使用NASA 42航天器模拟器进行仿真。物理引擎配置为以10 Hz的频率生成星座级主遥测矩阵，包含所有60颗航天器的11个物理参数，包括滚转、俯仰、偏航和三维速度矢量。一个定制的基于Python的DT桥接器持续摄入这个同步数据集，并将逻辑网络和安全故障叠加到物理时间线上，以评估DTSN的多层响应机制。

表 II：基线星座的轨道参数

参数	数值
星座几何构型	Walker Delta
拓扑配置 (T/P/F)	60/6/3
卫星总数 (T)	60
轨道平面数 (P)	6
每平面卫星数	10
相位参数 (F)	3
轨道倾角	55°
RAAN间距 (ΔΩ)	60°
平面内真近点角间距 (Δν)	36°
平面间相移 (ΔΦ)	18°

IV-B. 跨域威胁仿真与DTSN响应

为了评估DTSN架构，同时避免在连续牛顿物理引擎内直接计算网络层状态所带来的高计算成本，本研究采用了一种基于信息物理叠加的合成故障注入方法。在这种设置中，由NASA 42原生仿真的连续物理空间环境，有意地与由基于Python的数字孪生管理的离散逻辑网络环境解耦。物理运动学异常在轨道力学引擎内动态求解，而二元硬件故障和对抗性网络攻击则作为离散逻辑覆盖，在同步的基线遥测之上合成注入。这种跨域协同仿真方法提供了一种实用且可扩展的方式来评估多向量网络威胁，同时保持数学上一致且无碰撞的轨道基础。仿真参数汇总在表III中。图3可视化了这次跨域仿真的完整同步时间线，详细说明了物理异常、硬件故障、信息物理攻击以及DTSN执行的相应自主路由决策。

图 3：600秒协同仿真期间的跨域数字孪生卫星网络（DTSN）响应。顶部面板显示SC1逐渐的运动学降级，数字孪生将俯仰漂移映射到光学SNR降级，并在达到临界阈值之前触发预测性重路由。中间面板显示SC15的瞬时硬件故障，通过主动的零延迟旁路得到缓解。底部面板显示SC30的对抗性干扰，包括由此产生的SNR崩溃、临时节点隔离以及接收器恢复后的安全重新整合。

表 III：协同仿真与跨域威胁参数

参数	数值
物理引擎	NASA 42 模拟器
总仿真时长	600 秒
遥测提取频率	10 Hz
标称光学SNR	25.0 dB
最低SNR运行阈值	15.0 dB
场景A：运动学漂移 (SC1)	T = 0 秒
场景B：硬件烧毁 (SC15)	T = 200 秒
场景C：干扰攻击 (SC30)	T = 300 秒 至 350 秒
传感器恢复时间常数 (τ)	1.5 秒

场景A：通过ISAC和量子传感的运动学降级

在该场景中，量子传感被表示为数字孪生架构内的一种前瞻性传感输入，而非完全仿真的星载飞行子系统。在高度定向的光学通信中，链路质量严格依赖于由快速转向镜（FSM）维持的物理指向精度[42]。为了将物理感知与通信性能集成，这是ISAC的核心范式[43]，DT动态地将卫星的角速度映射到SNR降级。这种数学映射说明了ISAC概念在我们框架中的实际应用。由于在O-ISL链路中物理指向精度和通信质量固有地联系在一起，DT直接将物理运动（具体来说是FSM的角速度）转化为通信度量（SNR降级）。通过这种直接转化，感知机械扰动实际上起到了实时信道估计工具的作用，说明了ISAC系统中预期的双重感知-通信关系。从T=0秒开始，航天器1（SC1）经历了渐进的动量轮消饱和，导致了持续的俯仰漂移。DTSN通过结合使用量子传感和ISAC来处理这种机械偏差。在所提出的架构中，DTSN系统硬件层（第1层）中的下一代量子增强陀螺仪被假定能在微弧度级别的姿态异常发展为链路故障之前很久就检测到它们。尽管芯片级冷原子干涉仪（CAI）目前处于技术就绪水平（TRL）5-6，并且在小型化方面仍面临与SWaP相关的重要挑战[44]，但将它们纳入框架是作为一个前瞻性的设计方向。特别是，DTSN被构建为一旦此类传感器在LEO系统中实际可部署，就能摄入这种近乎零漂移的运动学遥测。由于自由空间光（FSO）激光器表现出高斯强度分布，以分贝为单位的指向损耗与指向误差的平方成正比[45]。假设在姿态扰动期间，FSM跟踪滞后与航天器的物理角速度成正比，DT利用二次启发式模型[46]评估实时SNR，如(1)所示：

其中 SNRnominal​ 代表基线光学链路质量25.0 dB，α 表示代表光束发散角和FSM跟踪延迟的硬件退化系数。为了维持可靠的数据传输，网络强制执行严格的最低阈值 SNRmin​=15.0 dB，允许最大链路余量降级为10.0 dB。因此，该系数被经验性地校准为 α=127.5。这将FSM的临界跟踪失效边界（0.28°/s）数学映射到恰好10.0 dB的允许指向损耗，从而清晰地将自然轨道摄动与严重的姿态异常分开。

动态空间环境中的传统网络路由通常依赖于反应式故障检测机制。这种方法可能会在网络拓扑重配置过程中引入延迟、增加控制开销和数据包丢失[47]。为了解决这一局限，最近的研究探索了使用DT来实现星间链路（ISL）的主动切换策略和拥塞预测[48]。

遵循这一思路，提出的DTSN框架采用了一种运动学预测性智能模型，该模型在物理通信链路中断之前预测光学跟踪镜的故障。该预测模型实现了第三节B3部分介绍的“主动智能”特性。

DT估计卫星的瞬时角速度，并预测前视窗口（Tlookahead​=5.0 秒）内的跟踪偏差，如(2)所示：

通过持续将物理偏差与下降的光学SNR关联起来，DTSN可以将根本原因识别为机械失调。这使得系统能够在SNR降至最低运行阈值15.0 dB以下之前执行预防性网络拓扑重路由。

场景B：硬件故障与主动智能

与运动学漂移的渐进性质不同，硬件异常通常表现为突发的二元故障。在T=200秒时，航天器15（SC15）经历了一次自发性光学激光二极管烧毁，导致链路状态立即从标称运行跌落到故障状态。

由于这类硬件故障没有表现出清晰的运动学前兆，传统的遥测系统只能观测到一次突然且无法解释的网络中断。DTSN通过其主动智能能力解决了这一局限。通过持续将预测性机器学习模型应用于星座的历史功耗模式、热特性曲线和组件寿命数据，数字孪生在物理事件发生之前就识别出二极管故障的高概率。在当前协同仿真中，这些健康指标被表示为与同步物理遥测对齐的合成逻辑层输入，允许DT模拟硬件风险评估，而无需在轨道模型中嵌入完整的组件老化物理学。因此，当烧毁发生时，主动路由表已经确定了备用光学路径，使系统能够立即绕过SC15，避免数据瓶颈，并在不增加额外延迟的情况下维持流量重路由。

场景C：对抗性干扰与动态弹性

最后一个场景评估了所提出架构的安全域。在T=300秒到T=350秒之间，航天器30（SC30）经过一个高风险轨道区域，并暴露于一种外部信息物理攻击——地基激光眩目器。这一对抗性干扰事件迫使光学信噪比（SNR）从其标称值25 dB急剧下降到约-25 dB的混沌噪声基底，从而触发了临界干扰警报。

攻击在T=350秒结束后，光学接收器进入一个以热冷却和焦点重新对准为特征的恢复阶段。为了在数字孪生中表示这一硬件恢复过程，引入了一个指数传感器恢复模型[49]：

其中 tend​ 表示干扰攻击的结束时间，β 表示干扰器造成的最大降级（例如50.0 dB），τ 是特定于硬件的传感器恢复时间常数，指定为1.5秒。该值作为一个聚合启发式参数，代表两个顺序物理恢复阶段的组合延迟：真空环境下饱和雪崩光电二极管（APD）衬底的热弛豫，以及随后接收器锁相环（PLL）重新同步到光载波频率所需的相位重新捕获时间线[50]。

这种高度动态和敌对的状况激活了DTSN的动态弹性协议。一旦数字孪生检测到与对抗性干扰相关的混沌SNR波动，它会立即隔离受影响的节点，以防止损坏的数据通过ISL传播。然后，弹性控制架构自主地切换邻近卫星的传输频率或光波长，以绕过被干扰的频谱。在SC30退出攻击区间并且其光学接收器根据公式(3)恢复到高于15 dB的安全阈值之后，DTSN将该节点重新整合到主路由矩阵中，而不中断网络运行的连续性。

IV-C. 协同仿真结果与综合

通过联合追踪一个渐进运动学故障、一个瞬时硬件故障和一个混沌的外部安全攻击，闭环协同仿真生成了一个包含6,000帧的同步数据集。在这个统一的观测窗口内，数字孪生能够实时隔离和分类重叠的网络中断。这些结果表明，高保真轨道力学与本地化数字孪生的集成可以提供所需的预测性智能和自主弹性，以管理下一代LEO巨型星座严格的SWaP约束和快速变化的拓扑。

V. 未来方向展望

在本文中，我们介绍了DTSN框架，作为一种用于LEO星座可靠和智能运行的闭环架构。通过将物理航天器遥测与地面虚拟副本同步，所提出的框架支持主动网络管理。案例研究表明，DTSN可以在一个包含运动学降级、硬件故障和对抗性干扰的跨域协同仿真中，结合物理感知、基于ISAC的链路评估、预测性智能和面向弹性的控制。这些结果突出了DTSN在大规模和自适应卫星网络运行方面的潜力。

几个未来方向可以进一步扩展这一框架。首先，尽管当前的ISAC实现能够检测性能降级，但它可能并不总能识别复杂故障的确切物理来源。因此，未来的工作应研究将量子传感集成到DTSN架构中。由于量子传感器对微小物理变化具有高灵敏度，它们可能改善结构异常、时序变化和场扰动的测量，从而加强故障诊断和根因识别。

其次，预测性智能引擎可以进一步改进。尽管本研究评估了多个域的干扰，但预测机制仍然相对轻量级且针对特定场景。未来的版本可能融入更丰富的数据驱动预测、基于学习的异常预测和混合AI辅助决策机制，以支持跨大型卫星星座的更准确、自适应和可扩展的控制。

最后，将DTSN扩展到大规模卫星巨型星座将需要与SDN和O-RAN框架进行更紧密的集成。将分层网络控制与高保真DT相结合，可能在空间环境的约束下支持更具可扩展性、弹性且硬件感知的卫星网络运行。

 

转载自 CSDN-专业IT技术社区

原文链接：https://blog.csdn.net/hao_wujing/article/details/163748964