基于深度学习的空天地缓存中继网络性能评估方法

空天地融合网络(Satellite-Aerial-Terrestrial Integrated Network,SATIN)充分发挥一体化网络架构下全局信息处理、灵活部署、广泛覆盖范围等优势,能够实现多维复杂网络信息的一体化处理和资源利用率最大化。为了降低用户端传输时延并满足高频谱利用效率的要求,将无线缓存融入SATIN中,具体研究了2种典型中继缓存方案,即最多访问业务缓存(Most Popular Content Caching,MPCC)方案和均匀缓存(Uniform Caching,UC)方案,并在此基础上推导了不同的中继缓存方案下网络中断概率(Outage Probability,OP)的闭合表达式。此外,为了提升性能评估效率和实时性,提出了基于卷积神经网络(Convolutional Neural Network,CNN)的性能预测方法。同时,为了避免输入数据重要特征信息的丢失,所提预测方法采用了一种去除池化层的改进CNN模型。仿真并对比了在不同参数条件下3种缓存中继方案的OP性能表现。预测结果表明,所提出的改进后的CNN预测方法能准确预测系统性能,并且较已有方案有更好的实时性。