一种卫星网络的负载均衡路由方法和系统

本发明涉及卫星通信，尤其涉及一种卫星网络的负载均衡路由方法和系统。

背景技术：

1、随着卫星通信技术的快速发展和卫星网络规模的不断扩大，卫星网络面临着日益复杂的任务处理和资源分配挑战。传统的地面计算模式难以满足海量数据实时处理和动态服务质量保证的需求。因此，空中计算技术应运而生，通过在卫星节点上集成计算和存储资源，就近处理数据，降低传输时延，提高服务质量。

2、然而，现有的基于空中计算的卫星网络负载均衡路由方法仍然存在一些局限性：

3、动态网络环境适应性不足：卫星网络拓扑结构动态变化，信道状况复杂多变，现有路由方法难以实时感知网络状态变化并进行动态调整，导致路由决策效率低下；

4、数据安全和隐私保护不足：任务卸载过程中涉及用户敏感数据传输和处理，现有方法缺乏有效的安全和隐私保护机制，容易造成数据泄露和隐私侵犯；

5、任务卸载和资源分配效率低下：现有方法通常采用集中式调度方式，缺乏对卫星网络资源的全局优化和动态调度，容易造成节点负载不均衡，影响任务完成效率。

技术实现思路

1、针对上述问题，本发明提出了一种卫星网络的负载均衡路由方法和系统，通过流量分析和路由优化，实现了卫星网络的负载均衡路由，提高了数据传输效率和网络稳定性。

2、为实现上述目的，一种卫星网络的负载均衡路由方法，包括以下步骤：

3、步骤s1：通过卫星传感器网络对卫星节点进行卫星运行状态采集，得到卫星原始状态数据；对卫星原始状态数据进行网络状态感知，得到卫星网络状态数据集；

4、步骤s2：对通信参与节点进行任务需求挖掘，得到任务需求趋势数据集；根据预设的深度学习模型以及任务需求趋势数据集进行任务需求预测建模并进行任务需求预测，得到任务需求预测数据集；

5、步骤s3：根据卫星网络状态数据集以及任务需求预测数据集进行模型初始化并进行模型分发，得到分布式模型参数；根据分布式模型参数对卫星节点进行本地模型训练，得到本地加密模型参数；根据本地加密模型参数进行全局模型聚合，得到全局训练模型；对全局训练模型进行模型评估，得到分布式资源优化模型；

6、步骤s4：对任务需求预测数据集进行任务需求加密，得到加密任务需求信息数据；根据加密任务需求信息数据以及分布式资源优化模型进行安全多方计算处理并进行隐私保护评估，得到任务分配方案；

7、步骤s5：根据卫星网络状态数据集、任务需求预测数据集以及任务分配方案进行卫星网络环境状态感知，得到环境状态数据；利用强化学习技术以及环境状态数据进行资源调度学习，得到资源调度策略；根据资源调度策略对卫星节点进行空中计算资源调度，得到空中计算资源调度方案；

8、步骤s6：根据卫星网络状态数据集、任务分配方案以及空中计算资源调度方案进行路由策略流量分析，得到路由策略数据；根据路由策略数据进行负载均衡调整，得到负载均衡路由方案，以实现卫星网络的负载均衡路由作业。

9、本发明通过实时获取卫星节点的运行状态，构建了准确的卫星网络状态模型，为后续的资源调度、任务分配和路由策略制定提供了基础数据。通过分析历史任务数据和用户行为，预测了未来任务需求，为资源调度和负载均衡提供了关键信息。通过分析历史数据，可以识别出任务需求的趋势变化，并利用深度学习模型进行预测，提高了预测的准确性和效率。通过分布式训练和加密技术，提高了资源优化模型的训练效率，并保护了数据隐私。通过将模型训练分布到各个节点，可以充分利用计算资源，提高训练效率。加密技术则可以保护敏感信息，避免数据泄露。通过安全多方计算技术，在不泄露任何一方敏感信息的情况下，共同计算出资源分配方案，保障了数据安全和用户隐私。安全多方计算技术可以使多个参与方共同计算一个函数，而无需共享各自的私有数据，从而保障了数据隐私。利用强化学习技术，根据实时环境状态进行动态调整，提高了资源分配的灵活性和效率。强化学习模型可以根据环境状态和奖励函数，不断学习和优化调度策略，最终找到一个能够最大化系统收益的调度策略。通过流量分析和路由优化，实现了卫星网络的负载均衡路由，提高了数据传输效率和网络稳定性。通过分析网络流量和拓扑结构，可以规划出最佳的数据传输路径，并根据实时网络状态进行动态调整，以实现负载均衡，提高数据传输效率和网络稳定性。因此，本发明提供了一种卫星网络的负载均衡路由方法和系统，通过卫星状态感知、任务需求预测、分布式资源优化、强化学习资源调度、隐私保护机制等方法，提高了多卫星系统的能效、实现云边协同环境中的任务负载均衡与协调，以及保障空天地一体化网络中的隐私安全。

10、优选地，步骤s1进一步包括：

11、步骤s11：通过卫星传感器网络对卫星节点进行卫星运行状态采集，得到卫星原始状态数据；

12、步骤s12：对卫星原始状态数据进行边缘预处理，得到卫星预处理状态数据；

13、步骤s13：对卫星预处理状态数据进行状态特征提取，得到卫星状态特征数据；

14、步骤s14：对卫星状态特征数据进行状态特征聚合，得到卫星网络状态数据集。

15、本发明通过卫星传感器网络获取卫星节点的实时运行状态，为后续的网络状态感知和资源调度提供了基础数据。它能够全面、及时地收集卫星节点的各种运行参数。通过对原始数据进行去噪、压缩、格式转换等操作，可以减少数据冗余，提高数据传输效率，并为后续特征提取和聚合提供更简洁、更有效的预处理数据。边缘预处理的优势在于，它可以将部分数据处理工作放在卫星节点附近完成，减少了数据传输到地面中心的数据量，提高了系统效率。通过特征提取算法，从预处理数据中提取出对卫星网络状态感知和资源调度更有效的特征信息。为后续的网络状态分析和资源优化提供更有效的信息。特征提取可以将原始数据转化为更易于理解和分析的特征，帮助系统更好地理解卫星网络的运行状态。通过对多个卫星节点的特征数据进行聚合，构建了完整的卫星网络状态数据集。该数据集能够反映整个卫星网络的运行状态，为后续的资源调度、任务分配、路由策略制定等决策提供全局性的信息支持。同时，通过聚合操作，可以减少数据维度，简化模型训练和分析过程，提高系统效率。状态特征聚合可以将各个卫星节点的信息整合到一起，形成一个整体的网络状态视图，为系统决策提供更全面的信息。

16、优选地，步骤s2进一步包括：

17、步骤s21：对通信参与节点进行任务历史数据多源收集，得到任务历史数据集；

18、步骤s22：根据任务历史数据集进行用户行为分析，得到用户行为分析数据集；

19、步骤s23：对任务历史数据集以及用户行为分析数据集进行需求趋势挖掘，得到任务需求趋势数据集；

20、步骤s24：利用预设的深度学习模型，以任务需求趋势数据集作为训练数据，进行需求预测模型训练，得到任务需求预测模型；

21、步骤s25：获取实时卫星网络状态数据，利用任务需求预测模型以及实时卫星网络状态数据进行任务需求预测，得到任务需求预测数据集。

22、本发明通过积累了通信参与节点的任务历史数据，为后续的任务需求预测提供了基础素材。通过收集来自不同来源的任务历史数据，例如用户提交的任务记录、历史任务执行数据、任务类型和参数等，可以构建一个全面、丰富的任务历史数据集，为深入分析用户行为和预测未来任务需求奠定基础。通过分析任务历史数据，可以识别出用户的行为习惯和任务需求变化趋势，为后续的任务需求预测提供更精准的指导。通过分析任务历史数据和用户行为模式，可以识别出任务需求的季节性变化、周期性变化、突发性变化等趋势，为后续的任务需求预测模型提供训练数据。深度学习模型能够学习到数据中的复杂关系和非线性模式，为更准确地预测未来任务需求提供强大的能力。通过结合实时卫星网络状态数据，例如卫星节点的可用资源、通信链路状况等，可以更准确地预测未来任务需求，提高预测结果的可靠性。

23、优选地，步骤s3进一步包括：

24、步骤s31：利用预设的资源优化模型结构根据卫星网络状态数据集以及任务需求预测数据集进行模型参数初始化，得到初始资源优化模型；

25、步骤s32：根据卫星原始状态数据进行卫星节点性能分析，得到节点计算能力数据以及节点数据存储能力数据；将初始资源优化模型分发至每个卫星节点，根据节点计算能力数据以及节点数据存储能力数据进行模型参数划分，得到分布式模型参数；

26、步骤s33：根据分布式模型参数对卫星节点进行本地模型训练，得到本地加密模型参数；根据本地加密模型参数进行全局模型聚合，得到全局训练模型；

27、步骤s34：对全局训练模型进行全局模型评估，得到全局模型评估数据；利用全局模型评估数据对全局训练模型进行模型参数调整，得到分布式资源优化模型。

28、本发明通过根据卫星网络状态数据集和任务需求预测数据集，可以对模型参数进行初始化，使其能够更好地适应卫星网络的特定环境和任务需求，提高模型训练的效率和准确性。通过对卫星节点的性能分析，可以获得节点的计算能力和数据存储能力等信息，并将初始资源优化模型分发到各个节点，并根据节点的能力进行模型参数划分，使得每个节点能够根据自身的能力进行模型训练，提高了整体训练效率。每个卫星节点根据自身的模型参数进行本地训练，并对训练结果进行加密，然后将加密的模型参数上传到中央服务器，进行全局模型聚合，最终得到全局训练模型。这种分布式训练方法可以充分利用各个节点的计算资源，提高模型训练效率，而加密技术则可以保证数据隐私，避免敏感信息泄露。通过评估模型的性能，可以分析模型的优缺点，并根据评估结果对模型进行调整，例如调整模型参数、优化模型结构等，最终得到一个能够有效优化资源分配的模型，提高资源利用率和系统效率。

29、优选地，步骤s33进一步包括：

30、步骤s331：对卫星节点进行本地数据预处理，得到本地数据预处理数据；根据本地数据预处理数据以及分布式模型参数进行本地模型训练，得到本地初始模型；

31、步骤s332：对本地初始模型进行本地模型压缩，得到本地压缩模型；对本地压缩模型进行本地模型加密，得到本地加密模型参数；

32、步骤s333：将本地加密模型参数传输至中央服务器，利用预设的模型密钥对本地加密模型参数进行本地模型解密，得到本地模型解密数据；

33、步骤s334：对本地模型解密数据进行联邦学习模型聚合，得到模型聚合数据；利用预设的模型聚合策略以及模型聚合数据进行全局模型参数更新，得到全局模型聚合数据；对全局模型聚合数据进行全局模型加密，得到全局训练模型。

34、本发明通过每个卫星节点根据自身接收到的本地数据进行本地预处理，然后利用预处理后的数据和分发给自己的模型参数进行本地模型训练，得到一个初步的本地初始模型。这种分布式训练方式可以充分利用各个节点的计算资源，提高训练速度。对本地初始模型进行压缩可以减少数据传输量，提高传输效率。对压缩后的模型进行加密，避免模型被窃取或篡改。中央服务器拥有预设的模型密钥，可以对加密的模型参数进行解密，得到原始的模型参数，为后续的模型聚合提供必要的数据。通过将各个节点的模型参数进行聚合，可以得到一个更强大的全局模型，同时也能保护数据隐私。

35、优选地，步骤s4进一步包括：

36、步骤s41：对任务需求预测数据集进行敏感信息识别，得到任务敏感信息数据；

37、步骤s42：利用预设的隐私预算数据对任务敏感信息数据进行噪声添加并进行噪声控制，得到任务需求噪音数据；

38、步骤s43：对任务需求噪音数据进行加密，得到加密任务需求信息数据；

39、步骤s44：将加密任务需求信息数据以及分布式资源优化模型传输至通信参与节点，进行协议初始化，得到协议初始化数据；

40、步骤s45：根据协议初始化数据、加密任务需求信息数据以及分布式资源优化模型进行安全多方加密联合计算，得到资源分配加密方案；

41、步骤s46：对资源分配加密方案进行方案解密并进行隐私保护评估，得到任务分配方案。

42、本发明通过识别敏感信息，例如用户的个人信息、任务内容、任务优先级等，可以针对性地采取隐私保护措施，防止敏感信息泄露。通过添加噪声，可以将敏感信息隐藏在噪声数据中，使得攻击者难以直接获取敏感信息。隐私预算数据可以控制噪声的添加程度，平衡隐私保护和数据可用性之间的关系。加密技术可以将数据转换成不可读的密文，只有拥有解密密钥的人才能解密数据，从而保障数据安全。将加密后的数据传输到通信参与节点，可以防止敏感信息在传输过程中被泄露。协议初始化可以确保各参与节点之间达成一致的计算协议，为后续的安全多方计算提供保障。安全多方计算可以使多个参与方共同计算一个函数，而无需共享各自的私有数据，从而保障了数据隐私。解密过程需要使用预设的密钥，确保只有授权方才能解密方案。隐私保护评估可以分析方案的安全性，评估敏感信息的泄露风险，确保方案的安全性。

43、优选地，步骤s5进一步包括：

44、步骤s51：根据卫星网络状态数据集、任务需求预测数据集以及任务分配方案进行卫星网络环境状态感知，得到环境状态数据；

45、步骤s52：利用强化学习技术以及环境状态数据进行状态空间定义，得到状态空间数据；利用强化学习技术以及环境状态数据进行动作空间定义，得到动作空间数据；利用强化学习技术以及环境状态数据进行奖励函数设计，得到奖励函数数据；

46、步骤s53：获取历史调度策略数据；根据环境状态数据以及历史调度策略数据进行节点负载计算，得到任务负载数据；

47、步骤s54：利用自适应权重调度优化算法根据任务负载数据以及任务需求预测数据集进行自适应资源调度权重计算，得到自适应权重调度数据；

48、步骤s55：根据自适应权重调度数据、状态空间数据、动作空间数据以及奖励函数数据进行调度策略学习，得到资源调度策略；

49、步骤s56：根据资源调度策略对卫星节点进行资源分配，得到资源分配方案；根据资源分配方案进行任务执行并进行执行过程监控，得到执行过程监控数据；

50、步骤s57：根据执行过程监控数据对资源分配方案进行调度优化，得到空中计算资源调度方案。

51、本发明通过整合多个数据集，可以更全面地了解卫星网络的当前状态，例如卫星节点的可用资源、通信链路状况等，为制定更有效的资源调度策略提供支撑。通过状态空间定义，可以将环境状态数据转化为强化学习模型可以识别的状态信息。通过动作空间定义，可以将可采取的资源调度动作转化为模型可以选择的动作。通过奖励函数设计，可以将不同的调度结果转化为模型可以理解的奖励值，引导模型学习到最佳的调度策略。通过分析历史调度策略数据，可以了解不同调度策略的优缺点，为当前调度策略的制定提供参考。根据环境状态数据和历史调度策略数据，可以计算出各个节点的负载情况，为自适应权重调度提供更精准的信息。构造的自适应权重调度算法可以根据节点的负载情况和任务需求的变化，动态调整各个节点的调度权重，将任务分配到负载较轻、资源充足的节点，提高资源利用率和系统效率。利用强化学习技术，根据自适应权重调度数据、状态空间数据、动作空间数据和奖励函数数据，训练出一个能够根据环境状态进行最佳资源调度的模型。根据训练好的调度策略，可以将任务分配到合适的节点，提高任务执行效率。执行过程监控可以收集任务执行过程中产生的数据，例如任务执行时间、资源使用情况等，为后续的调度优化提供参考。通过分析执行过程监控数据，可以识别出调度策略的不足，并针对性地进行调整，例如调整节点权重、优化任务分配策略等，最终得到一个更有效的空中计算资源调度方案。

52、优选地，步骤s54中的自适应权重调度优化算法如下所示：

53、；

54、式中，表示第个卫星节点的自适应权重，表示第个卫星节点的任务负载，表示求和变量，表示卫星节点总数，表示卫星节点索引值，表示第个卫星节点的任务优先级，表示第个卫星节点的任务需求预测值，表示时间变化的角度参数，表示第个卫星节点的资源利用率，表示奖励函数，表示调度权重调整因子，表示奖励函数参数。

55、本发明构造了一种自适应权重调度优化算法，式中为该公式的核心目标，是计算每个卫星节点的权重，用于在资源调度时决定将任务分配到哪个节点。权重越高，该节点越有可能被分配到任务。反映了节点当前的负载情况，负载越低，权重越高。当一个节点的负载较低时，它有更多资源可以处理新的任务，因此分配给它的权重应该更高。，该部分反映了任务的优先级。当任务优先级越高时，该部分的值越大，权重也越高，这表示优先级高的任务更应该被分配到资源充足的节点。反映了节点对未来任务需求的预测，当节点预估未来需求较低时，该部分的值越大，权重也越高，这表示预估需求低的节点有更多资源可以处理新的任务。考虑了时间变化的影响，例如，在某些时间段，任务需求会增加，这时可以适当提高节点权重，以应对更高的需求。反映了节点的资源利用率，当节点的资源利用率较高时，该部分的值越大，权重也越高，这表示资源利用率高的节点更应该被分配到任务，以充分利用资源。反映了奖励函数的影响，奖励函数可以根据不同的调度目标进行设计，例如，可以奖励将任务分配到负载低的节点，或者奖励将任务分配到资源利用率高的节点，和是调整因子，可以根据具体情况进行调整，以平衡不同目标之间的权重。该公式综合考虑了任务负载、任务优先级、任务需求预测、时间变化、资源利用率和奖励函数等因素，通过计算每个节点的权重，实现了自适应的资源调度，能够根据不同的情况动态调整资源分配策略，提高资源利用率和系统效率。

56、优选地，步骤s6进一步包括：

57、步骤s61：根据卫星网络状态数据集以及空中计算资源调度方案进行卫星网络拓扑感知，得到卫星网络拓扑数据；

58、步骤s62：利用任务分配方案以及空中计算资源调度方案进行网络流量预测，得到流量预测数据；

59、步骤s63：根据卫星网络拓扑数据以及流量预测数据进行路由策略学习，得到路由策略学习数据；对路由策略学习数据进行路由评估指标计算，得到路由策略数据；

60、步骤s64：根据路由策略数据进行数据包路径规划，得到最佳路由路径数据；根据最佳路由路径数据以及卫星网络状态数据集进行路径调整，得到负载均衡路由初始方案；

61、步骤s65：根据负载均衡路由初始方案进行数据传输并进行网络状态监控，得到网络状态监控数据；利用网络状态监控数据对负载均衡路由初始方案进行路由优化，得到负载均衡路由方案，以实现卫星网络的负载均衡路由作业。

62、本发明通过整合卫星网络状态数据集和空中计算资源调度方案，可以得到卫星节点之间的连接关系、链路带宽、节点计算能力等信息，从而构建出卫星网络的拓扑结构，为后续的路由策略制定提供必要的信息。根据任务分配方案和空中计算资源调度方案，可以预测出不同时间段、不同节点之间的流量变化，为后续的路由策略制定提供参考。通过结合卫星网络拓扑数据和流量预测数据，可以训练出能够根据网络状态和流量变化动态调整路由策略的模型。路由评估指标可以评估不同路由策略的性能，例如延迟、丢包率、吞吐量等，帮助选择最优的路由策略。根据路由策略数据，可以规划出数据包从源节点到目标节点的最佳传输路径，并根据实时网络状态，例如链路带宽、节点负载等，动态调整路径，以实现负载均衡。通过实际的数据传输和网络状态监控，可以收集到更精准的网络状态信息，例如实际链路带宽、节点负载等，并根据这些信息不断优化路由方案，最终实现卫星网络的负载均衡路由，提高数据传输效率和网络稳定性。

63、本发明还提供了一种卫星网络的负载均衡路由系统，所述系统包括：

64、卫星网络状态感知模块，用于通过卫星传感器网络对卫星节点进行卫星运行状态采集，得到卫星原始状态数据；对卫星原始状态数据进行网络状态感知，得到卫星网络状态数据集；

65、任务需求预测模块，用于对通信参与节点进行任务需求挖掘，得到任务需求趋势数据集；根据预设的深度学习模型以及任务需求趋势数据集进行任务需求预测建模并进行任务需求预测，得到任务需求预测数据集；

66、联邦学习协同优化模块，用于根据卫星网络状态数据集以及任务需求预测数据集进行模型初始化并进行模型分发，得到分布式模型参数；根据分布式模型参数对卫星节点进行本地模型训练，得到本地加密模型参数；根据本地加密模型参数进行全局模型聚合，得到全局训练模型；对全局训练模型进行模型评估，得到分布式资源优化模型；

67、隐私保护任务卸载模块，用于对任务需求预测数据集进行任务需求加密，得到加密任务需求信息数据；根据加密任务需求信息数据以及分布式资源优化模型进行安全多方计算处理并进行隐私保护评估，得到任务分配方案；

68、空中计算资源调度模块，用于根据卫星网络状态数据集、任务需求预测数据集以及任务分配方案进行卫星网络环境状态感知，得到环境状态数据；利用强化学习技术以及环境状态数据进行资源调度学习，得到资源调度策略；根据资源调度策略对卫星节点进行空中计算资源调度，得到空中计算资源调度方案；

69、负载均衡路由模块，用于根据卫星网络状态数据集、任务分配方案以及空中计算资源调度方案进行路由策略流量分析，得到路由策略数据；根据路由策略数据进行负载均衡调整，得到负载均衡路由方案，以实现卫星网络的负载均衡路由作业。

70、本发明通过实时获取卫星节点的运行状态，构建了准确的卫星网络状态模型，为后续的资源调度、任务分配和路由策略制定提供了基础数据。通过分析历史任务数据和用户行为，预测了未来任务需求，为资源调度和负载均衡提供了关键信息。通过分析历史数据，可以识别出任务需求的趋势变化，并利用深度学习模型进行预测，提高了预测的准确性和效率。通过分布式训练和加密技术，提高了资源优化模型的训练效率，并保护了数据隐私。通过将模型训练分布到各个节点，可以充分利用计算资源，提高训练效率。加密技术则可以保护敏感信息，避免数据泄露。通过安全多方计算技术，在不泄露任何一方敏感信息的情况下，共同计算出资源分配方案，保障了数据安全和用户隐私。安全多方计算技术可以使多个参与方共同计算一个函数，而无需共享各自的私有数据，从而保障了数据隐私。利用强化学习技术，根据实时环境状态进行动态调整，提高了资源分配的灵活性和效率。强化学习模型可以根据环境状态和奖励函数，不断学习和优化调度策略，最终找到一个能够最大化系统收益的调度策略。通过流量分析和路由优化，实现了卫星网络的负载均衡路由，提高了数据传输效率和网络稳定性。通过分析网络流量和拓扑结构，可以规划出最佳的数据传输路径，并根据实时网络状态进行动态调整，以实现负载均衡，提高数据传输效率和网络稳定性。因此，本发明提供的一种卫星网络的负载均衡路由方法和系统，通过卫星状态感知、任务需求预测、分布式资源优化、强化学习资源调度、隐私保护机制等技术，提高了多卫星系统的能效，实现云边协同环境中的任务负载均衡与协调，以及保障空天地一体化网络中的隐私安全。