面向智能星群的星联网研究——应用、方法及挑战

范广腾 ,  吴鹏 ,  杨萌琪 ,  王建 ,  冉德超 ,  戴金晟 ,  张艺檬 ,  曹璐 ,  许文俊 ,  张平

工程（英文） ›› 2025, Vol. 54 ›› Issue (11) : 167 -183.

PDF (3984KB)
工程（英文） ›› 2025, Vol. 54 ›› Issue (11) : 167 -183. DOI: 10.1016/j.eng.2025.08.024
Research

面向智能星群的星联网研究——应用、方法及挑战

作者信息 +

Internet of Satellites (IoS) for Intelligent Satellite Cluster: Applications, Methods, and Challenges

Author information +
文章历史 +
PDF (4079K)

摘要

随着人工智能、云计算等新兴技术的渗透赋能，卫星系统正朝着人在环路外的高度集成化、自主化、智能化方向快速发展。然而，在有限的星载感知、计算、存储、能源等资源下，单体卫星能够达到的智能化水平显著受限。同时，针对智能卫星的现有研究大多聚焦于卫星智能化或卫星组网的单一维度，对网联化智能星群的系统性研究仍显不足。为此，本文首先提出了智能星群系统的概念，该系统依托卫星组网实现多星协同智能，增强系统整体智能化水平。在此基础上，本文分析总结了智能星群系统的典型用例，并分析了这些典型用例对卫星组网提出的要求。针对上述需求，本文进一步提出面向智能星群系统的星联网（Internet of satellites, IoS）概念，相应设计了星联网的逻辑架构与物理架构，阐述了其关键支撑技术。最后，本文介绍作者团队在关键技术研究上已取得的研究进展与代表性成果，讨论了后续研究所面临的困难与挑战。本文通过从系统的角度研究智能星群与面向该系统的星联网，旨在加快形成智能网联卫星技术的共识，推动相关技术的创新发展与标准化建设，提升未来大规模卫星系统的智能服务能力。

Abstract

The integration of emerging technologies such as artificial intelligence and cloud computing is accelerating the development of intelligent and autonomous satellite systems. However, limitations in onboard sensing, computing, storage, and energy resources continue to constrain the intelligent functionalities of individual satellites. Currently, most studies focus on either satellite intelligence or satellite networking, while systematic studies on their integration remain scarce. To address this gap, this paper introduces the concept of an intelligent satellite cluster system, which leverages satellite networks to enable collaborative intelligence among satellites, thereby enhancing the overall system intelligence. After summarizing the typical use cases of the intelligent satellite cluster system, we analyze the corresponding demands on network capabilities. Based on these demands, we propose the concept of the Internet of satellites (IoS) tailored to support the intelligent satellite cluster system. Specifically, we design both the logical and physical architectures of IoS and elaborate on its key enabling technologies. Finally, we present the research progress and outcomes achieved by our team on these core technologies, and discuss the challenges that remain. This paper aims to build consensus around intelligent and connected satellite technologies, promote innovation and standardization, and enhance the intelligent service capabilities of future large-scale satellite systems.

Graphical abstract

关键词

智能星群 / 星联网（Internet of satellites, IoS） / 空间边缘计算 / 卫星语义通信

Key words

Intelligent satellite cluster / Internet of satellites (IoS) / Space edge computing / Satellite semantic communication

引用本文

引用格式 ▾
范广腾,吴鹏,杨萌琪,王建,冉德超,戴金晟,张艺檬,曹璐,许文俊,张平. 面向智能星群的星联网研究——应用、方法及挑战[J]. 工程（英文）, 2025, 54(11): 167-183 DOI:10.1016/j.eng.2025.08.024

登录浏览全文

4963

注册一个新账户 忘记密码

1 引言

1957年，人类发射了第一颗人造卫星斯普特尼克1号，首次实现了从太空对地球外层空间的环境探测，标志着人类进入了太空时代。斯普特尼克1号的成功激发了全球范围对卫星系统的强烈关注，在随后的几十年里，卫星系统迅速从最初的科学探索工具演变为具有通信、定位、导航、气象监测、军事等广泛用途的天基平台[1]。

近年来，随着航天、通信、集成电路等技术的不断发展成熟，卫星系统的持续演进呈现出两个主要方向，分别是网联化卫星系统和智能化卫星系统[2‒3]。一方面，在一箭多星、火箭回收等颠覆性创新技术的使能下，人类能够快速大量部署具有低时延和低成本优势的低轨卫星集群，通过卫星的网联化为全球提供高速、低时延的互联网服务。截至2025年8月，Starlink项目已成功发射超过7800余颗低轨卫星，并计划于2026年上半年开始部署第三代卫星[4]。与此同时，中国卫星网络集团有限公司也公布了相当规模的“国网”星座计划，该星座由12 992颗卫星构成，旨在面向全球提供卫星宽带通信与物联网接入服务。此外，目前尚有诸多网联化卫星项目处于规划或测试阶段，如美国亚马逊公司的柯伊伯计划以及加拿大电信卫星公司的光速星座。

另一方面，随着人工智能（artificial intelligence, AI）技术的快速阶跃式发展，该项技术在语音处理、图像识别、高效决策等领域的优势日益彰显。针对卫星系统，AI的技术优势能够显著增强系统在无线信道建模[5]、网络资源管理[6‒7]、覆盖与容量优化[8‒9]、流量预测[10]及电离层闪烁检测[11]等多方面的性能。在项目实例方面，美国于2018年启动了黑杰克计划，该项目采用AI赋能的Pit Boss控制系统进行星间数据管理和在轨资源调度等任务级自主操作[12]。此外，北京邮电大学发起的天算星座计划已在轨部署了由6颗低轨卫星组成的一体化空天计算试验开放平台，能够同时调用边缘和中心云的资源实现多任务智能处理[13]。同时，中国科学院软件研究所主导的“天智一号”“天智二号”卫星项目构建了用于测试星上智能与自动化技术的在轨实验平台。中国科学院的软件定义卫星项目通过集成软件定义无线电、载荷及数据处理系统，使卫星能够根据任务需求动态调整功能与性能[14]。

尽管世界范围内已经在上述两个系统发展路线上取得了重要突破，然而现有发展路线仍然具有以下显著限制。一方面，网联化卫星系统主要是利用大量互联卫星来提供天基接入和数据通道，其系统控制、服务推送、数据处理仍然依赖系统地面设施。这使得星地馈电链路方面的设施建设、频带资源、通信时延等成为系统发展的显著瓶颈[15‒16]。另一方面，智能化卫星系统目前仍局限于特定应用的智能化阶段，仅在单星或特定小型星座内部运作。在这种单星存算资源有限、系统信息与功能孤立的环境下，系统的智能化深度和多任务扩展性受到显著限制[17‒18]。

1.1 下一代智能星群系统

在全球推进数字鸿沟弥合、互联网普惠接入的进程中，网络业务越发呈现出超大数据规模、瞬态高频和应用场景多元的特征。这些业务特征将驱动更超现有规模的卫星节点部署，需要卫星系统实现更深层次、更全面的智能化水平，适应复杂多元的业务需求，完成非人力所能及的大规模系统智能化运营管理。因此，可以预见的是，卫星系统将不能满足于网联化或智能化方向的独立演进，需要将网联与智能深度融合，利用网联促进个体智能向系统智能的深化，利用智能实现大规模卫星节点的高效协同与管理。

在上述卫星系统的发展趋势和需求下，本文提出下一代智能星群系统的概念。下一代智能星群系统是一个高度集成的天基智能化系统，涵盖了星载传感、控制、决策和能源管理等子系统。该系统结合了现代移动通信和人工智能技术，支持星间和星地的无缝连接，具备网元协同的环境感知、自主学习和智能化决策等能力，能够实现系统的在轨自主运行、智能化管理与任务跨域协同，从而高效适配未来多样化业务与应用场景。

为更清晰地阐明智能星群系统的概念，我们将其与传统卫星系统及地面人工智能集群进行对比，凸显这些系统间的核心差异。一方面，传统卫星系统高度依赖地面站和集中式计算的基础设施来实现网络管理与服务提供。然而，此类地面设施的部署常受自然环境与地缘政治因素的制约，导致卫星（特别是低轨卫星）与地面站间的通信窗口受限，进而影响服务连续性，制约管理响应的时效性。此外，受星地馈电链路容量的限制，依赖地面站的系统工作模式还会引发较高的传输时延与受限的网络吞吐量。相比之下，具备星上感知、推理、缓存及星间协同能力的智能卫星集群系统能够实现在轨自主运行，从而克服传统卫星集群的诸多固有局限。

另一方面，与无人机、智能机器人等新兴的地面智能集群系统相比，智能星群系统同样具备环境感知、自主决策与节点协同等核心能力。然而，地面智能集群通常针对有限地理范围内的特定任务进行设计，如森林监测、智能工厂等。这类系统难以适应广域或跨域任务需求，尤其在极地、荒漠、远海等网络基础设施匮乏的区域，这些系统的服务能力更为局限。相比之下，智能星群系统凭借其广域覆盖能力、远距离星间连接及多轨道分层管理架构，可支撑全球范围的服务与跨域任务协同，具备系统性的广域通信与管控优势。

如图1所示，从系统业务角度，智能星群系统将能够支持热点目标高精度实时观测、超高可靠远程接入及控制、突发事件应急连接建立，以及重大任务持续稳定保障四个典型用例。这些典型用例对应的一系列网络性能指标汇总于表1，其中，响应时延、响应速率与服务可靠性指标的建议参考了目前国际电信联盟无线电通信部门（International Telecommunication Union Radiocommunication Sector, ITU-R）、第三代合作伙伴计划（the 3rd Generation Partnership Project, 3GPP）及中国信息通信科技集团发布的标准或报告[19‒23]；持续服务时间与服务建立时间则为本文首次提出，旨在体现与服务持续性及重构速度相关的网络能力需求。具体内容如下。

• 热点目标高精度实时观测：智能星群系统能够对军事侦察、环境监测等领域的特定目标实现高精度实时探测、识别、跟踪与成像。该类应用需要系统具备充足的在轨数据处理能力，达到1000 Mbps以上的系统响应速率。系统响应速率定义为任务总数据量与响应时延之比，用于衡量系统处理用户请求并高效返回结果的能力。

• 超高可靠远程接入及控制：智能星群系统能够为智能工业、智慧交通、远程辅助医疗等应用提供稳定的节点接入和远程控制服务。这类应用不仅具有极高的时延敏感性（系统响应时延应不高于0.01 s），同时也要求具备超高的传输可靠性（可靠性不低于99.999%）。

• 突发事件应急连接建立：在山洪、地震等自然灾害或军事事件突发时，智能星群系统能够迅速在应急区域建立稳定的卫星网络覆盖，为灾情持续监控、救援实施等提供通信和数据服务。该应用要求系统能够针对随机突发的网络接入和服务需求进行快速响应，其服务建立时间应不大于10 min；

• 重大任务持续稳定保障：面向环境监测、科学探测、军事监控等领域的长期重大任务，智能星群系统应能够适应任务目标和卫星节点本身的高移动性，实现针对任务更新、网络状态变化、节点故障等情况下的实时调整，为重大任务提供24 h连续不间断的稳定服务保障。

1.2 面向智能星群系统的卫星组网

从上述分析中可以看出，相较于传统的通信、导航、遥感用例，智能星群系统的典型用例具有更加严格、多样的性能指标。这些指标不仅要求卫星在组网时能支持更广泛的覆盖范围和更大的传输带宽，同时也需实现以下新型的网络核心功能。

• 全域资源统筹：卫星网络需要能够整合多轨道卫星星座、地面网络等异构系统的功能与资源。例如，在突发自然灾害等事件中，网络应统筹天基与地面系统的通信、雷达及光学观测等基础设施，同时优先保障用于受灾区域的频谱与计算资源，建立稳定的应急服务体系。

• 按需弹性组网：卫星网络需利用卫星的高动态特性，根据实时任务需求动态调整节点角色、重构网络拓扑，并优化路由策略。例如，在远程医疗场景中，网络能够通过切换星间激光链路与重构网络拓扑形成最优的低时延数据通路，同时选取视距稳定、链路条件可靠的卫星作为接入节点，确保服务可靠性。

• 在轨协同存算：在卫星节点部署存算能力，降低卫星系统对地面服务、运控的依赖程度，是提高卫星系统响应速率、降低服务时延的关键。由于单体卫星资源受限，星间智能协同将是增强天基平台存算能力的关键手段。例如，在军事侦察任务中，多星可协同开展在轨数据融合与目标识别，显著提升任务响应速度。

• 自主智能管控：卫星网络需具备在无地面干预条件下，自主实施任务管理、网络配置优化及自适应升级扩展的能力，这对缩短系统决策链，维持稳定可靠的在轨服务至关重要。例如，在重大任务持续进行中，若因日凌效应或卫星故障导致星间链路中断，网络应能自动检测故障并更新路由，保障业务的连续稳定。

现有的卫星组网大多处于各卫星网络间、卫星与地面网络间的异构分离状态，且通常依赖静态或预配置拓扑。这种结构硬化限制了其动态资源共享与按需组网能力。同时，现有静态分离的网络架构也限制了卫星对海量数据的在轨收集、共享与协同分析处理能力，使得网络的核心服务、管控能力依然依赖地面云中心、卫星地面站的集中处理，无法形成智能星群系统所需的在轨自主智能服务与管控。这些局限性将成为未来智能星群系统实现与发展的重要限制因素。

为解决上述问题，本文后续内容将重点聚焦面向智能星群系统的卫星组网，其主要内容和贡献概括如下。

• 首先，本文提出了星联网概念，这一网络旨在对未来海量部署的卫星节点实现智能网联化，在多轨道、多层次网元跨域协同的使能下实现卫星的在轨智能服务与自主管控。

• 基于上述概念及研究目标，本文分别提出星联网的逻辑架构与物理架构，明确系统功能组织与工程部署方案。在所提架构中，卫星智能化与卫星组网是相互联系、互为增强的两个设计维度，其中，智能化赋予网络自主决策与自适应优化能力，组网则支撑了星间协同与资源共享，反过来提高网络的智能化水平。这种双向赋能机制是所提架构的底层基石。

• 此后，本文阐述了星联网所需采用的部分关键技术，并分析了技术实现与演进过程中需要解决的关键问题。在此基础上，本文详细介绍了作者团队在关键技术方面已经取得的研究进展与实验结果。

• 最后，本文就星联网未来研究中可能面临的困难和挑战进行了分析和论述。通过上述研究和讨论，本文旨在为智能星群系统的发展提供理论基础和技术支持，加速形成智能网联卫星技术的共识，促进学术创新与产业标准化，最终提升未来卫星系统的在轨服务能力。

2 星联网的概念及架构

本节首先给出星联网的定义，对比分析星联网与现有卫星组网的主要区别。此后，本节将介绍所提出的星联网架构，包括网络的逻辑架构和物理架构。

2.1 星联网的概念

本文提出的星联网定义如下：星联网由无缝融合的星内网、星际综合网、星地移动互联网所组成，是涵盖了传统设备内网、接入网、承载网、核心网功能的综合网络。在网络虚拟化、空间边缘计算、卫星语义通信、智能路由等一系列先进技术的使能下，星联网通过在传统卫星网络架构上增设智能面与感知面，构建起网元自主协同的感知、通信、管理、服务体系，并通过大量部署的智能体为上述网络功能提供实现载体。在这一网络框架下，星联网能够满足智能星群系统所需的全域资源统筹、按需弹性组网、在轨协同存算、自主智能管控四项关键网络能力，为智能星群系统的未来实现与发展提供重要支撑。

为了使所定义的星联网概念更加清晰，表2列出了面向智能星群系统的星联网与传统卫星网络的对比结果。如表2所示，卫星网络的发展可以分为三个阶段，分别是独立卫星阶段、多星互联阶段以及星联网阶段，每个阶段在组网方式、主要网络功能、通信方式以及智能化水平等方面具有显著差异。在三个阶段的演进过程中，卫星网络从单星的独立任务执行发展为星座级的互联协作，最后再到全面智能化、分布式协同的智能网联化卫星网络。通过对比三个阶段的不同特点可以看出，卫星网络正在从静态、预设的工作模式，逐步发展为动态、智能化的网络体系，为未来多样化复杂业务提供支撑。为更加直观地呈现上述演进路径，图2展示了卫星网络在各发展阶段的形态变迁，并着重呈现了AI技术在实现系统自主管控、网络韧性以及智能业务协同方面的使能作用。

2.2 星联网逻辑架构

在上述星联网定义的基础上，本节提出星联网逻辑架构，明确星联网主要功能的实现逻辑和组织方式。为了增强所提星联网架构的工程可实现性、降低实现成本和缩短实现周期，架构设计采用了对现有架构进行升级扩展的方案。如图3所示，所提逻辑架构在传统卫星网络架构基础上增设了智能面和感知面，其中，智能面为网络各层提供智能化赋能作用，使网络具备资源整合、全局优化、自主管控等关键能力。感知面则通过深度监测网络状态，为网络自主决策提供实时数据支撑，与智能面配合形成感知、决策、执行的网络能力优化闭环。该架构的各组成部分与核心功能详述如下。

（1）传统卫星网络四层架构。尽管卫星网络目前没有通用的标准化网络架构，但是从卫星网络的工作方式可以将其架构归纳总结为如图3所示的四层，分别是基础设施及资源层、运控层、网络层，以及应用与服务层。

基础设施及资源层是网络的底层基础，包括各轨道卫星、地面设施以及物理资源（如能量、存储、计算和频谱资源）。运控层主要负责卫星网络的管理功能，传统卫星网络主要通过地面站指令上注的方式进行资源分配、任务调度和轨道姿态控制等一系列运控操作。网络层主要任务在于支持数据传输，包括网络接入、透明转发、处理转发以及星地数据交换等功能，负责保障网络节点间的互联互通与数据流转。应用与服务层则面向终端提供具体业务和服务，传统应用主要包括通信、遥感和导航。

（2）智能面。智能面是星联网的核心，它与传统卫星网络各层进行交互，通过网络虚拟化、网络智能管理、智能数据传输与智能服务的全面赋能，提升卫星网络整体的智能化水平。

在基础设施及资源层，智能面运用虚拟化技术实现物理资源与底层硬件的解耦，从而达成灵活高效的资源利用。智能面将计算节点、存储单元与通信带宽抽象为虚拟资源池，支持动态分配并按需融入网络切片。通过对天基与地面设施的统一虚拟化，智能面构建起跨域全局资源视图。这种跨域抽象机制为星地网络间的智能协同与资源共享奠定基础，进而为上层优化与自主服务提供支撑。

在运控层，智能面采用分级协同的管理机制，结合了网络中心的全局管控和在轨分布式区域实时管控。在地面云计算中心和卫星运控中心，智能面能够训练和运行大规模AI模型，通过分析网络状态、业务数据和管控数据实现长期的轨道推演、业务空时分布等的计算与预测。在此基础上，智能面制定全局资源调度、星上缓存更新、星地任务规划等长期网络优化策略，实现深度智能的网络宏观运控。另外，得益于高轨和中轨卫星的广域覆盖和相对稳定的星地、星间链路，中高轨卫星可以部署相对于低轨卫星更高算力的系统来支持卫星网络的在轨自主管控。中高轨卫星在网络长期策略指导下，对动态覆盖的低轨卫星执行区域控制，使天基平台能够根据实时卫星网络状态、具体的应用场景和业务请求，在实际服务提供节点、任务执行节点的本地或临近区域执行动态分组的拓扑管理、资源分配、会话管理、任务协同等网络运控操作。同时，区域管理向中心管理反馈各项网络运行数据，为中心训练更新管控模型、调整网络策略提供数据支持。上述智能面的分级协同机制能够提升系统在动态环境中的稳定性与响应效率。

在网络层，智能面通过软件定义网络（software-defined networking, SDN）技术实现数据交换的智能化管理。在传输与控制分离的基础上，SDN控制器依托智能化引擎驱动的软件编排能力，针对用户体验、网络容量、传输时延等多目标优化需求，执行路由选择、流量管理和负载均衡等策略调整。在此基础上，SDN控制器通过OpenFlow协议与网络交换设备直接通信，对网络状态信息进行实时采集，并通过下发流表规则调控路由路径。与此同时，SDN控制器能够结合gRPC框架，提供分布式节点间的高效通信和动态策略分发能力，用于实现星间协同优化，提升网络控制的灵活性和响应速度。此外，智能面的软件化编排功能使网络层具备跨域协议适配能力，能够在卫星和地面网络的多协议[如传输控制协议/网际协议（transmission control protocol/Internet protocal, TCP/IP）、空间通信协议等]之间进行识别和转换，确保星间通信、星地通信和终端通信的无缝衔接，满足跨域网络协作的复杂需求，支撑多样化场景下的高效数据交互。在数据交换方面，网络层在上层（应用与服务层）功能的支持下，除了实现传统的数据传输外，同时能够进行特征级、决策级的语义传输，有效降低传输带宽需求，提升数据的传输效率和实时性。

在应用与服务层，智能面提供了地面集中式服务和在轨智能服务两种支持方式，以满足不同的任务需求。地面服务包括大规模数据集中管理、推送、分析与预测，掌握网络全局语义库，能够通过对历史服务数据的深度分析进行趋势预测，提升网络的服务能力和智能化水平。在轨服务方面，每个卫星根据网络规划相应部署不同等级的数据采集、计算和存储单元，用于实现信号处理、用户业务运算、业务数据缓存等功能。由于卫星成本、空间、能源的限制，单体卫星只能具备有限的存算能力。因此，智能面采用星间协同的分布式存算架构。在内容和数据缓存方面，根据网络运控层下发的策略，地面数据中心定期向天基平台推送和更新热点、重点缓存内容，提高在轨缓存数据的服务命中率。同时，天基平台能够针对节点负载、星历、地区特性等信息，通过自主管控和星间链路进行缓存数据的共享和调整。在算力协同方面，卫星节点则可以采用分布式学习框架，利用模型分割技术实现星间的协同训练推理，也能够结合迁移学习的方法将训练收敛的模型进行共享。通过在轨分布式存算，智能面能够利用卫星的边缘存算能力实现在轨服务，解决数据回传带来的高延迟问题，满足需要快速响应的应用需求。此外，智能面的天基存算能力能够支撑在轨的语义提取与解析，支持卫星语义通信技术的部署，从而进一步提升服务的响应速率和服务体验。

（3）感知面。在传统网络中，感知功能通常在各层独立运行，仅采集局部状态信息。为支撑智能面的决策过程，实现闭环智能控制，星联网架构中的感知能力已演进为跨层、系统级的功能体系，提供网络状态的全局视野。感知面由以下四个核心能力定义。

首先，区别于被动或周期性感知，感知面支持事件驱动与任务感知的运作模式，能根据网络动态自主调整感知目标、优先级与采样策略。其次，通过多模态融合与跨节点协同，感知面整合图像、信号、文本等异构数据类型，突破单模态局部输入的局限，增强语义理解能力并拓展空间覆盖范围。再次，借助AI驱动的数据融合与抽象技术，感知面实现跨层统一建模，形成跨模态、跨时间尺度的网络一致性认知。最后，感知面实现从静态状态监测向态势感知预测与行为建模的跨越，为智能面提供可解释、富含上下文语义的输入信息。

（4）架构可扩展性讨论。为了支撑未来数千颗低轨卫星的大规模部署，同时保障网络的低时延与资源高效利用，网络可扩展性是星联网架构设计中的基础原则。

具体而言，在基础设施与资源层，网络虚拟化将异构的计算、存储、通信及能源资源抽象为统一资源池，从而实现网络新增节点与资源的灵活集成和编排。运控层采用分层协同管理机制，通过地面系统、地球静止轨道卫星与中轨卫星实现多级管控，在规避集中式管控瓶颈问题的同时支持按照区域的任务驱动型网络动态组建。在网络层，智能化的路由寻址、协议自适应与负载均衡用于提升大规模网络节点下的网络传输效率、兼容性与稳定性。同时，卫星语义通信则通过削减数据冗余显著提升大规模数据业务的链路使用效率。在应用与服务层，边缘计算与分布式存储用于支持在轨任务执行与热点内容缓存，有效缓解中心系统压力，保障低时延服务需求。

2.3 星联网物理架构

（1）网络整体构成。如图4所示，星联网的物理架构整体上由星内网、星际综合网和星地移动互联网构成。各子网的主要组成与功能如下所述。

首先，星内网用于支持卫星平台分系统及载荷间的通信，实现星内数据高速稳定交换，是整个卫星网络高效协同、智能互联的基础。星内网由星载计算机、电源分系统、测控分系统、姿轨控分系统、热控分系统、通信载荷、遥感载荷、导航载荷以及科学探测载荷等组成。各分系统、载荷间能够采用有线和无线两种方式通信。其中，有线通信可分为低速总线和高速总线。低速总线包括控制器局域网（controller area network, CAN）总线和MIL-STD-1553B总线。高速总线则一般采用点对点交换体制，如万兆以太网、Serial RapidIO和光纤。无线通信方式则常采用光通信、蓝牙、Wi-Fi等，能够增强系统灵活性并支持即插即用的在轨升级能力。

其次，星际综合网主要实现卫星间的数据交换，由各轨道层级卫星组成。其中，低轨卫星星座由于较短的星地通信距离和大规模部署，能够提供低延迟、高带宽的全球覆盖。中轨卫星星座常用于导航和通信，具有较大的覆盖区域，适合需要稳定链路的传输任务。高轨卫星星座则处于地球同步轨道，能够提供长期持续的广域覆盖。同轨道、异轨道卫星间通过激光或太赫兹建立高速、可靠的通信链路，从而支持星间数据转发、共享与任务协同。通过在卫星上部署智能体来实现智能面的各项功能，星际综合网同时具备信息回传、在轨处理、在轨服务、在轨交换等多种网络能力，形成天基平台承载网、核心网融合的综合星际网络。

最后，星地移动互联网是地面与卫星间进行交互、控制、接入以及实现集中管控和服务的关键网络。星地移动互联网按照实现功能可以进一步分为星地骨干网、网络运营中心以及融合接入网三个部分。

星地骨干网是网络数据交换的枢纽，通过卫星信关站、星地馈电链路、地面网关，以及地面光纤建立起各维度、各功能子网间的相互连接。具体地，卫星信关站通过C、X、Ku、Ka等频段与卫星建立馈电链路，实现遥感数据、通信数据的星地传输，并采用多站点、频点协同来确保馈电链路的持续性与可靠性。同时，卫星信关站和地面网关还执行网络层的智能协议转换、数据路由、负载均衡等，支撑网络间的数据共享、任务协同与网络互操作。

网络运营中心则是网络集中式存储、计算、管理、服务的核心，包含卫星控制中心，云存储、计算和安全中心。其中，云存储、计算和安全中心负责网络海量数据的汇聚存储与集中处理。同时，卫星控制中心在云中心提供的算力下，根据遥测、跟踪与指令站的实时监测数据进行网络的智能预测与宏观长期策略制定，完成网络的集中运控。

融合接入网则包括移动通信网络、无线局域网、车联网、物联网等诸多地面异构网络。融合接入网为终端提供卫星直连和地面连接两种终端接入方式，并能够根据物理环境、网络条件、业务需求的变化进行智能的动态切换。

（2）网络智能体及其部署。在网络整体构成的基础上，网络通过部署智能体来实现逻辑架构中智能面的各项具体功能。智能体是一类能够感知环境、接收外界信息输入，并针对特定功能和目标进行数据分析、智能决策、采取行动的自主单元。考虑星联网的主要功能需求，其物理架构中主要部署三类智能体，分别是服务智能体、传输智能体和运控智能体。

首先，服务智能体负责实现智能面在网络应用与服务层的功能，如大规模数据的处理、语义压缩与提取、业务预测、内容分发等，为终端提供智能化业务交付。在Weiss智能体分类中[24]，服务智能体属于逻辑型智能体，配置包括高性能中央处理器、图形处理器（graphics processing unit, GPU）及现场可编程门阵列（field-programmable gate arrays, FPGA）等加速处理器，支持多种大规模数据处理框架。服务智能体主要部署于地面云中心与各卫星节点。在地面云中心，服务智能体可采用Hadoop等集中式处理框架对海量数据进行批处理；而在卫星节点上，则部署Spark分布式框架与联邦学习模型，实现卫星之间的协同计算和数据共享。

其次，传输智能体主要负责实现智能面在网络层的功能。传输智能体集成了SDN控制器平台、低延迟网络接口和专用集成电路等硬件，在链路、流量的实时监测下执行AI驱动的数据分析与决策，能够支持跨协议自适应传输与动态路由调整，实现网络层功能的自适应优化。为了满足数据传输的低时延要求，服务智能体偏向属于反应型智能体[24]，适合采用较轻量化的AI算法提高智能体的处理效率。

由于卫星网络的拓扑具有高动态特性，传输智能体分为区域传输智能体和本地传输智能体进行部署。本地传输智能体主要部署在低轨卫星，通过发现协议与相邻卫星交换链路状态信息，实现本地和临近节点的分布式路径规划与路由管理。区域传输智能体则部署在移动性相对较低的中高轨卫星，它们具有更稳定的星间链路和对低轨卫星的监测覆盖。区域传输智能体能够根据轨道信息预测网络拓扑，进而在各自覆盖的动态区域间进行域间路由策略协调，从而支持远距离全网数据流的高效传输。

最后，运控智能体主要实现智能面在网络运控层的核心功能。根据需求，运控智能体配置不同性能的GPU或FPGA进行任务加速，集成传感器接口、监控芯片、高效数据存储处理模块，运行基于AI的资源调度和任务优化算法、安全监控平台及智能管理程序。依托这些配置，运控智能体能够实时监测网络状态、执行动态资源管理，并在各种网络条件下进行自适应调整。

运控智能体从实现方式上属于分层架构型智能体。地面运控中心部署的运控智能体为高级推理层，负责全网复杂的长期全局性管理，并向星联网的各个子网下发整体运控策略。高轨卫星和中轨卫星部署的运控智能体为中级规划层，结合全局策略和区域实时状态信息进行区域自主管控，如任务规划、移动性管理、会话管理等。低轨卫星部署的运控智能体为响应层，负责单星自主管理和临近星间的协同，如功率控制、空口策略等。这种分层部署方式使运控智能体能够在多重时空尺度上实现不同像素的网络管理操作，兼顾网络管理的深度智能化和敏捷智能化。

2.4 星联网与相关学术提案的比较

本节将所提的星联网架构与近期其他学术提案中的AI驱动卫星网络架构进行对比。对比涵盖三个典型的研究方向，即AI驱动的资源编排、语义通信及智能接入管理。对比结果在表3 [25‒27]中进行归纳。

通过对比可见，在架构设计层面，现有研究聚焦于增强某一特定方面的网络功能，如资源调度智能化、传输效率优化或接入灵活性提升。相较而言，本文基于未来卫星网络的能力需求，从系统化视角提出了完整的卫星网络架构。具体而言，星联网架构中的智能面通过智能技术与网联技术的融合，支持跨四层网络架构的资源整合、自主网络管理、传输优化及业务增强。此外，感知面为网络管理提供可推理的输入信息，通过与智能面构建“感知-推理-决策”的闭环形成系统化能力。最后，从系统实现的角度，本文设计了与逻辑架构相匹配的物理架构，而相关研究鲜少涉及该部分设计与规划。

另外，现有研究主要关注特定场景或单一性能指标。相比之下，星联网的应用场景设计契合卫星网络发展趋势与未来业务需求，并相应地提出了性能指标体系。这些设计共同构成了引导未来卫星组网系统性演进的基础框架。

3 星联网中的关键技术

在星联网逻辑架构与物理架构基础上，本节重点介绍星联网中的关键技术，包括空间边缘计算、卫星语义通信、智能路由和网络功能虚拟化。

3.1 空间边缘计算

卫星系统的传统地面数据处理方式面临传输时延高、链路带宽受限等局限，制约了卫星系统的服务效能。空间边缘计算通过支持在轨数据分析与处理，能够有效应对上述问题，为在轨的目标识别、信号处理及数据分发等功能的实现提供支撑。这一能力对应急通信、灾害响应等实时应用的实现至关重要。此外，空间边缘计算为系统智能化提供必需的计算资源，使卫星能够自主完成感知、分析、决策与任务执行。在分层管控框架下，中轨与静止轨道卫星利用边缘计算实现实时状态监控、动态策略优化与资源调配；低轨卫星则专注于通过星间协同计算处理实时任务，增强服务能力。目前，星间协同边缘计算尚处于开发与测试阶段，相关试验已在Blackjack [12]、ScyLight [28]及Kuiper [29]等项目中开展。学术界研究主要聚焦于架构优化[30‒31]、任务调度[32]、资源管理[33]、安全机制[34]，以及协同计算框架设计[35]等方向。

然而，在卫星网络中部署边缘计算仍然面临着多重挑战。首先，卫星的轨道运动导致其地理覆盖范围持续变化。当用户在不同卫星的覆盖区间移动时，需通过服务迁移维持无缝连接。该过程涉及复杂决策，需综合考虑卫星负载、星间与星地链路状态以及星上可用资源等因素。要实现高效可靠的服务迁移，需要采用动态优化算法与AI技术对这些变量进行协同管理。其次，由于单个边缘计算平台的计算资源受限，多节点协同的任务调度和处理对进一步提升网络服务质量至关重要。与部署于固定地域的地面边缘平台不同，卫星覆盖范围广且动态变化，集中式任务调度势必降低处理效率和资源利用率。因此，在智能星群中实施边缘计算需要设计去中心化的任务调度与决策，使得任务的调度和处理可以直接在服务节点上进行。

3.2 卫星语义通信

语义通信在星联网中的重要性体现在其能够显著提升数据传输效率和网络智能化水平。一方面，针对卫星节点资源受限的特性，语义通信能够通过语义提取的数据压缩方式显著减少数据传输总量，实现卫星网络资源利用效率的优化。例如，在传输遥感图像时，语义通信可以提取图像中的关键目标特性信息进行传递，而不需要传递整个图像，减少对通信资源的占用[36‒37]。另一方面，在语义通信与AI技术的结合下，系统能够实现对数据语义层次的深入理解，更准确地理解指令背后的意图以指导行动。例如，在灾害应急通信场景，语义通信可以提取出灾害范围、类型、程度等关键信息，使系统能够迅速理解环境并根据预设方案做出应急响应[38]。这一技术优势不仅能够使单个节点的行动更符合当前任务需求，同时能够增强卫星之间的任务协作能力。

为了实现语义驱动的星联网，需要在未来研究中探讨和解决以下两个关键问题。首先，卫星的高动态特性（尤其是低轨卫星）带来动态接入与频繁切换挑战。这要求基于深度学习的语义通信具备较强的泛化能力，需要解决包括模型重训练效率、时变环境适应性等一系列问题，同时还需具备应对通信需求演进的背景知识库扩展与更新能力。其次，卫星网络面临时变信道条件与多样化内容形态，需要网络在语义与传统通信模式间灵活切换。这要求卫星与用户设备同时支持传统信源/信道编译码与语义编译码，并建立可靠精准的模式切换机制。

3.3 智能路由

未来星联网将包含海量高速移动的低轨卫星节点，形成复杂时变的多跳网络。在此背景下，智能路由技术不仅对提升全网数据交换效率至关重要，更是实现动态环境中系统自主、灵活、高效运行的核心支撑。近年来，针对智能路由技术的研究催生了大量算法研究成果，包括基于Q学习[39]的强化学习方法、Deep-Q等深度强化学习算法[40]，以及图神经网络方法[41]。这些方法使系统能根据链路时延、带宽与故障状态等条件选择最优路径，其自适应特性显著增强了网络路由在高速动态星地/星间链路环境下的鲁棒性与灵活性。

智能路由算法通常分为集中式与分布式两类。在高度动态的卫星网络中，集中式方法需频繁更新全局网络信息，产生巨大的信令开销，且难以满足实时性更新需求。同时，传统的分布式策略往往难以统筹全部路由要素，在快速变化环境中也具有收敛性较差的问题。为克服这些局限，需开发适用于高动态卫星网络的混合式智能路由算法，例如，将图神经网络与强化学习相结合，把卫星节点与星间链路建模为图结构，使强化学习框架能更精准地处理复杂空间关系。通过将此方案部署于拓扑感知的分层架构中，可显著提升大规模动态网络的路由效率与适应能力。

3.4 网络功能虚拟化

网络功能虚拟化通过将网络功能与硬件解耦，使传统物理设备能够以基于软件的虚拟网络功能形式运行。将网络功能虚拟化融入卫星网络后，带宽、算力与存储等资源可被抽象为统一网络资源池，支持动态分配以满足多样化业务需求。在网络功能虚拟化架构中，业务请求被表征为服务功能链，即由分布于多网络节点的系列虚拟化网络功能构成的链式结构。服务功能链的部署会根据业务需求及各节点能力特性进行优化。现有研究主要聚焦虚拟化功能部署[42‒43]、服务功能链编排[44‒45]与虚拟资源管理[46]等关键挑战。

由于卫星网络拓扑结构持续演变，为保障服务质量与无缝连接，需持续更新虚拟化业务的路由与资源分配。这要求网络不断计算流量规则、频繁更新转发表，并动态重配虚拟化服务。此外，卫星节点的移动性会因位置与环境变化引起资源可用性的波动，这一情况可能导致预设资源失效，进而损害网络切片的稳定性。为了应对这些挑战，需要设计高自适应性的网络切片策略，并开发能够适应资源状态变化的动态资源预留与编排机制。

4 已取得的研究进展

本节将介绍作者团队在关键技术研究方面已取得的研究进展。

4.1 卫星语义通信

卫星语义通信技术作为星联网的关键使能技术之一，能够为智能星群系统中的智能泛在互联构建高效的信息传递物理基础。然而，在实际系统中，业务场景多样、节点需求多元、传输环境多变，如何实现多样化信息语义特征的高效提取与鲁棒传输是当前卫星语义通信面临的主要难题。

针对上述问题，作者团队构建了一种天基语义通信系统，利用深度学习技术，学习面向卫星通信的语义信息表征与传输方法，为多样化通信场景与需求提供高效解决方案。首先，通过分析多样化卫星通信业务的信源特性，提出基于语义基的语义信息表征框架[47]，该框架能够自主灵活适配不同信源种类及表征需求。在此基础上，基于深度学习技术设计信源语义信息的表征方法，提取原信息中的关键显著性语义特征，实现待传输信息的高效压缩。进一步，结合卫星通信场景的实际业务需求与传输条件等，提出了面向卫星图像传输的语义通信机制，根据不同传输需求动态调整语义信息的编解码过程，实现语义信息的鲁棒传输与恢复。

为验证所设计系统的有效性，以合成孔径雷达（synthetic aperture radar, SAR）和逆合成孔径雷达（inverse synthetic aperture radar, ISAR）图像传输业务为例，将卫星语义通信系统与基于传统语法通信方法的卫星通信方案进行了对比。SAR及ISAR图像传输业务是卫星通信的典型业务之一，广泛出现于军事监测、灾情监控等场景，数据量大，其传输受到星地链路有限容量的制约，亟须探索更高效的传输方案。

在测试中，SAR及ISAR图像重建的性能评估指标选用多尺度结构相似度（multi-scale structural similarity index, MS-SSIM）。测试数据源自高分辨率SAR飞机检测识别数据集与地面车辆目标的ISAR仿真数据集，经过相同带宽和信道条件的卫星信道传输，采用基于JPEG2000编码的语法通信方式作为对比方案。两类方案均采用低密度奇偶校验码（low-density parity-check, LDPC）和二进制相移键控（binary phase-shift keying, BPSK）作为信道编码和调制方案。仿真参数设置为：传输带宽20 MHz，频谱效率1 bit·s-1·Hz-1，在36 000 km链路上以14.5 GHz频段及40 W发射功率进行传输，LDPC码率为0.5。针对SAR图像传输，引入宽带干扰以模拟实际环境。

图5所示为不同方法的MS-SSIM性能随干信比（inference-to-signal ratios, ISR）变化的情况。在相同的传输带宽与信道条件下，相较于传统的语法通信方案，卫星语义通信方案能够实现更高质量的图像重建。随着信道条件逐渐变差，语义方案仍能在ISR小于-2 dB的范围内保证图像的稳定重建，而传统方法的性能则在-14 dB即出现了重建性能的断崖式下降。

图6展示了在ISR为-11 dB时，分别采用文献[48]的SAR数据集与文献[49]的ISAR数据集的重建效果示例。可以看出，语法通信方案重建的图像中存在较多噪点，而语义传输方案则能有效消除这一误差，重建质量大幅提升。这是由于所提出的卫星语义通信系统聚焦于传输雷达SAR/ISAR图像的关键语义信息，从而能够更高效地压缩信息，并据此为信息保护开辟更充足的空间，实现了质量更高、抗扰能力更强的图像传输。综上，所构建的卫星语义通信系统为多样化卫星通信业务的承载提供了一种高效鲁棒的解决方案，有望在星联网中发挥重要作用。

为评估实际计算开销，我们对由卷积编码器、向量量化模块与卷积解码器构成的编解码架构进行复杂度分析。对于尺寸为M×M的输入图像，典型卷积层（卷积核尺寸为k×k，输入和输出通道数为Cl-1和Cl，特征图尺寸为Ml×Ml）的计算复杂度为𝒪 (Cl-1⋅Cl⋅k2⋅Ml2)，其中，l=1,2,…,L为卷积层层编号，L为卷积层总数。由于浅层（较大的Ml≈M）占主导，对L层求和可得总复杂度𝒪 (∑l=1LCl-1⋅Cl⋅k2⋅Ml2) ≈𝒪 (M2)。这一结果表明模型在图像分辨率上呈多项式（二次）增长，与卷积神经网络标准分析结论一致。本研究进一步实测了语义编码与传统JPEG2000方法的编解码时延。对于SAR图像，语义编码时延增加约20%，而对ISAR图像，其处理时间反而降低4%。结果表明，尽管理论复杂度更高，神经网络固有的可并行性使其在实际应用中仍能保持相当的实时处理能力。

4.2 空间边缘协同计算

空间边缘协同计算（space edge cooperative computing, SECC）技术作为星联网的关键使能技术之一，能够为智能星群系统中的智能按需高效服务构建自主协同的“卫星大脑”。然而，低轨星群的高移动特性导致星地和星间链路频繁发生中断，星群无法提供持续稳定高效的协同计算与服务。因此，在低轨高动态弱连接条件下，如何充分利用卫星的计算、存储、传输等资源，提升星群协同计算与服务能力，实现卫星任务在轨高质量实时处理，是亟待解决的关键问题。

针对上述问题，作者团队首先搭建了一个面向智能星群的SECC半实物仿真验证系统，如图7所示。其主要由SECC原理样机、SECC数字样机以及SECC半实物仿真平台组成，具体说明如下：

• SECC原理样机由计算模块、存储模块、互联模块、电源模块及相应结构组件组成，采用云原生技术架构，适配轻量化机器学习框架，具备应用程序、算法模型等容器级、微服务级在轨实时部署能力，为SECC提供硬件平台和软件驱动支撑；

• SECC数字样机是原理样机的数字孪生系统，由基础设施资源层、控制管理仿真层和软件运行层三部分组成，采用数字孪生、人工智能等技术，创建SECC原理样机的数字化虚拟模型，为SECC应用软件提供运行环境支撑；

• SECC半实物仿真平台包括硬件部分和软件部分，硬件部分由仿真服务器、显控组件和虚实互联接口组件组成，软件部分由卫星星群运行环境仿真单元、星联网仿真单元、边缘微云仿真支撑单元以及应用场景仿真控制单元组成。该仿真平台采用分布式仿真方式，将整体仿真任务按照组成功能特征分为多个模块，单个模块独立进行局部功能仿真，通过底层支撑模块来进行跨模块的信息交互，由此完成整体仿真任务。

图8展示了SECC半实物仿真系统的逻辑架构，其中，数字样机通过预定义的数字化接口（如卫星资源分配接口、软件服务接口）与半实物仿真平台交互；原理样机则通过实体物理接口（如以太网端口）与平台连接。依托这些数字化与物理接口，数字样机与原理样机完成控制及应用数据的交互，从而实现SECC的半实物仿真功能。

此外，作者团队提出了一种时延-能耗联合最优的星间协同计算卸载（inter-satellite cooperative computation offloading, ICCO）技术。该技术首先构建ICCO系统模型，建立了最小化系统任务计算卸载时延和能耗的优化目标，将其解耦为计算资源分配与任务卸载两个子问题；其次，在计算资源分配方面，通过理论推导，证明了该问题的凸性，并采用拉格朗日乘子法得到计算资源最优解；最后，为了处理任务卸载决策，设计了一种动态黏性离散粒子群优化算法，通过迭代得到最佳卸载决策。这一方法能够在动态空间环境下保证高效、可靠且自适应的协同计算能力。

基于上述半实物仿真系统，本研究测试验证了所提出的ICCO算法性能，如图9所示。仿真场景由具备通信与边缘计算能力的低轨卫星和用户终端构成，用户的计算任务可通过三种方式处理：本地计算、接入卫星计算及多星协同计算。具体仿真参数见表4。

测试对比算法包括四种，分别是用户本地计算（local computing, LC）策略、星群随机计算卸载（random computation offloading, RCO）策略、星群公平计算卸载（equal computing resource allocation, ECRA）策略，以及粒子群优化（particle swarm optimization, PSO）算法[50]。图9（a）中的结果显示，ICCO算法性能最优，其任务完成时延与能耗随协同卫星数量增加而显著降低。图9（b）表明，尽管任务时延与能耗随任务量增加而上升，但ICCO算法仍全面优于所有基准策略。这些结果印证了多星协同计算在效能上超越本地计算与单星在轨计算，凸显了协同优势，也证明了卫星互联对实现高效可扩展卫星集群的关键作用。

5 困难与挑战

5.1 星联网系统建模与性能分析

相比于地面蜂窝网和车联网，星联网具有时空尺度大、节点高速运动、网络拓扑动态时变等特点。如何建立准确的星联网系统模型，设计合适的网络接入与信息传输方案，并对所提技术方案进行高效准确的性能评估，是星联网总体设计阶段必须解决的问题。

目前，卫星网络建模与性能分析方法通常有两种：一是采用确定性的星座构型（如Walker星座构型）对卫星星座空间位置分布进行建模，并采用蒙特卡洛仿真方法或仿真工具（如OPNET和NS-3）进行系统级仿真模拟与性能评估；二是利用随机几何理论对卫星轨道平面空间位置分布和轨道上卫星节点空间位置分布进行建模，并开发易处理的理论分析框架完成网络性能评估。然而，星联网包括高中低轨多类卫星节点，网络拓扑极其复杂，网络连接方式多样化，势必会造成上述两种网络建模与性能分析方法复杂度较高。因此，如何优化星联网建模与性能分析方法，是星联网总体设计阶段的首要挑战。

5.2 星联网异构资源管理与调度

星联网融合了星内网、星际综合网和星地移动互联网三种网络。其中，星内网资源包括高低速总线等有线通信资源和光通信、蓝牙、Wi-Fi等短距离无线通信资源；星际综合网资源包括高低频微波通信资源和激光通信资源；星地移动互联网包括高低频微波通信资源。如何高效管理和调度上述异构网络资源，实现星联网效能最优，也是星联网总体设计阶段面临的难题。

传统网络资源管理和调度方法都是针对有线或无线网络空间、时间、频率域内资源开展，并未针对有线/无线混合网络开展相关工作。另外，不同种类网络资源可能存在数量级差异，传统资源调度方法会导致不同种类网络传输链路性能不匹配，网络总体性能降级。因此，如何优化星联网异构资源管理与调度，也是实现星联网性能最优的主要挑战。

5.3 星联网可扩展性设计与有限计算资源问题

除上述讨论外，星联网的可扩展性与星上计算资源受限问题也是未来实现星联网所需要解决的两大关键问题。

可扩展性涵盖技术演进与网络规模扩展两个维度。一方面，星联网的实施既需技术升级又需架构演进，使得其部署时间与成本成为关键考量因素。相较于重建网络，渐进式的演进路径则更具可实施性。例如，可将具备训练与推理能力的模块化智能载荷，通过可重构接口集成至现有通信、路由与感知子系统，从而有效支撑星联网的当下部署与未来的技术迭代。另一方面，节点与业务的持续增长为网络管理带来挑战。具体地，集中式机制响应时延高，分布式方案则受策略收敛性与一致性困扰。分层的半分布式管理通过本地、区域与全局协同的结合，成为颇具前景的解决方案。该架构已在本文第2节进行讨论，但仍需深入研究其使能技术（如多智能体强化学习），特别是需要解决大规模网络中模型异步性问题。

实现星联网的另一大挑战在于星上计算能力受卫星尺寸、重量与功率的严格限制。这不仅制约AI模型更新与重训练能力，导致模型精度与泛化能力下降，还会增加复杂任务的响应时延。应对该挑战需要从计算框架与模型设计双向改进。分层计算框架可根据任务复杂度与紧急程度进行计算任务分配，低轨卫星处理需要快速推理的轻量任务（如接入管理），而较高算力要求的任务（如区域负载均衡）则由区域代理或高轨卫星实现。此外，可以通过分布式计算任务卸载的方式完成计算密集型任务，利用通信资源弥补星上算力的局限。在模型层面，迁移学习与模型压缩等技术为降低算力需求提供了可行路径，通过地面预训练模型的方式在模型性能与资源约束间取得平衡。

6 结论

本文围绕未来卫星系统高度自主化、智能化、网联化的发展需求，提出了智能星群系统的概念，分析了系统所需实现的四大典型用例。为从卫星组网的角度支撑系统应用，本文提出了面向智能星群系统的星联网这一概念，分析了典型用例下卫星组网所需解决的技术需求及挑战。在此基础上，本文针对性地设计了星联网逻辑架构和物理架构，为星联网的功能实现和实际部署提供具体方案。此后，本文讨论了星联网所需采用的重点前沿技术，包含空间边缘计算、卫星语义通信、智能路由，以及网络功能虚拟化，分析了这些技术在星联网中起到的关键支撑作用和仍待解决的技术难题。最后，本文介绍了作者团队在卫星语义通信和空间边缘协同计算技术上已经取得的研究成果，介绍了相关的技术架构、应用流程、系统设计与仿真测试结果，并分析了未来星联网技术发展仍需面对的困难与挑战。本文通过系统性地研究面向智能星群的卫星组网，旨在加快形成智能网联卫星技术的共识，推动智能网联卫星行业规范化发展，提高天基系统的在轨服务能力。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Luglio M, Quadrini M, Roseti C, Zampognaro F. Modes and models for satellite integration in 5G networks. IEEE Commun Mag 2023;61(4):50‒6. . 10.1109/mcom.002.2200209
[2]

Xie R, Tang Q, Wang Q, Liu X, Yu FR, Huang T. Satellite‒terrestrial integrated edge computing networks: architecture, challenges, and open issues. IEEE Netw 2020;34(3):224‒31. . 10.1109/mnet.011.1900369
[3]

Azari MM, Solanki S, Chatzinotas S, Kodheli O, Sallouha H, Colpaert A, et al. Evolution of non-terrestrial networks from 5G to 6G: a survey. IEEE Commun Surv Tutor 2022;24(4):2633‒72. . 10.1109/comst.2022.3199901
[4]

Starlink network update [Internet]. Hawthorne City: Starlink; c2025 [cited 2025 Aug 7]. Available from: 10.5220/0012619900003705
[5]

Cheema MA, Chawla A, Gogineni VC, Rossi PS. Channel estimation in RIS-aided heterogeneous wireless networks via federated learning. IEEE Commun Lett 2025;29(4):709‒13. . 10.1109/lcomm.2025.3541873
[6]

Ding F, Bao C, Zhou D, Sheng M, Shi Y, Li J. Toward autonomous resource management architecture for 6G satellite‒terrestrial integrated networks. IEEE Netw 2024;38(2):113‒21. . 10.1109/mnet.2024.3354308
[7]

Galli A, Moscato V, Romano SP, Sperlí G. Playing with a multi armed bandit to optimize resource allocation in satellite-enabled 5G networks. IEEE Trans Netw Serv Manag 2024;21(1):341‒54. . 10.1109/tnsm.2023.3302064
[8]

Jiang C, Zhu X. Reinforcement learning based capacity management in multi-layer satellite networks. IEEE Trans Wirel Commun 2020;19(7):4685‒99. . 10.1109/twc.2020.2986114
[9]

Liu H, Li T, Jiang F, Su W, Wang Z. Coverage optimization for large-scale mobile networks with digital twin and multi-agent reinforcement learning. IEEE Trans Wirel Commun 2024;23(12):18316‒30. . 10.1109/twc.2024.3464639
[10]

Fu Y, Wang X. Traffic prediction-enabled energy-efficient dynamic computing resource allocation in CRAN based on deep learning. IEEE Open J Commun Soc 2022;3:159‒75. . 10.1109/ojcoms.2022.3146886
[11]

Linty N, Farasin A, Favenza A, Dovis F. Detection of GNSS ionospheric scintillations based on machine learning decision tree. IEEE Trans Aerosp Electron Syst 2019;55(1):303‒17. . 10.1109/taes.2018.2850385
[12]

Blackjack [Internet]. Arlington: Defense Advanced Research Projects Agency (DARPA); [cited 2025 Aug 7]. Available from: 10.21236/ada494699
[13]

Wang S, Li Q, Xu M, Ma X, Zhou A, Sun Q. Tiansuan constellation: an open research platform. In: Proceedings of 2021 IEEE International Conference on Edge Computing; 2021 Sep 5‒10; online. New York City: IEEE; 2021. . 10.1109/edge53862.2021.00022
[14]

Jiang W. Software defined satellite networks: a survey. Digit Commun Netw 2023;9(6):1243‒64. . 10.1016/j.dcan.2023.01.016
[15]

Khalid M, Ali J, Roh BH. Artificial intelligence and machine learning technologies for integration of terrestrial in non-terrestrial networks. IEEE Int Things Mag 2024;7(1):28‒33. . 10.1109/iotm.001.2300190
[16]

Duong TQ, Nguyen LD, Bui TT, Pham KD, Karagiannidis GK. Machine learning-aided real-time optimized multibeam for 6G integrated satellite‒terrestrial networks: global coverage for mobile services. IEEE Netw 2023;37(2):86‒93. . 10.1109/mnet.003.2200275
[17]

Li H, Ota K, Dong M. AI in SAGIN: building deep learning service-oriented space‒air‒ground integrated networks. IEEE Netw 2023;37(2):154‒9. . 10.1109/mnet.001.2000512
[18]

Jia M, Zhang X, Sun J, Gu X, Guo Q. Intelligent resource management for satellite and terrestrial spectrum shared networking toward B5G. IEEE Wirel Commun 2020;27(1):54‒61. . 10.1109/mwc.001.1900238
[19]

Vision, requirements and evaluation guidelines for satellite radio interface(s) of IMT-2020. Report. Geneva: International Telecommunication Union (ITU); 2022 Sep. Report No.: ITU-R M.2514-0.
[20]

International Telecommunication Union Radiocommunication Sector. Framework and overall objectives of the future development of IMT for 2030 and beyond. Geneva: International Telecommunication Union (ITU); 2023 Nov. No.: ITU-R M.2160-0.
[21]

Service requirements for the 5G system; stage 1 (Release 17). Report. Valbonne: 3rd Generation Partnership Project (3GPP); 2020 Dec. Report No.: TS 22.261.
[22]

White paper on integrated terrestrial‒satellite communication (ITSC). Beijing: China Information Communication Technologies (CICT) Group Corporation; 2023.
[23]

Solutions for NR to support non-terrestrial networks (NTN) (Release 16). Technical report. Valbonne: 3rd Generation Partnership Project (3GPP); 2023 Mar. Report No.: TR 38.821.
[24]

Weiss G. Multiagent systems. 2nd ed. Cambridge: MIT Press; 2013.
[25]

Wang L, Zhou Y, Cao H, Liu Z, Chen Y, Chen D, et al. Resource management and scheduling for satellite Internet. Strateg Stud Chin Acad Eng 2023;25(6):27‒38. Chinese. . 10.15302/j-sscae-2023.06.004
[26]

Deng D, Wang C, Xu L, Jiang F, Guo K, Zhang Z. Semantic communication empowered NTN for IoT: benefits and challenges. IEEE Netw 2024;38(4):32‒9. . 10.1109/mnet.2024.3383604
[27]

Wang X, Meng S, Qian Z. An overview of key technologies for intelligent access toward 6G full-domain convergence. J Electron Inf Technol 2024;46(5):1613‒31. Chinese.
[28]

Hauschildt H, Elia C, Moeller HL, Schmitt D. ScyLight—ESA’s secure and laser communication technology framework for SatCom. In: Proceedings of 2017 IEEE International Conference on Space Optical Systems and Applications; 2017 Nov 14‒16; Naha, Japan. New York City: IEEE; 2017. . 10.1109/icsos.2017.8357400
[29]

Project Kuiper [Internet]. Seattle: Amazon; c1996‒2025 [2025 Aug 7]. Available from: 10.2307/jj.27710888.19
[30]

Zuo Y, Yue M, Yang H, Wu L, Yuan X. Integrating communication, sensing and computing in satellite Internet of Things: challenges and opportunities. IEEE Wirel Commun 2024;31(3):332‒8. . 10.1109/mwc.019.2200574
[31]

Lin Y, Feng W, Zhou T, Wang Y, Chen Y, Ge N. Integrating satellites and mobile edge computing for 6G wide-area edge intelligence: minimal structures and systematic thinking. IEEE Netw 2023;37(2):14‒21. . 10.1109/mnet.004.2200405
[32]

Zhang X, Liu J, Zhang R, Huang Y, Tong J, Xin N. Energy-efficient computation peer offloading in satellite edge computing networks. IEEE Trans Mobile Comput 2024;23(4):3077‒91. . 10.1109/tmc.2023.3269801
[33]

Huang T, Fang Z, Tang Q, Xie R, Chen T, Yu FR. Dual-timescales optimization of task scheduling and resource slicing in satellite‒terrestrial edge computing networks. IEEE Trans Mobile Comput 2024;23(12):14111‒26. . 10.1109/tmc.2024.3440066
[34]

Kong Q, Qu X, Zhang S, Yin F, Lu R, Chen B. A secure satellite‒edge computing framework for collaborative line outage identification in smart grid. IEEE Trans Serv Comput 2024;17(3):761‒75. . 10.1109/tsc.2023.3322432
[35]

Gao Y, Yan Z, Zhao K, de Cola T, Li W. Joint optimization of server and service selection in satellite‒terrestrial integrated edge computing networks. IEEE Trans Veh Technol 2024;73(2):2740‒54. . 10.1109/tvt.2023.3320187
[36]

Hu J, Wang F, Xu W, Gao H, Zhang P. Scalable multi-task semantic communication system with feature importance ranking. In: Proceedings of 2023 IEEE International Conference on Acoustics, Speech and Signal Processing; 2023 Jun 4‒10; Rhodes Island, Greece. New York City: IEEE; 2023. . 10.1109/icassp49357.2023.10095672
[37]

Zhang Y, Zhong R, Liu Y, Xu W, Zhang P. Interference suppressed NOMA for semantic-aware communication networks. IEEE Trans Wirel Commun 2024;23(8):10383‒97. . 10.1109/twc.2024.3371775
[38]

Lu K, Zhou Q, Li R, Zhao Z, Chen X, Wu J. Rethinking modern communication from semantic coding to semantic communication. IEEE Wirel Commun 2023;30(1):158‒64. . 10.1109/mwc.013.2100642
[39]

Liu Y, Guo R, Xu C, Weng X, Yang Y. A Q-learning-based fault-tolerant and congestion‒aware adaptive routing algorithm for networks-on-chip. IEEE Embed Syst Lett 2022;14(4):203‒6. . 10.1109/les.2022.3176233
[40]

Luong NC, Hoang DT, Gong S, Niyato D, Wang P, Liang YC. Applications of deep reinforcement learning in communications and networking: a survey. IEEE Commun Surv Tutor 2019;21(4):3133‒74. . 10.1109/comst.2019.2916583
[41]

Wei H, Zhao Y, Xu K. G-Routing: graph neural networks-based flexible online routing. IEEE Netw 2023;37(4):90‒6. . 10.1109/mnet.012.2300052
[42]

Shen X, Gao J, Wu W, Lyu K, Li M, Zhuang W. AI-assisted network-slicing based next-generation wireless networks. IEEE Open J Veh Technol 2020;1:45‒66. . 10.1109/ojvt.2020.2965100
[43]

Saha N, Zangooei M, Golkarifard M, Boutaba R. Deep reinforcement learning approaches to network slice scaling and placement: a survey. IEEE Commun Mag 2023;61(2):82‒7. . 10.1109/mcom.006.2200534
[44]

Dutta N, Patole SP, Mahadeva R, Ghinea G. Federated learning framework for prediction based load distribution in 5G network slicing. In: Proceedings of the 16th International Conference on Contemporary Computing; 2024 Aug 8‒10; Noida, India. New York City: IEEE; 2024. . 10.1145/3675888.3676085
[45]

Wu Y, Dai HN, Wang H, Xiong Z, Guo S. A survey of intelligent network slicing management for industrial IoT: integrated approaches for smart transportation, smart energy, and smart factory. IEEE Commun Surv Tutor 2022;24(2):1175‒211. . 10.1109/comst.2022.3158270
[46]

Chen L, Tang F, Li X, Liu J, Zhu Y, Yu J. Adaptive network management service based on control relation graph for software-defined LEO satellite networks in 6G. IEEE Trans Serv Comput 2024;17(6):3122‒39. . 10.1109/tsc.2024.3440028
[47]

Zhang P, Xu W, Gao H, Niu K, Xu X, Qin X, et al. Toward wisdom-evolutionary and primitive-concise 6G: a new paradigm of semantic communication networks. Engineering 2022;8:60‒73. . 10.1016/j.eng.2021.11.003
[48]

Wang Z, Kang Y, Zeng X, et al. SAR-AIRcraft-1.0: high-resolution SAR aircraft detection and recognition dataset. J Radars 2023;12(4):906‒22. Chinese.
[49]

Pandey N, Ram SS. Classification of automotive targets using inverse synthetic aperture radar images. IEEE Trans Intell Veh 2022;7(3):675‒89. . 10.1109/tiv.2022.3146639
[50]

Hou X, Ren Z, Wang J, Cheng W, Ren Y, Chen KC. Reliable computation offloading for edge-computing-enabled software-defined IoV. IEEE Internet Things J 2020;7(8):7097‒111. . 10.1109/jiot.2020.2982292

AI Summary AI Mindmap
PDF (3984KB)

4620

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉