数字孪生卫星互联网：架构与关键技术

数字孪生卫星互联网通过数字孪生技术构建物理网络与空间环境的实时镜像，实现卫星互联网全生命周期的智能化管理与优化。系统架构分为实体层、资源层、孪生与预测层和应用与决策层四个部分，分别负责节点设备、物理环境、资源管理、模型预测和决策执行。关键技术和标准化模型结合机理与数据双驱动，通过池化计算与存储解决数据洪流问题，同时设计自学习自演进的OODA闭环，提升系统运行效率和智能化水平。然而，系统复杂性、资源约束和数据洪流等问题仍需进一步研究和解决。数字孪生技术在提升卫星互联网保障能力、优化运行维护和智能管控方面具有重要意义，未来将推动卫星互联网的智能化发展。

摘要

构建一种数字孪生卫星互联网系统架构，该架构基于平行孪生、安全内生、智能衍生的立体式闭环机制，为卫星互联网的全生命周期发展提供系统性保障。研究重点围绕数字孪生卫星互联网的关键问题与核心技术展开。针对卫星互联网系统中复杂多变的动态特性，提出一种基于机理与数据双驱动的标准化模型处理与生成方法。在数据处理层面，面对海量信息和非均匀分布的数据流，构建三级分流的池化存算架构。为满足实际系统对特征孪生的高保真需求，设计智能编排和分布式异构处理平台，实现对不同模型和事件的分类化快速计算。通过引入通感算控一体化技术，构建感知-判断-决策-执行的卫星互联网孪生循环演进系统，从而确保卫星互联网全生命周期的稳定运行。

关键词： 卫星互联网 ; 数字孪生 ; 模型标准化 ; 资源池化 ; 智能编排

0 引言

近年来通信与网络技术实现了快速的跨越式发展，但无论是在城市还是乡村、无论是在白天还是黑夜，用户通过任意方式进行通信的场景仍然未能完全实现[1]。《世界互联网发展报告2020》指出，2020年，全球互联网用户总数达到45.4亿人，普及率约为59%，其中我国的互联网用户规模为9.4亿人，普及率高达67%。受限于经济发展水平、地形地貌以及高昂的部署成本等因素，地球上近三分之一的人口仍无法接入互联网。相较于受限于地理空间的地面通信系统，卫星通信凭借其频谱资源丰富、覆盖范围广、通信距离远、部署快捷、成本低廉等显著优势，正在迎来新的发展机遇，其在灾害救援、海上搜救、偏远地区通信等领域都将发挥着不可替代的作用[2,3,4]。

由于频率和轨道资源有限[5]，且商业前景十分广阔，卫星互联网已被各国视为战略重点[6]。俄罗斯的《2016-2025年联邦航天计划》将通信卫星列为优先发展方向，并明确要求提升民用卫星数量，积极拓展商业市场[7]。2018年3月，美国率先制定《国家航天战略》，特别强调要使国家安全航天、商业航天和民用航天三个领域更加活跃，并推动与商业航天领域的合作[8]。与此同时，日本宇宙航空研究开发机构（JAXA）在2018至2025年间，就卫星导航、遥感、通信、航天运输、太空态势感知、海洋态势感知以及早期预警等领域，发布了《第四期中长期发展规划》。我国于2020年4月将卫星互联网纳入“新基建”通信网络基础设施范畴[9-10]。

近年来，ITU、3GPP、Sat5G等国际通信组织致力于卫星互联网的标准化工作，同时明确了应用场景并进行了验证测试[11,12,13]。学界的研究者们也对卫星互联网的架构、标准体系、关键技术以及运维管理等方面进行了深入探讨和研究[14-15]。卫星互联网由数千颗卫星、全球分布的地面站以及海量终端共同构成，其网络运行面临着由全域状态反馈引发的“数据洪流”，高动态的运动特点导致网络拓扑的实时变化[5]，用户与业务分布不均匀产生的“潮汐效应”[2]，复杂电磁环境造成的时变干扰，以及频轨资源使用规则带来的约束问题均较为突出。面对日益增长的需求，网络负载持续上升，规模不断扩大，由此导致的网络复杂性显著增加，使得运行维护和优化工作愈发繁重[15]。此外，由于网络运营的高可靠性要求，网络故障的高代价、试验成本高昂以及网络的快速变更特性，新技术的引入和部署均面临诸多挑战。这些复杂问题对卫星互联网的设计论证、建设部署以及运维优化均提出了严峻考验。

针对复杂系统的运维与优化问题，一方面需要对系统状态、环境信息等物理实体进行数据采集，另一方面则需要对网络和用户情况进行实时数据的收集与管理。在数据处理方面，需要对提取的海量数据进行分析整理，制定相应的优化方案并实施。GRIEVES[16]首次提出“信息映射模型”这一概念，通过在虚拟空间中充分利用实时参数和历史数据，实现了物理实体的映射，这构成了数字孪生技术的基础框架。以美国国家航空航天局（NASA）的“阿波罗计划”为例，该计划通过在地球上的航天器反映太空中的航天器工作状态，帮助工程师分析处理太空中的紧急事件，从而模拟和验证实体装备的全生命周期运行过程。2012年，NASA发布“建模、仿真、信息技术与处理”路线图，标志着数字孪生概念逐渐被广泛认知[17]。刘蔚然等[18]提出数字孪生卫星的概念，致力于对卫星全生命周期进行深入研究，以提升卫星工程的整体管理水平和流程管控能力。孙滔等[19]则提出数字孪生网络的概念，通过对物理网络进行全息映射，利用全面准确的数据进行精确建模，从而实现对网络通信的全面控制，有效应对网络需求的不断变化，最终通过软件定义网络实现对网络灵活性、可扩展性和安全性的集中优化控制[20]。

数字孪生技术适用于价值凸显、精度要求高且结构复杂程度高的系统或设备[19]。卫星互联网系统规模庞大且结构复杂，尽管单节点建设成本依然较高，但巨星星座、全球分布的 ground station、海量接入终端以及动态多变的空间环境共同构成了系统建设部署与运维优化的严峻挑战[18]。本文针对卫星互联网系统特点，结合数字孪生理论，提出一种立体式闭环架构，命名为平行孪生、安全内生、智能衍生的数字孪生卫星互联网（Digital Twin Satellite Internet, DTSI）。该架构通过感知与重建技术，实现卫星互联网物理网络与空间环境的实时镜像，从而增强系统性优化与控制能力；同时，基于模型拟合与系统预测方法，构建自演进自生长的智能卫星互联网系统，最终实现卫星互联网全生命周期的可靠保障。本文着重研究DTSI架构特点和技术需求，分别对感知与标准化模型、洪流数据的池化溶解处理技术、孪生编排与调度机制以及自演进的孪生优化决策机制等四个关键方面进行了深入探讨与技术攻关。

1 数字孪生卫星互联网系统架构

数字孪生卫星互联网系统由四个关键层构成，包括卫星互联网实体层、资源层、孪生与预测层以及应用与决策层。该系统的四维立体式闭环架构通过平行孪生、安全内生和智能衍生等特性，实现了对系统状态的精准感知，使得物理系统从"黑盒"转变为"白盒"，从而为数字孪生卫星互联网系统的全生命周期管理提供了坚实的技术支撑。如图1所示，数字孪生卫星互联网系统的架构采用了四维立体式闭环设计，涵盖了卫星互联网实体层、资源层、孪生与预测层以及应用与决策层四个关键组成部分。

（1）实体层

实体层由实际网络系统和物理环境共同构成，涵盖节点设备、网络运行状态、监控与管制机制，以及物理数据的感知反馈。具体而言，该层包括网元设备的运行状态信息、用户行为特征、网络流量特征、业务分布情况、路由拓扑结构、电磁环境参数、卫星姿态信息等。实体层不仅需要建立向上级的反馈机制和向下级的执行体系，以确保用户获得全域全时的智能可信网络服务，还需构建数据采集与回传的全面感知网络，以实现对网络运行状态的全方位监督与管理。

图1

图1数字孪生卫星互联网系统架构****

（2）资源层

资源层可被视为卫星互联网的孪生保障，主要包括实体数据资源、算法模型资源、池化存算资源以及安全保障资源四大类。其中，资源层通过实体层的北向接口可获取实时可靠的实时数据资源。结合实体数据量大且结构复杂的特点，对海量数据进行转换、分类、清洗后，通过拟合训练可更新机理或算法的标准化模型，从而为数字重建和孪生预测提供数据与理论支撑。构建池化存算资源的目的是应对卫星互联网实体数据呈现的洪流式增长带来的挑战。此外，安全资源不仅负责保障网络的安全性与可靠性，还提供应急调度与快速备份功能，确保系统运行的稳定性和可用性。

（3）孪生与预测层

孪生与预测层涵盖意图解析、智能编排、数字重建、评估预测等功能模块。在物理实体状态的基础上，系统能够高效配置存算资源，完成模型的编排映射工作。具体而言，该系统能够对实体网络中的网元状态、拓扑结构以及环境信息进行高精度模拟，构建高精度的卫星互联网系统模型，并为应用与决策层提供系统的评估数据。另一方面，系统根据应用与决策层的需求，编排相应的机理模型，对系统未来状态或行为进行科学预测，推演最优的决策机制，为系统的持续优化提供决策支持。

（4）应用与决策层

在卫星互联网全生命周期的自动化演进中，应用与决策层扮演着核心控制角色。数字重建数据的接收由南向负责，分析结果随后用于策略加载。在孪生与预测层，通过编排推演迭代试验生成决策机制，为卫星互联网实体提供优化方案并监督执行。这一过程形成了完整的闭环控制流程，涵盖感知-判断-决策-执行（Observe-Orient-Decide-Act, OODA）四个环节，实现网规网优、自动化运行控制等功能。此外，该层架构还具备新架构、新体制、新技术试验验证的适应性，同时集成孪生平台智能管控、可视化呈现、预测验证和监控评估等功能。

基于该系统架构，结合数字孪生卫星互联网的特性，本文从数据、决策、资源调度、平台管理四个维度展开孪生平台执行架构的设计，如图2所示。

2 关键技术

2.1 机理与数据双驱动的标准化模型

卫星互联网由多个分系统构成，其中包括通信分系统、测控分系统和感知分系统。各分系统的组件元素包括机体设备、系统配置、物理参数以及指标性能。孪生系统构建是将组件元素数字化表示，高保真地拼接还原物理实体系统。标准化模型是对客观事物、实际状态、规律特点进行抽象后的一种形式化表达[21]。构建组件元素的标准化模型是孪生系统的核心内容。

模型基于物理规律或数学表达式的存在，被划分为机理模型和数据模型两大类。其中，卫星互联网的空间动力模型和通信链路模型等属于机理模型范畴，这些模型可通过数学定理或物理公式进行精确描述；而网络实时状态和环境实时情况等则属于数据模型的范畴，主要依赖感知系统进行数据统计和反馈机制。卫星互联网的空间环境具有复杂性、用户业务分布不均衡以及系统时变性等特点，单一采用机理模型或数据模型进行建模难以充分满足日益复杂的系统特征需求。通过融合大规模数据与机理模型的双重驱动机制，一方面能够对感知数据进行偏差校正，另一方面通过机理模型的迭代演进过程，最终形成一套标准化的模型体系，其中包括用户分布模型、业务分布模型、资源分配模型以及网络路由模型等基础模型。基于标准化模型构建的孪生系统不仅能够实现对系统状态的高保真还原，还能够对未来系统的运行行为进行预测和推演。机理与数据双驱动的标准化模型构建流程如图3所示。

图2

图2卫星互联网数字孪生平台执行架构****

标准化模型形成过程主要包含数据感知、数据处理、机理与数据融合迭代。

（1）数据感知

数据感知通过智慧感知网收集物理环境和卫星通信网络相关信息数据。物理环境对网络运行产生重要影响，通过仿真建模有助于优化网络性能。物理环境信息涵盖系统各组件位置、温湿度、重力、电磁环境等关键参数，通过多种传感器采集数据，并经遥测和指令分系统传输至地面站。网络数据主要包括流量统计、业务分布特征和路由拓扑结构等信息，是构建星间链路模型、网络拓扑模型和网络协议模型的基础。网络数据的采集方式多样，例如基于SNMP的轮询模式、支持流量统计的sFlow和NetFlow，以及具备定制化需求的网络遥测。其中，SNMP模式仅能实现分钟级流量采集，精度较低。sFlow和NetFlow可直接获取原始码流，并记录其传输特征，如起始时间和结束时间、服务类型、数据包数量和字节数量。网络遥测则通过定制化需求实现毫秒级流式数据采集，同时支持海量数据上传，但会增加对网络资源的占用和对服务器存储与处理能力的高要求。

卫星互联网系统具有高度复杂性，且对实时响应和抗干扰能力有较高要求。如何利用与时俱进的传感器技术来获取更加全面和精确的物理环境信息，如何制定新的协议体制以实现高效采集和传输网络数据，仍需要学术界和工业界持续进行深入探索。

（2）数据处理

数据处理包括物理环境感知数据和网络数据的预处理、分类、清洗和入库。

物理环境原始数据和网络原始数据具有计算速度较快、存储容量大以及维度维度高等特征。如果未进行预处理直接传输，容易导致网络拥塞现象，同时对服务器端的存储资源也会产生较高需求。RICKS等[28]研究团队提出了一种能够显著提升数据处理效率的数据降阶方法。胡佳兵[29]在传输过程中构建了模型库，通过减少图像传输冗余来节约带宽资源，提出了一种分段化处理系统。进一步研究如何利用卫星的周期性和历史数据来减少冗余信息的发送，是一个值得探索的方向。在各个节点对数据进行预处理，减少传输数据的体量后，数据处理站将接收不同结构类型的数据进行分类、清洗，以去除错误和冗余数据。随后将正常数据存入目标数据库以便调用，将错误数据和冗余信息存入临时数据库，并反馈给采集器，形成闭环反馈机制，以确保数据采集的准确性。

（3）机理与数据融合迭代

根据机理是否恒定，机理模型可分为恒定型和非恒定型两类。在卫星互联网领域涉及多种非恒定机理模型，包括用户分布模型、路由优化模型、资源分配模型等。这些因素包括电磁环境、多尺度衰落以及用户移动等，都会对非恒定机理模型的准确性产生影响。直接应用非恒定机理模型对卫星互联网进行建模预测，往往会导致理论结果与实际结果存在较大偏差。因此，通过利用大量历史数据和实时数据对原始模型进行拟合训练、优化参数、完善约束条件并持续迭代更新，可以有效提升卫星互联网行为预测的准确性，从而实现对卫星互联网的高保真孪生。

图3

图3机理与数据双驱动的标准化模型建立过程****

2.2 洪流数据的池化计算与存储

随着5G技术在VR/AR、车联网、物联网、智能制造、无线医疗、超高清8K视频和云游戏等多个场景中的广泛应用，网络流量预计将以指数级速度增长。预测数据显示，到2025年，全球预计总数据量将达到163 ZB。伴随卫星互联网的快速发展，其用户需求呈现显著增长态势。同时，地理环境的分布特点导致人口在空间上呈现不均衡状态，而网络需求则在时空维度上呈现出显著差异，由此形成了明显的网络负载潮汐效应。在数据业务需求与网络负载潮汐效应的共同作用下，这使得卫星互联网在计算和存储资源方面面临着前所未有的巨大挑战。

为应对移动互联网平台下的突发流量处理需求，全球最大的云计算服务提供商亚马逊储备的数据中心等关键设施规模是常规水平的10倍。尽管该系统能够有效抵御数据流量的冲击，但其运行效率仅为30%。中国科学院计算技术研究所提出的“信息Express”系统由智能物端、超级基站和高通量计算中心组成，它具备可测性、可调节性、可控性和可信性，形成了一个“云网边端综合信息网”。该系统通过虚拟化技术实现了对全球资源的动态共享和按需分配，有效地解决了负载分布不均的问题，并在高负载情况下显著提升了处理速度[30]。

针对此，卫星互联网的物理实体、孪生体以及建模过程均面临着数据流量激增及存储资源的海量需求。本文提出构建“三级池化分流”的存算架构方案，如图4所示。

（1）物端存算

随着终端计算与存储能力的不断提升，支持加载更加复杂的算法。一方面，通过计算与通信的深度融合，采用节带化语义技术实现信息的高效传输；另一方面，卫星互联网作为覆盖全球的服务网，存在终端潮汐忙闲状态，通过池化共享存算资源，提升系统存算能力，从而有效缓解传输网的通信压力。

（2）传输存算

传输网由卫星、地面站等节点构成，具备多样化的存储计算能力。由于地理环境、人口分布以及时间等因素的影响，导致严重的节点负载不均衡问题。借助卫星一体化网管中心实现资源的集中管控，采用边缘计算、自适应路由等策略来优化目标节点的存储计算资源。

图4

图4三级池化分流存算架构****

（3）中心存算

卫星互联网的核心处理单元是存算中心，通过分布式和虚拟化技术实现多区域高通量计算与存储资源的整合，以满足复杂系统运行维护、算法执行及模型迭代的需求。

通过将智能物端、传输网节点和处理中心的存储资源进行多层次虚拟化存储池化，实现了数据流的分级引导，从而有效保障了系统的平稳运行。

2.3 孪生平台的智能编排与调度

卫星互联网具有网络实体规模宏大的特点，不仅涵盖了拥有多样化的用户业务类型，而且其许多参数均呈现出时变特性，这最终导致了多种标准化模型的形成。这些标准化模型各自具有独特的特性，例如，网络拓扑优化模型以基于逻辑关系的运算为主，而大气模型则主要依赖数学计算；用户链路接入模型则融合了逻辑运算与数学计算两种方式。在处理器处理能力方面也存在显著差异，例如，单颗CPU擅长处理串行逻辑的复杂任务，而GPU则在并行处理大量任务方面具有显著优势；此外，专用集成电路（FPGA）则在专用通信算法加速方面展现出独特优势。针对上述问题，本文提出了一种基于智能编排的分布式异构处理平台方案，如图5所示，该方案通过将标准化模型快速、精准地分配到不同硬件平台上进行处理，从而显著提升了系统建模的实时性。

上文对卫星互联网实体网络中标准化模型流程的提取进行了深入分析。获得标准化模型后，需进行智能编排调度。智能编排调度可划分为模型分解、分类存储、编排调度以及模型重组四个环节。

以移动性管理中的切换问题为例，智能编排调度首先需要基于拓扑模型、轨道模型和切换模型等的子模型，对CPU、GPU、DSP和FPGA等算力类型的需求进行分析，并对模型进行子模型分解。同时，需要对算力需求类型进行标识。其次，为了便于编排器快速调度，应将标识后的子模型进行分类存储。然后，基于分布式的编排调度器在时间基准器（例如铷钟、北斗系统）的驱动下，将子模型以事件形式按时空顺序分配到计算资源池的不同处理器中进行处理。例如，将波束选择分配给CPU处理，将大气阻力子模型分配给GPU进行运算加速，将调制解调分配给DSP完成，将编解码分配给FPGA加速。同时，需要为子模型正确调度存储资源池中的数据或者其他子模型处理后的数据以完成建模。最后，将各个子模型得到的结果通过模型重组与映射实现卫星互联网的孪生重建。

2.4 自学习自演进的OODA闭环

随着移动互联网及物联网的发展，大量终端设备接入，多种新型业务的推广，每40个月，全球的数据量将翻倍。卫星互联网系统复杂性与大量终端的接入，使得其运行、维护、优化和管理等环节亟需智能化处理。智能处理过程可分解为四个步骤的循环过程。OODA闭环能够将复杂智能过程映射为可计算的过程，同时融合控制理论中的闭环迭代原理，实现自学习和自演化。本文针对卫星互联网的运行、维护、优化和管理，设计了如图6所示的卫星互联网OODA闭环。

图5

图5基于智能编排的分布式异构处理平台方案****

感知（Observe）：数据感知过程是智能化处理的基础。物理环境数据主要由遥测和通信分系统向地面站反馈，网络数据主要通过网络协议进行采集和上报。

判断（Orient）：卫星互联网的判断主要分为通信性能指标和网络安全指标两个方面。通信性能指标包括卫星覆盖能力、系统容量、用户容量、时延、丢包率和误码率等多个方面。通过统计分析和仿真手段，评估卫星互联网系统的实际通信性能指标是否符合设计要求。网络安全旨在保护网络系统的硬件、软件及其内部信息，主要任务是在卫星互联网环境中发现网络故障并识别恶意攻击行为。

图6

图6OODA闭环****

决策被视为智能化处理的关键环节。首先，通过判断通信指标和网络安全状况，识别出不符合标准的通信指标，进而判断是否存在网络故障或恶意攻击。随后，基于孪生卫星互联网平台，利用人工智能技术、AI算法、专家经验和大数据分析等手段，对系统参数进行优化，并生成相应的处理指令，向下发令至卫星互联网实体网络。

卫星互联网网络实体接收并解析执行命令，随后通过多个系统协同工作，确保任务的高效执行。

卫星互联网对人工智能的决策推演能力、准确率、实时性和效率等基本要求提出了一定的技术挑战。在面对海量数据时，传统的人工优化处理方式将逐渐被改变。相较于人类，计算机在数据处理方面具有显著优势，即不受外界环境和情绪波动的影响，且处理速度和准确率显著优于人工操作。随着人工智能技术的持续发展，计算机和机器的智能化水平不断提升，其核心技术体系主要基于深度学习和强化学习算法，能够实现自主学习和自我进化能力[31]。在算法优化和技术创新方面，特别是在XAI技术和量子计算的突破下，人工智能技术的实时性和准确性问题将得到根本解决。

卫星互联网物理网络实体及空间环境的感知能力，通过智能编排调度机制在模型中进行编排后，形成了预测分析结果。通过智能算法实现的智能化决策支持系统，配合反馈机制，实现了系统的动态调整。这些要素共同形成了自适应学习和自优化发展的OODA闭环系统。同时，统一的计算存储资源池，结合智能编排调度技术，显著提升了整个OODA闭环的运行效率。