0 引　言

船舶通信系统是船舶航行过程中，实现和外界通信以及实现远程控制的重要组成部分，为保证通信质量以及通信效率^[1]，需进行通信资源智能分配。物联网是船舶通信的一种常见网络，该网络主要用于传感数据以及控制信息等短包数据传输^[2]。短包通信（Short Packet Communications，SPC）作为物联网状态感知数据以及实时反馈控制数据业务处理的主要通信类型，能够将待传输数据进行封装^[3]，形成160 bits以下的数据包，以此保证数据传输的可靠性、传输效率等。但是在应用过程中，随着处理数据量的逐渐增加，网络的传输能耗也随之增加^[4]，因此为提升船舶运行状态以及控制数据源的高效、低能耗传输，需对短包通信资源进行合理分配，以此在保证数据通信安全的情况下，实现数据传输功率最小化，降低能耗。文献[5]以优化网络通信为目标，依据网络信道状态信息，利用神经网络构建信道之间的映射关系，提升网络的通信速率。但是该方法在应用过程中，如果传输的数据量较大，则该方法在应用过程中，依然会发生传输延时情况。文献[6]为实现网络传输资源高效传输，以最小传输速率为约束条件，通过构建分式规划资源配置模型，实现数据的快速传输。但是该方法在传输过程中，网络资源利用的均衡性较差。

本文为实现船舶短包通信资源的智能分配，针对物联网环境下的船舶数据传输需求，提出短包通信资源智能分配方法。

1 船舶短包通信资源智能分配 1.1 船舶物联网短包通信网络结构

船舶物联网短包通信网络在进行船舶运行状态数据以及控制数据传输时^[7]，主要是通过物联设备和节点之间互联完成数据传输。该网络主要由应用层、雾层以及用户层组成，网络的整体结构如图1所示。用户层：该层中存在不同类型的用户，包含合法用户和非法用户，每种用户均被多个雾节点覆盖，其中非法用户能够进行全信道监听，会造成网络传输数据被窃听或者窃取。雾层：该层主要由数个雾节点组成，这些节点能够通过无线网络将数据传送至边缘路由器上，路由器则利用有线回程链路数据传送至应用层的核心网络中。核心网络直接和应用层的云服务器相连接，将数据传送至应用层。应用层：该层主要包含核心网络和云计算服务器，通过核心网络接受雾层边缘路由器传送的数据后，存储至云计算服务器中，通过该服务器存储传输的船舶航行状态或者控制数据。

边缘路由器管理范围内存在的雾节点数量用 $n$ 表示，用户数量用 $m$ 表示，如果雾节点集合用K={1, 2, …, n}表示，用户集合用U={1, 2, …, m}表示，如果每个用户在通信时仅能够发送一个数据传输服务请求，那么网络需根据，每个传输请求进行雾节点分配。如果在 $t$ 时刻内，用户 $u \in U$ 和其服务的雾节点 $k \in K$ 之间的无线链路数据发送率计算公式为：

${r_{u,k}}\left( t \right) = B{\log _2}\left( {1 + \frac{{{g_{u,k}}\left( t \right){p_u}\left( t \right)}}{{\xi _e^2\left( t \right) + {p_{u,k}}\left( t \right){g_{k,e}}\left( t \right)}}} \right) 。$

(1)

式中： $B$ 为网络信道带宽；g_u,k(t)为合法用户和雾节点之间的信道增益；p_u(t)为合法节点向雾节点发送数据时的功率； $\xi _e^2\left( t \right)$ 高斯白噪声。

1.2 短包安全通信容量

短包通信在进行船舶数据传输时，其对于数据长度具有一定限制，短包通信在进行数据封装时，会导致传输数据发生错误或者泄露。如果网络信道长度用 ${L_n}$ 表示，且 ${L_n} = {B_n}T$ ，其中 $T$ 表示持续时间，为保证第 $n$ 个雾节点的最大数据错误概率 ${\eta _n}$ 和信息泄露量 ${\gamma _n}$ ，则雾节点的最大保密通信速率下限计算公式为：

${r_n} = {C_n} - \sqrt {\frac{{{\psi _n}}}{{{L_n}}}} \frac{{{f^{ - 1}}\left( {{\eta _n}} \right)}}{{\ln 2}} - \sqrt {\frac{{\psi _n^e}}{{{L_n}}}} \frac{{{f^{ - 1}}\left( {{\gamma _n}} \right)}}{{\ln 2}}。$

(2)

式中：C_n为雾节点能够完成的最大保密容量； $\psi _n^e$ 和 ${\psi _n}$ 分别为非法用户和雾节点对应的网络信道色散情况，其主要作用是衡量信道的随机性；f⁻¹为反函数。

计算第 $n$ 个雾节点的总吞吐量，其计算公式为：

${R_n} = {b_n}{B_0}T\left( {{C_n} - \sqrt {\frac{{{\psi _n}}}{{{b_n}{B_0}T}}} {A_n} - \sqrt {\frac{{\psi _n^e}}{{{b_n}{B_0}T}}} {F_n}} \right)。$

(3)

式中： ${A_n}$ 为第 $n$ 个雾节点的安全容量； ${F_n}$ 为第 $n$ 个雾节点的风险容量。

1.3 短包通信资源智能分配目标建模

为实现物联网环境下，船舶短包通信资源智能分配，以每个雾节点最小短包安全通信容量和总带宽约束的基础上，以短包通信总功耗最小化为目标，其计算公式为：

$\begin{gathered} \mathop {\min }\limits_{P,n} \sum\limits_{n = 1}^N {{P_n}} \\ {\rm{s}}.{\rm{t}}.{R_n} \geqslant R_n^{\min },\forall n = 1,2,...,N，\\ \sum\limits_{n = 1}^N {{b_n}} \leqslant {b_{\max }} \\ {b_n} \in {{\boldsymbol{N}}^ + },\forall n = 1,2,...,N ，\\ {P_n} \geqslant 0,\forall n = 1,2,...,N \\ \end{gathered}$

(4)

式中： $R_n^{\min }$ 为第 $n$ 个雾节点的最小包安全通信容量；N⁺为正整数集合；b_n为分配给第 $n$ 个雾节点的频率单元数量；P_n为用户向第 $n$ 个雾节点发送数据的传输功率。

式（4）属于典型的混合整数分配问题，其运算过程中复杂度较高，求解难度较大，因此在数据传输安全容量约束的情况下，提出基于深度强化学习（DNN）的传输功率智能分配算法，完成船舶短包通信资源智能分配。

1.4 基于深度强化学习的短包通信资源智能分配

确定短包通信资源智能分配目标后，依据分配目标设计损失函数，以此构建基于DNN短包通信资源智能分配网络模型。该模型主要包含2个部分，一是压缩网络模块，二是功率分配网络模块。先采用归一化的方式对短包通信环境状态信息进行处理，以此提升网络的训练效率。在此基础上将处理后的数据压缩至网络模型中，降低发送数据量，进而降低数据传输功率。除此之外向功率分配网络中数据压缩后的数据，利用DNN网络实现功率分配，以此实现船舶短包通信资源总传输功率最小化目标。先检测各个雾节点的环境状态，确定其通信链路和干扰链路的信道增加结果，分别用g_k和h_k表示，则短包通信环境状态信息可用X_k=(g_k，h_k)表示。对X_k的元素x进行归一化处理后，使其形成满足均值为0、方差为1的高斯随机变量，以此提升DNN网络的学习效率。x_i归一化处理后的数据用x_in表示，其计算公式为：

${x_{in}} = \frac{{\lg \left( {{x_i}} \right) - E\left[ {\lg \left( {{x_i}} \right)} \right]}}{{\sqrt {D\left[ {\lg \left( {{x_i}} \right)} \right]} }} 。$

(5)

式中：E[]为期望运算；D[]为方差运算。

在上述步骤的基础上，利用压缩网络模块对x_in进行特征提取，获取特征提取结果，用C_k表示；将提取的C_k结果作为功率分配网络模块第一层的输入，该网络模块的权重用w_i表示，偏差用b_i表示，将C_k、w_i、b_i经过该模块的放射层处理后，以此实现矩阵的乘积运算，输出结果为：

${y_i} = {w_i}{C_k} + {b_i} ，$

(6)

通过整流线形单元层对y_i进行处理后得出：

${y_{out}} = \max \left( {{y_i},0} \right)。$

(7)

在该层中采用ReLU函数作为激活函数，以此保证该层输出结果不为负数，也可有效避免发生梯度消失问题。DNN的最后一层为sigmoid层，采用sigmoid激活函数控制y_i的输出结果，其公式为：

${y_{out}} = \frac{1}{{1 + {e^{ - {y_i}}}}} 。$

(8)

利用sigmoid激活函数的控制可使输出结果位于0~1范围内。以此功率分配网络模块第1层的输出结果为输出结果数量 $N$ 对雾节点的归一化发射功率。功率分配网络模块第2层是由多个siftmax模块组成，各个siftmax模块的输出结果为：

${y_{out}} = \frac{{{e^{{y_i}}}}}{{\sum\limits_9 {{e^{{y_i}}}} }}。$

(9)

如果siftmax模块的输出数量为 $M$ ，对应短包通信网络中的 $M$ 个信道，每个信道的输出结果均可表示对应单个雾节点的发射功率在单一信道上的分配比例。将sigmoid模块和siftmax模块的输出结果相乘后再和发射功率在功率阈值P_max相乘，即可获取 $N$ 对雾节点发射功率在 $M$ 个信道上的分配比例，实现船舶短包通信资源智能分配。

2 测试结果与分析

为验证本文方法的应用效果，以某船舶物联网通信网络为测试对象，该网络的详细参数如表1所示。

为验证本文方法的应用性能，获取本文方法在进行不同大小数据传输时，信道的传输速率结果。随机呈现其中3条信道的测试结果，如图2所示。由图2测试结果可知：随着传输数据量的不断增加，采用本文方法进行短包通信资源智能分配后，各个信道的传输速率较为稳定，不存在显著的波动变化，均在0.5～0.6 Mbps之间，具有较好的传输稳定性，通信资源分配效果良好。

为直观验证本文方法的短包通信资源智能分配方法，采用Jain公平指数 $\Upsilon$ 作为评价指标，该指标的取值在0~1之间，其值越大，表示分配的均衡性越好，该指标的计算公式为：

$\varUpsilon = \frac{{{{\left( {\sum\limits_{m = 1}^M {{S_m} + \sum\limits_{m = 1}^N {{S_n}} } } \right)}^2}}}{{\left( {M + N} \right)\left[ {\sum\limits_{m = 1}^M {{{\left( {{S_m}} \right)}^2}} + \sum\limits_{m = 1}^N {{{\left( {{S_n}} \right)}^2}} } \right]}}。$

(10)

式中：S_m和S_n分别表示分配后的雾节点传输速率和重用时雾节点的传输速率。

$\varUpsilon$ 的测试结果如图3所示。可知，在不同的传输距离下，随着用户对数的逐渐增加，采用本文方法进行短包通信资源智能分配后，公平指数 $\varUpsilon$ 的计算结果均在0.916以上，具有较好的资源分配均衡性。

为验证本文方法应用效果，获取本文方法在不同雾节点数量下进行不同大小数据传输时的功率，如表2所示。由表2可知，随着雾节点数量的逐渐增加，采用本文方法进行不同大小数据传输时，数据传输功率结果均在标准范围内，其中最大传输功率结果为27.4 MW。因此，本文方法的应用效果较好，可在允许的功率范围内完成资源分配，保证数据的传输速率。

3 结　语

船舶航行状态监测以及控制等均需依靠船舶短航行数据完成，这些数据在进行传输过程中，短包通信资源的分配效果尤为重要。为保证数据的传输效果，本文提出物联网环境下船舶短包通信资源智能分配方法，并对该方法的应用效果展开相关测试。结果表明，该方法具有较好的应用性能，能够保证数据的传输速率，同时确保网络资源分配的均衡性，并降低网络传输功率，满足网络资源分配需求。