0 引　言

船舶作为海上运输核心载体，其航行安全与作业效率依赖稳定高效的通信网络。船舶通信网络承担导航信息传输等职责，在多船协同作业中不可或缺，关键节点运行状态决定通信系统稳定性。然而船舶航行的海洋环境多变，复杂海域电磁干扰易使传感器数据采集失真、通信链路不稳定，多船编队等场景会使网络拓扑结构动态变化，增加关键节点状态实时监测难度。因此，精准实时评估船舶通信网络关键节点状态，是保障船舶通信安全的核心问题^[1-2]。

船舶通信网络关键节点的精准识别是状态估计的基石，目前学术界已针对此方向开展了广泛研究。传统方法大致可分为统计模型类与机器学习类。在统计模型中，卡尔曼滤波及其变种是应用最为广泛的方法之一，通过无迹变换处理非线性系统，在船舶导航节点位置状态估计方面取得了显著成效。然而，当船舶通信网络遭遇强电磁干扰产生的非高斯噪声时，该类方法的估计精度易出现波动^[3]。机器学习方法凭借其强大的非线性拟合能力，在节点状态估计中得到了较广泛的应用。例如，通过支持向量机（Support Vector Machine，SVM）构建节点状态分类模型^[4]，利用节点的吞吐量、时延等监测数据作为特征，实现节点“正常/故障”的二分类状态估计。但该方法依赖于人工特征工程，且难以应对多状态的估计问题。近年来，随着深度神经网络研究的不断深入，涌现出通过多层感知机自动学习节点特征以实现多状态估计的新方法。然而，该方法输入数据仅限于节点独立特征，忽略了节点间的拓扑关联信息，导致在网络拓扑变化时，估计误差显著增加^[5]。

图神经网络（Graph Neural Network，GNN）以处理非欧几里得数据的能力，为复杂网络节点分析提供新路径，通过图卷积操作自动学习节点关联特征，无需人工构建，还能适应动态拓扑，在许多领域性能卓越^[6]。因此，本文提出基于GNN的船舶通信网络关键节点状态估计方法。

1 基于GNN的船舶通信网络关键节点状态估计 1.1 图模型定义

为精准刻画船舶通信网络的动态拓扑结构与链路质量，本研究将船舶通信网络抽象为动态无向加权图$ {G_t} = {({V_t},{E_t},{{\boldsymbol{W}}_t})^T} $。具体而言，$ {V_t} $为$ t $时刻的节点集合；$ {E_t} $为$ t $时刻的边集合；$ {{\boldsymbol{W}}_t} $为$ t $时刻的边权重矩阵。

1.2 融合多源信息的GNN特征输入层设计 1.2.1 节点自身特征

节点自身特征反映节点的运行状态，选取6个关键指标，具体为：数据吞吐量（f₁）、CPU利用率（f₂）、内存占用率（f₃）、供电电压（f₄）、工作温度（f₅）、错误帧数量（f₆），并对其进行归一化处理，具体计算公式为：

$ {\widehat f_k} = \frac{{{f_k} - {f_{k,\min }}}}{{{f_{k,\max }} - {f_{k,\min }}}}(k = 1,2,...,6)。$

(1)

式中：$ {f_k} $为第$ k $个特征指标的原始测量值；$ {f_{k,\min }} $为第$ k $个特征指标的理论下限；$ {f_{k,\max }} $为第$ k $个特征指标的理论上限。

1.2.2 邻域交互特征

邻域交互特征反映节点与邻域节点的通信关联，通过聚合节点$ {v_i} $的所有邻域节点$ N({v_i}) $的特征得到邻域节点的平均特征，公式为：

$ {\bar f_{N({v_i}),k}} = \frac{1}{{\left| {N({v_i})} \right|}}\sum\limits_{k = 1}^6 {{f_{j,k}}}。$

(2)

1.3 基于注意力机制与LSTM的GNN状态估计模型

采用图卷积网络的卷积操作，学习节点在网络拓扑中的关联特征。图卷积层的输出特征的的计算公式为：

$ h_i^{(l + 1)} = \sigma \left( {\sum\limits_{{v_j} \in N({v_i})} {{{\widetilde {\boldsymbol{A}}}_{i,j}}{{\boldsymbol{W}}^{(l)}}h_i^{(l)}} } \right) 。$

(3)

式中：$ h_i^{(l)} $为节点$ {v_i} $在第l层的特征向量；$ N({v_i}) $为包含节点自身的邻域集合；A为归一化的邻接矩阵$ {W^{(l)}} $为第l层的可训练权重矩阵；$ \sigma () $为激活函数。

为提升对关键节点特征的关注度，在图卷积层后引入多头注意力机制。对于每个注意力机制，节点$ {v_i} $与其邻域节点$ {v_j} $之间的注意力权重计算公式如下：

$ {\alpha _{ij}} = {a^T}\left[ {{W_q}h_i^{(L)} + {W_k}h_j^{(L)}} \right]。$

(4)

式中：$ h_i^{(L)} $为图卷积层的输出特征；$ {W_q} $为查询的权重矩阵；$ {W_k} $为键的权重矩阵；$ a $为注意力权重向量；$ {\alpha _{ij}} $为归一化后的注意力权重。

输出层采用了一个全连接层与 Softmax函数相结合的结构设计，该结构的主要功能是将LSTM层所产生的时序特征输出进行进一步的处理和转换。具体而言，这个全连接层负责对LSTM输出的高维特征向量进行线性变换和维度映射，而后续应用的Softmax函数将这些变换后的特征值归一化为一个概率分布。通过这种层级结构的组合，模型能够将LSTM层学习到的时序特征有效地转化为各个可能节点状态的概率分布，其数学计算公式可以表示为：

$ y_i=\mathrm{Soft}\max\left(W_{\rm{o}ut}\alpha_{ij}+b_{\rm{o}ut}\right)。$

(5)

式中：$ {W_{\rm out}} $、$ {b_{\rm out}} $为全连接层的参数；$ {y_i} $为节点状态的概率，将概率最大的状态作为节点的估计状态。

1.4 模型训练与优化

采用交叉熵损失函数，计算模型预测值与真实值之间的误差，具体为：

$ L = - \frac{1}{N}\sum\limits_{i = 1}^N {\sum\limits_{k = 1}^3 {{y_{i,k}}\log \left( {{y_{i,k}}} \right)} } 。$

(6)

式中：$ {y_{i,k}} $为节点v_i实际状态；$ {y_{i,k}} $为预测的概率值；$ N $为节点数量。

选用Adam优化器，学习率初始值设为0.001，采用学习率衰减策略。训练过程中采用早停策略，当验证集损失连续20个轮次未下降时，停止训练，避免模型过拟合，批量大小设为32，训练轮次设为200。

2 仿真实验

实验硬件环境配置为：采用Intel Core i7-12700K作为CPU，配备32GB的DDR4高速内存，操作系统选用Windows 11，图神经网络算法实现采用PyTorch工具库进行加速，数据处理与分析任务通过Python 3.9 编程环境完成实现。

为更贴近船舶通信网络的实际运行场景，本文采用仿真平台与实船测试相结合的方式构建数据集。通过构建模拟30个节点的船舶通信网络仿真平台，在低、中、高不同海洋电磁干扰强度下生成了10个场景，持续24 h的高频仿真数据；同时，通过涵盖22个通信节点的实船测试，补充了包括近海航行、远海作业及复杂气象条件在内的多种实际场景数据，共获取约60万条实船样本。将仿真数据集与实船数据集按照特定比例划分为训练集、验证集及测试集，以全面评估该方法在极端和实际场景中的性能表现。

不同方法的总体性能指标如表1所示。可知，从估计精度来看，所提模型取得了最优性能，其总体准确率（92.3 %）和F1分数（0.918）均显著高于其他对比方法。具体而言，传统方法UKF和SVM难以有效捕捉网络拓扑关联或依赖人工特征工程，性能相对有限；静态GCN虽然引入了图结构信息，但无法适应拓扑动态变化，性能仍存在差距；2种先进的动态图神经网络（DGNN和EvolveGCN）在准确率和F1分数上虽优于传统方法，但仍低于本文所提模型，表明本文融合注意力机制与LSTM的GNN架构，在同时建模节点间空间关联与状态时序演化方面具有更强的表征能力。从实时性来看，所提模型的估计延迟为12.3 ms，远低于对比方法，完全满足船舶通信网络对实时性的严格要求，体现出其在精度与效率之间的良好平衡。

设置数据缺失率为10 %、20 %、30 %，以测试不同方法的鲁棒性，结果如表2所示。可知，随着数据缺失率从10 %增加至30 %，所有对比方法的估计准确率均呈现下降趋势，符合数据缺失对模型性能产生负面影响的一般规律。然而，不同方法性能下降的幅度差异显著，充分揭示了其应对数据不完整场景的鲁棒性差异。具体而言，传统方法UKF和SVM的鲁棒性最差，在30 %数据缺失时准确率分别大幅下降至67.3 %和79.2 %，表明其严重依赖完整且高质量的数据输入，难以在信息受损时维持可靠估计。在深度学习方法中，Static GCN因无法动态调整其对邻域信息的依赖，性能下降也较为明显。DGNN与EvolveGCN展现出了优于传统和静态模型的能力，但所提模型在所有数据缺失水平下均保持了最高的准确率，且从94.1 %降至89.9 %的降幅最为平缓。由此证明，所提模型通过融合节点自身与邻域交互的多源特征，并利用图结构进行有效的信息传播与补偿，在面对数据缺失时具有最强的稳健性，能够为实际船舶通信网络中常见的数据不完整问题提供更可靠的解决方案。

为验证所提模型中各核心模块（动态图更新、注意力机制、LSTM层）的有效性，设计了消融实验，对比所提模型与“去除某一模块的简化方法”的性能，结果如表3所示。可知，去除动态图更新（采用静态图）后，准确率下降5.2 %，说明动态图更新机制能够实时适配拓扑变化，能避免因静态图导致的估计偏差；去除注意力机制（采用均值聚合）后，准确率下降2.8 %，证明注意力机制能够增强关键节点特征权重，可提升特征利用效率；去除LSTM层（仅保留GCN+注意力）后，准确率下降3.6 %，表明LSTM层能有效捕捉节点状态的时间演化规律，提升动态场景下的估计精度。

综上所述，各模块的消融结果均表明，完整模型的各组成部分具有不可替代性，在协同作用下实现了最优的估计性能。

3 结　语

在现代航海运输体系中，船舶通信网络关键节点运行状态影响网络稳定性。但船舶航行环境动态性强、拓扑结构时变且监测数据不完整，传统节点状态估计方法难以捕捉网络拓扑与节点状态关联，存在估计精度低等问题，可能引发安全隐患。针对此，本文提出基于图神经网络的船舶通信网络关键节点状态估计方法，实验基于仿真平台和实船测试数据。与传统方法对比可知，所提模型总体性能优于当前其他方法，为船舶通信网络保障提供技术支撑，为复杂动态网络关键节点状态分析提供新思路。