-
空间信息网络目前是国内外研究的热点，中国在“十一五”期间提出了空间信息网络的概念，2013年国家自然科学基金委启动了空间信息网络基础理论与关键技术的研究计划，取得了重要进展[1]。近年来，随着遥感对地观测技术的飞速发展，卫星的数据获取量呈几何级数增长，给星上遥感数据存储、处理与传输带来了严峻挑战，主要表现为：(1)传统的遥感数据星上获取、星地传输、地面站接收、处理中心处理与产品分发的数据链无法根据任务需求进行高效聚集，不能满足不同层级的用户任务需求；(2)高分辨率宽幅遥感卫星数据获取速率不断提升，远超数据压缩传输能力的发展速度，凸显了星地之间数据的传输瓶颈；(3)传统的遥感数据获取、处理和应用链路由于信息提取的智能化处理能力不足，导致了受限环境下的数据存储、处理和传输资源的浪费。而基于空间信息网络发展任务驱动的遥感数据星地协同处理机制是解决上述挑战的一个有效方案[2-4]。
空间信息网络是天地一体信息网络的空间部分，是以空间平台(不同轨道、种类、性能的卫星、星座及相应设施)为载体，通过星间、星地链路一体化组网互联，支持实时采集、传输和处理海量空间信息的网络基础设施[5-6]。与地面网络相比，空间信息网络覆盖范围扩展至太空，应用领域几乎涉及方方面面，因此技术难度大幅度提高。由于空间节点之间的通信环境较差，且卫星与天体之间的角度等因素会影响链路的连通性，空间信息网络存在延时过长、链路经常中断等问题，给其建设带来了极大的挑战。目前，空间信息网络技术已在一些国家进行了方法研究与初步试验[7-8]，但中国在空间信息网络技术与应用服务的研究之间尚存在鸿沟，空间信息网络和应用服务之间的链路还需要打通。
本文为了在应用任务和空间信息网络有限的网络资源之间形成联动机制，有效解决星上遥感数据存储、处理和传输能力受限的问题，提出了一种面向空间信息网络的星地协同计算迁移方法。该方法针对遥感数据星地协同处理机制，基于任务驱动的空间信息网络体系架构，建立了计算迁移的优化模型，并提出了遥感数据计算迁移架构的技术实现。
-
遥感数据星地协同处理是以遥感数据处理任务为核心，对数据获取资源、星上存储资源、处理资源、传输资源和接收资源等进行能力描述和建模，将不同的遥感数据处理任务进行合理的描述和分解，通过空间信息网络资源优化与协同服务，实现受限环境下资源最优配置的数据迁移和处理算法迁移，提高数据处理和信息提取效率，更好地满足遥感数据处理任务需求。
-
与传统的以流量为核心的信息网络体系架构相比，在任务驱动的空间信息网络体系架构中，任务目标更加明确、数据处理方式更加灵活、星地资源配置更加合理，能快速响应突发事件或其他实效性要求较高的任务，如动态目标检测、救灾应急响应等。
本文借鉴虚拟化和软件定义网络思想，提出了任务驱动的空间信息网络体系结构。在该体系结构中，底层网络是由若干颗同步轨道卫星与地面站组成的基础主干网络，包括空间站和遥感卫星在内的各种在轨飞行器与基础主干网络有动态链路，同时部分在轨飞行器由于有多种信道的收发机，因此可以组成具有容延迟特性的自组织网络，同样具备通信、传输、计算、存储能力。
虚拟网络层实现资源的虚拟化和网络的虚拟化，屏蔽底层网络的异构异质性和动态性，根据任务类型和任务需求，为任务提供一个抽象的虚拟网络，该虚拟网络对应于任务的工作流程，同时抽象各类资源，向服务提供对应的资源集合。虚拟网络管理模块根据任务资源需求，在多任务之间划分虚拟网络资源切片，并实现虚拟网络节点与资源的链接。借鉴软件定义网络中智能的思想和灵活机制，实现任务驱动的动态调度。控制器根据工作流程和虚拟网络动态构型自动生成管理控制指令。服务层将几类典型的任务规划为服务与资源集合，包括传感服务与资源集合、通信服务与资源集合、计算服务与资源集合，并以任务需求为中心规划工作流程。
-
空间信息网络资源优化与协同服务对于提高空间信息网络服务能力，提高空间信息网络多任务系统的综合效能，实现空间信息网络资源的优化配置至关重要。
空间信息网络资源优化与协同服务通过聚合多种空间信息网络资源，形成应用任务与网络资源间的联动机制，提供快速、高效的协同服务，以满足多种任务需求。在多任务并发环境下，其综合考虑任务在时间和空间域上的属性约束，利用动态规划方法对条件约束的任务效能评估模型进行最优化求解，得到任务在时间空间域上的编排顺序。在此基础上，基于任务对资源的需求约束，利用空间信息网络资源分配博弈论模型推导资源博弈结果下的均衡策略及算法求解，实现资源利用最大化。
主要技术包括：(1)空间信息网络资源聚焦服务。基于空间信息网络应用任务的特点，引入事件驱动机制，通过服务协议和服务接口实现原子任务到服务组合的映射。(2)多任务规划与资源协同调度。将任务完成度、资源利用、方法性能、动态调整等方面作为评价指标，建立资源调度与任务规划的自适应反馈机制，从而制定相应的多任务编排方案。(3)空间信息网络任务评估与服务优化。基于应用任务的要素构成和获取方法，构建任务评估要素集，同时利用任务溯源信息辅助任务执行结果的评价，推导相应的要素权重向量，对空间信息网络进行任务评估和服务优化。
-
本文提出的面向空间信息网络的星地协同计算迁移方法基于星地协同计算迁移优化模型，利用星地协同计算迁移实现技术，综合考虑星地资源，实现最优化遥感数据处理任务的调度和处理。
-
建立星地协同计算迁移优化模型需要综合考虑计算任务的复杂度、星地的计算能力和空间信息网络的传输能力，以实现最优化地利用各种资源。其中，由于空间信息网络的传输能力随着网络拓扑的变化而不断改变，需要一个额外的模型对数据传输进行路由，因此可以将该优化模型分为数据传输模型和计算迁移方案选择模型两个部分。模型所涉及的重要参数和变量如表 1、表 2和表 3所示。
表 1 模型输入参数
Table 1. Model Input Parameters
输入参数 说明 PΩ 遥感数据处理任务的算法复杂度 PSA 星上平台处理能力 PGA 地面中心处理能力 PX 任务所需的遥感数据量大小 表 2 模型中间变量
Table 2. Model Intermediate Variables
输入参数 说明 PST 星上平台处理任务所需时间 PGT 地面中心处理任务所需时间 PTs 原始遥感数据在整个链路的传输时间 PTm 算法在整个链路的传输时间 PTr 结果数据在整个链路的传输时间 表 3 模型决策变量
Table 3. Model Decision Variables
输入参数 说明 PT1 不进行计算迁移完成任务所需的时间 PT2 进行计算迁移完成任务所需的时间 -
本文根据空间信息网络的特点，使用了延迟可容忍性网络(delay-tolerant network, DTN)作为空间信息网络的互联方式。而空间DTN网络中卫星链路误码率高、时延大，卫星资源受限以及拓扑结构变化频繁，为其中的数据路由带来了巨大挑战。基于接触图的路由(contact graph routing, CGR)模型已被证明在空间DTN网络的消息交付率、抵达延时和网络开销指标上具有明显的优势[9]。
CGR路由模型根据某些先验知识，如网络拓扑状态变化、连接计划等信息，采用启发式的路由算法，通过递归的调用连接检查过程(contact review procedure, CRP)来计算网络传输路径，考虑了节点缓存和链路容量的问题，可以同时计算多条路径且效率较高[10]。其数据传输流程为：
1) 获取整个网络的连接计划，包括许多连接计划消息和距离消息。其中连接计划消息包含该连接的开始时间、结束时间、传输节点号、接收节点号和预估可用带宽；距离消息包含开始时间、结束时间、节点号1、节点号2和预估节点距离。
2) 每个节点基于连接计划生成连接图，由针对其他节点的连接计划链表和距离链表组成。
3) 整个网络不断地通过连接计划过程来对连接计划进行更新，同时更新每个节点上的连接图。
4) 在每一个节点上基于连接图和连接检查过程方法来获取Bundle包可转发的所有节点，并通过对比选择出下一跳节点，即转发路径，不断重复该过程直到Bundle包传输完成。
5) 在对每个Bundle包进行传输时预计其容量消耗和每个路径的剩余容量，从而根据可用链路容量来避免发生拥塞。
基于CGR路由模型进行数据传输仿真，可以获取当前链路情况下针对任务所需数据在指定地面中心和星上平台之间的数据传输延时，从而估算总时间，即根据当前链路资源和相应数据量就可预测出中间变量PTs、PTm和PTr。
-
计算迁移方案选择模型在数据传输模型的基础上判断进行计算迁移是否能够优化任务处理方案，提高效率。其中，星上平台和地面中心的处理能力是重要指标，将其作为输入参数并根据任务的数据量、算法复杂度和已知的先验知识，可使用式(3)和式(4)分别求出中间变量PST与PGT：
$${P_{ST}} = {P_\mathit{\lambda }} \cdot \frac{{{P_\mathit{\Omega }} \cdot {P_\mathit{X}}}}{{{P_{SA}}}} $$ (1) $${P_{\mathit{GT}}} = {P_\mathit{\lambda }} \cdot \frac{{{P_\mathit{\Omega }} \cdot {P_\mathit{X}}}}{{{P_{\mathit{GA}}}}} $$ (2) 式中，系数Pλ通过先验计算获得，表示计算复杂度乘以数据量与计算能力的比值和计算时间之间的关系。基于上述计算获得的中间变量，可以利用式(3)和式(4)进行决策变量的计算，从而进行计算迁移方案选择：
$${P_{{T_1}}} = {P_{\mathit{GT}}} + {P_{{T_\mathit{s}}}} $$ (3) $${P_{{T_2}}} = {P_{\mathit{ST}}} + {P_{{\mathit{T}_\mathit{m}}}} + {P_{{\mathit{T}_\mathit{r}}}} $$ (4) 如果PT1小于或等于PT2，则无需进行计算迁移，直接从星上平台获取遥感数据并在地面中心处理数据即可。而如果PT1大于PT2，则可以将计算任务从地面中心迁移到相应的星上平台进行处理后再返回结果。
上述的星地协同计算迁移优化模型在某些先验知识已知的条件下，根据算法复杂度、星上平台处理能力、地面中心处理能力，对整个网络资源进行合理分配，避免网络拥塞的发生和尽可能快速地进行数据传输，实现遥感数据处理任务的最优化处理。
-
本文提出的星地协同计算迁移实现架构如图 1所示，整体流程为：(1)用户向地面中心发布遥感数据处理任务；(2)地面中心接收到遥感数据处理任务后，利用计算迁移优化模型基于任务描述和星地资源当前状态，给出最优执行方案；(3)如无需进行计算迁移，地面中心将下载相关卫星遥感数据，并利用事先发布的网络地理信息处理服务(web process service, WPS)[11]所提供的算法，在地面计算中心对其进行处理，返回结果给用户；(4)如需进行计算迁移，地面中心将利用星上发布的网络栅格数据处理服务(web coverage process service, WCPS)[12]，将遥感数据处理命令基于面向空间信息网络的DTN束协议(bundle protocol, BP)上传至星上平台并解析为WCPS处理参数，在星上直接对相关遥感数据进行处理后下载结果并返回给用户。该架构综合考虑星上平台和地面中心的存储、计算以及传输资源，通过星地协同计算迁移来最优化地解决遥感影像处理任务。
图 1 星地协同计算迁移实现架构
Figure 1. Implementation Architecture of Satellite-Ground Collaborative Computing Migration
WCPS由开放地理空间联盟(Open Geospatial Consortium, OGC)提出，它对原有的网络栅格数据服务(web coverage service, WCS)[13]进行了扩展，为其添加了灵活、开放式的栅格数据处理能力。WCPS通过制定标准的接口指定了一种处理语言，让用户可以像使用SQL查询、处理数据库数据一样在WCS中查询、处理栅格数据[14]。即WCPS实现了在客户端通过标准接口将数据处理命令发送到服务端进行执行，返回相关结果，从而实现了计算迁移。
本文提出的架构使用了高性能的阵列数据库RasDaMan[15]作为WCS和WCPS的后台数据存储系统。RasDaMan支持多维栅格数据的存储和查询，也提供了丰富的栅格数据处理接口。WCPS通过将接收到的处理命令翻译为RasDaMan查询语言——raSQL，从而将任务移交给RasDaMan数据库进行高性能的查询和处理。同时，本文使用了一个关系型数据库PostgreSQL作为RasDaMan的持久数据存储层，整体架构如图 2所示。栅格数据按照瓦片分割并以BLOB的形式存储在PostgreSQL中，PostgreSQL以SQL接口的形式向WCS和WCPS提供栅格元数据信息，以及向RasDaMan提供执行raSQL命令时所需的栅格数据。
图 2 WCS+WCPS架构实现
Figure 2. Implementation Architecture of WCS and WCPS
根据上述星地协同计算迁移实现技术，本文实现了面向空间信息网络的星地协同计算迁移方法，优化了空间信息网络环境下的遥感数据处理任务执行方案。
-
为了验证本文提出的星地协同计算迁移优化模型和实现技术的可行性，通过搭建仿真平台、导入测试案例进行了实验。
-
本文基于STK建模工具和ONE仿真软件搭建了一个仿真平台，其架构如图 3所示。
图 3 仿真平台架构
Figure 3. Architecture of Simulation Platform
为了获得尽可能真实的仿真场景，为后续的星地协同计算迁移优化模型提供更加具有参考价值的网络传输数据，进而获得模型的运行效果，需要运用空间网络拓扑对空间网络进行动态模拟。本文采用了美国Analytical Graphics公司开发的STK卫星网络建模工具，它可以模拟卫星节点的运行状态，从而仿真卫星网络的各项数据。
ONE是机会网络环境仿真模拟器[16]，它可以根据节点的不同移动模型，在不同参数条件下对路由协议进行仿真，为DTN仿真提供了一个友好的可视化窗口。ONE重在对网络链路的模拟，只要提供链路的变化参数，ONE就可以模拟出链路的各项变化。
在该平台上可以模拟空间信息网络环境下的数据传输模型，流程如图 4所示。该工作流程主要包括星地协同场景的设计和载入场景参数进行仿真两个部分。其中场景设计采用STK软件来完成，场景数据最终被导出为STK交换格式。但是这种数据格式并不能直接被ONE识别，需要使用GIS软件对数据进行坐标转换、修正和编辑，最后生成ONE可以导入使用的WKT格式文件。而ONE获得数据后运行仿真模型，报文产生器将生成仿真结果，以文本的形式保存在相应目录下的Reports文件夹中，可以使用相关工具生成表或曲线。
图 4 网络传输仿真流程
Figure 4. Process of Network Transmission Simulation
同时，本文对地面中心和星上平台的处理能力也进行了仿真。将一台具有4颗6核的Inter E5-2630V2高性能服务器仿真为地面站处理中心。而近年来星上平台的处理能力在不断提高，如欧洲空间局正在研制的OPS-SAT在轨处理卫星不仅能运行Linux系统, 还搭载了一颗主频能够达到800 MHz的2核CPU[17]，因此模拟星上平均处理能力已达到地面中心的1/25，使用一台2核Linux虚拟机仿真星上平台。
-
实验建立的仿真场景如图 5所示，各个卫星节点之间支持动态组网。同时，在STK场景设计中为每个节点建立了发射器和接收器用于得到链路参数数据，通过仿真运行可得到实验场景的空间环境数据并导出和转化为ONE可处理的数据格式。
图 5 STK建立的实验场景
Figure 5. Experimental Scene Built by STK
之后，本文使用ONE软件导入数据对空间信息网络进行仿真模拟。设定Bundle包容量为1 MB，并根据卫星与地面站之间的链路资源情况设计了6级负载，如图 6所示，等级越高，代表网络链路上可用带宽越小。
图 6 链路可用带宽与负载等级关系
Figure 6. Relationship Between Available Band Width and Load Level of the Link
同时，本文实验选择对卫星星上获取的一幅专题制图仪(thematic mapper，TM)影像进行植被覆盖指数(normalized difference vegetation index，NDVI)计算，作为遥感数据星地协同处理任务的案例。星上原始遥感影像数据的尺寸为7 881×6 931，拥有7个波段，数据总量为365 MB。实验中，星地协同计算迁移优化模型的初始输入参数如表 4所示。
表 4 初始输入参数
Table 4. Initial Input Parameters
参数 值 说明 PΩ 2.73 O(n)×5，n次5个基本操作(亿) PSA 1 星上处理能力设为1 PGA 25 地面中心处理能力为星上25倍 PX 365 原始遥感数据大小(MB) Pλ 0.40 先验系数 根据式(1)、式(2)计算出任务星上处理的时间PST为398.58 s，地面中心处理的时间PGT为15.94 s。如果不进行计算迁移，需传输数据量为原始影像的365 MB，而如进行计算迁移，则传输数据变为单波段的结果影像52.1 MB和WCPS处理命令包1 MB(以1个Bundle包计)。在目标卫星飞过地面控制中心上空的一段时间内, 基于DTN数据传输的CGR路由模型仿真预测得到不同负载等级下的各中间变量如表 5所示。
表 5 预测的中间变量
Table 5. Predicted Intermediate Variables
负载等级 PTs/s PTm/s PTr/s 1 293.9 2.6 44.3 2 367.2 3.3 55.2 3 550.2 4.1 82.1 4 1 135.7 7.2 168.5 5 2 453.3 14.4 362.9 6 5 857.2 33.2 865.1 根据式(3)、式(4)计算可得到在链路不同负载等级下两种方法所需时间对比如图 7、表 6所示。
图 7 不同链路负载等级下PT1和PT2对比
Figure 7. Comparison of PT1 and PT1 Under Different Load Ranks of the Link
表 6 链路负载等级
Table 6. Different load Ranks of the Link
参数 1 2 3 4 5 6 PT1/s 309.8 383.1 566.1 1 151.6 2 469.2 5 873.1 PT2/s 445.5 457.2 484.8 1 574.3 775.9 1 296.9 结果显示，在链路负载较低时(负载等级1和2)，进行计算迁移并不能减少遥感处理任务总时间，原因是在链路负载低时可用带宽高，数据传输效率较高。而随着链路负载等级逐渐增加，数据传输效率逐渐降低，进行计算迁移节省的数据传输时间更加明显。而在实际情况下，链路可用带宽一般不会太高，可用数据传输时间窗口较小，因此本文提出的星地协同计算迁移方法在一定情况下能够为遥感任务的处理带来性能提升。最终可得到任务处理结果如图 8所示。
图 8 NDVI任务结果
Figure 8. NDVI Task Result
上述实验通过搭建仿真平台、导入测试案例和相关数据进行了动态的仿真模拟。实验过程中，随着空间信息网络资源的变化，优化模型对计算迁移方案进行了动态调整，得到了较好的计算迁移优化结果，证明了本文提出的面向空间信息网络的星地协同计算迁移方法的可用性。
而更进一步，可将该方案扩展为多星协同处理的计算迁移方法，案例示意图如图 9所示。假设当一场洪涝灾害发生时，用户向地面控制中心发起洪水淹没范围提取任务，需要对洪水前后的遥感影像分别进行水体范围提取并融合计算淹没范围；地面控制中心将相应的资源获取与计算指令迁移到星上平台A，通过星间动态组网与星上资源调度，星上平台A感知到星上平台B上有洪水淹没前影像，而星上平台C能够最快观测或已经观测到洪水淹没后影像，于是将指令拆解后分别迁移到对应的卫星上；最终，星上平台A在获取到各颗卫星的返回结果后，融合数据进行淹没范围提取计算，返回用户所需的遥感产品。
图 9 多星协同处理的计算迁移案例示意图
Figure 9. Schematic Diagram of Multi-Satellite Co-Processing Calculation Migration
上述方法目前已经拥有了一定的技术支撑，如RasDaMan数据库集群已支持对等网络下的多幅遥感影像并行查询与计算，而其在空间信息网络环境下的实验将进一步展开[18]。笔者所在团队也将在后续逐渐开展针对该方法的实验研究。
-
本文针对新时代遥感数据处理任务遇到的瓶颈和挑战，基于任务驱动的空间信息网络体系架构，综合考虑星地处理能力、传输能力等资源，通过建立星地协同的计算迁移模型和实现相关技术，提出了面向空间信息网络的星地协同计算迁移方法，并通过搭建仿真平台进行实验，对案例结果进行分析，验证了该方法的可行性。但是空间信息网络是一个非常复杂的体系结构，并且相关知识体系仍在不断的发展，在后续的研究实验中将对该方法中所涉及的模型和实现技术进行进一步的优化，在多星多任务并行的情况下优化资源分配。
An Approach of Spatial Information Network Oriented Satellite-Ground Collaborative Computing Migration
-
摘要: 面向空间平台构建星地一体化的空间信息网络近年来成为信息网络建设的热点。传统的信息网络建设趋于流量驱动，以满足节点间的通信需求为主。空间信息网络的建设更着重于以应用业务中的任务为向导，牵引从通信资源到计算、存储资源的优化重组与协同服务。如何在应用任务与有限网络资源间形成联动机制，有效解决星上遥感数据存储、处理与传输能力受限的问题，是实现空间信息网络高效数据处理的关键技术问题。针对遥感数据星地协同处理的机制，在任务驱动的空间信息网络体系架构基础上，提出一种面向空间信息网络的星地协同计算迁移方法，建立了计算迁移的优化模型，提出了计算迁移的实现技术，通过案例仿真结果与分析，验证了该方法的可行性。Abstract: Recent years, orienting space platform to construct satellite-ground integrative spatial information network has become a hot topic of information network construction. Conventional information network construction tends to be flow driven to meet the communication requirement between nodes. The construction of spatial information network focuses more on taking tasks in the application business as guide, and pulls from communication resources to optimal recombination and cooperative service of computing and storage resources. How to form linkage mechanism between application tasks and limited network resources, which can effectively solve the capacity constrained problems of remote sensing data storage, processing and transmission, is the key technical problem to realize the efficient data processing in spatial information network. According to the mechanism of satellite-ground collaborative remote sensing data processing, based on the task driven spatial information network architecture, an approach of spatial information network oriented satellite-ground collaborative computing migration is presented. We build an optimization model of computing migration, propose the implementation technique of computing migration and verify the feasibility of the approach through results analysis of the simulation case.
-
图 1 星地协同计算迁移实现架构
Figure 1. Implementation Architecture of Satellite-Ground Collaborative Computing Migration
图 6 链路可用带宽与负载等级关系
Figure 6. Relationship Between Available Band Width and Load Level of the Link
图 7 不同链路负载等级下PT1和PT2对比
Figure 7. Comparison of PT1 and PT1 Under Different Load Ranks of the Link
图 9 多星协同处理的计算迁移案例示意图
Figure 9. Schematic Diagram of Multi-Satellite Co-Processing Calculation Migration
表 1 模型输入参数
Table 1. Model Input Parameters
输入参数 说明 PΩ 遥感数据处理任务的算法复杂度 PSA 星上平台处理能力 PGA 地面中心处理能力 PX 任务所需的遥感数据量大小 
下载: 导出CSV
表 2 模型中间变量
Table 2. Model Intermediate Variables
输入参数 说明 PST 星上平台处理任务所需时间 PGT 地面中心处理任务所需时间 PTs 原始遥感数据在整个链路的传输时间 PTm 算法在整个链路的传输时间 PTr 结果数据在整个链路的传输时间
下载: 导出CSV
表 3 模型决策变量
Table 3. Model Decision Variables
输入参数 说明 PT1 不进行计算迁移完成任务所需的时间 PT2 进行计算迁移完成任务所需的时间
下载: 导出CSV
表 4 初始输入参数
Table 4. Initial Input Parameters
参数 值 说明 PΩ 2.73 O(n)×5，n次5个基本操作(亿) PSA 1 星上处理能力设为1 PGA 25 地面中心处理能力为星上25倍 PX 365 原始遥感数据大小(MB) Pλ 0.40 先验系数
下载: 导出CSV
表 5 预测的中间变量
Table 5. Predicted Intermediate Variables
负载等级 PTs/s PTm/s PTr/s 1 293.9 2.6 44.3 2 367.2 3.3 55.2 3 550.2 4.1 82.1 4 1 135.7 7.2 168.5 5 2 453.3 14.4 362.9 6 5 857.2 33.2 865.1
下载: 导出CSV
表 6 链路负载等级
Table 6. Different load Ranks of the Link
参数 1 2 3 4 5 6 PT1/s 309.8 383.1 566.1 1 151.6 2 469.2 5 873.1 PT2/s 445.5 457.2 484.8 1 574.3 775.9 1 296.9
下载: 导出CSV
-
[1] 梁宗闯, 陶滢, 高梓贺.天基宽带互联网发展现状与展望[J].中兴通讯技术, 2016, 22(4):14-18 doi: 10.3969/j.issn.1009-6868.2016.04.003 Liang Zongchuang, Tao Ying, Gao Zihe. Status and Development Trend of Space Broadband Internet[J]. ZTE Technology Journal, 2016, 22(4):14-18 doi: 10.3969/j.issn.1009-6868.2016.04.003 [2] 李德仁, 沈欣, 李迪龙, 等.论军民融合的卫星通信、遥感、导航一体天基信息实时服务系统[J].武汉大学学报·信息科学版, 2017, 42(11):1501-1505 http://ch.whu.edu.cn/CN/abstract/abstract5863.shtml Li Deren, Shen Xin, Li Dilong, et al. On Civil-Mili-tary Integrated Space-Based Real-Time Information Service System[J]. Geomatics and Information Science of Wuhan University, 2017, 42(11):1501-1505 http://ch.whu.edu.cn/CN/abstract/abstract5863.shtml [3] 李德仁, 王密, 沈欣, 等.从对地观测卫星到对地观测脑[J].武汉大学学报·信息科学版, 2017, 42(2):143-149 http://ch.whu.edu.cn/CN/abstract/abstract5653.shtml Li Deren, Wang Mi, Shen Xin, et al. From Earth Observation Satellite to Earth Observation Brain[J]. Geomatics and Information Science of Wuhan University, 2017, 42(2):143-149 http://ch.whu.edu.cn/CN/abstract/abstract5653.shtml [4] 何友, 姚力波.天基海洋目标信息感知与融合技术研究[J].武汉大学学报·信息科学版, 2017, 42(11):1530-1536 http://ch.whu.edu.cn/CN/abstract/abstract5867.shtml He You, Yao Libo. Space-Based Sea Target Information Awareness and Fusion[J]. Geomatics and Information Science of Wuhan University, 2017, 42(11):1530-1536 http://ch.whu.edu.cn/CN/abstract/abstract5867.shtml [5] 李德仁, 沈欣, 龚健雅, 等.论中国空间信息网络的构建[J].武汉大学学报·信息科学版, 2015, 40(6):711-715 http://ch.whu.edu.cn/CN/abstract/abstract3264.shtml Li Deren, Shen Xin, Gong Jianya, et al. On Constraction of China's Space Information Network[J]. Geomatics and Information Science of Wuhan University, 2015, 40(6):711-715 http://ch.whu.edu.cn/CN/abstract/abstract3264.shtml [6] 潘成胜.空间信息网络的若干关键技术[J].中国计算机学会通信, 2013, 9(4):46-51 http://cdmd.cnki.com.cn/Article/CDMD-90002-1011073878.htm Pan Chengsheng. Several Key Technologies of Spatial Information Network[J]. Communications of CCF, 2013, 9(4):46-51 http://cdmd.cnki.com.cn/Article/CDMD-90002-1011073878.htm [7] Gavras A, Karila A, Fdida S, et al. Future Internet Research and Experimentation:The FIRE Initiative[J]. ACM SIGCOMM Computer Communication Review, 2007, 37(3):89-92 doi: 10.1145/1273445 [8] Reinhart R C, Kacpura T J, Johnson S K, et al. NASA's Space Communications and Navigation Test Bed Aboard the International Space Station[J]. IEEE Aerospace and Electronic Systems Magazine, 2013, 28(4):4-15 doi: 10.1109/MAES.2013.6506824 [9] 王赛, 邓福兴, 程子敬, 等.面向空间延迟可容忍网络的路由协议仿真研究[J].武汉大学学报·信息科学版, 2015, 40(10):1312-1316 http://ch.whu.edu.cn/CN/abstract/abstract3339.shtml Wang Sai, Deng Fuxing, Cheng Zijing, et al. Analy-sis of Routing Algorithm for Space Delay/Disruption Tolerant Network[J]. Geomatics and Information Science of Wuhan University, 2015, 40(10):1312-1316 http://ch.whu.edu.cn/CN/abstract/abstract3339.shtml [10] 燕洪成, 张庆君, 孙勇.基于连接图路由算法的导航星座网络路由性能研究[C].中国卫星导航学术年会, 北京, 2014 Yan Hongcheng, Zhang Qingjun, Sun Yong. Routing Performance Evaluation in Navigation Constellation Network Based on Contact Graph Routing[C]. China Satellite Navigation Conference, Beijing, China, 2014 [11] Schut P. OGC 05-007r7, OpenGIS Web Processing Service[R]. Open Geospatial Consortium, Wayland, MA, USA, 2007 [12] Baumann P. OGC 08-068r2, OGC Web Coverage Processing Service (WCPS) Language Interface Standard[R]. Open Geospatial Consortium, Wayland, MA, USA, 2009 [13] Whiteside A, Evans J D. OGC 07-067r5, Web Cove-rage Service (WCS) Implementation Standard[R]. Open Geospatial Consortium, Wayland, MA, USA, 2008 [14] Baumann P. The OGC Web Coverage Processing Service (WCPS) Standard[J]. GeoInformatica, 2010, 14(4):447-479 doi: 10.1007/s10707-009-0087-2 [15] Baumann P, Dehmel A, Furtado P, et al. The Multi-dimensional Database System RasDaMan[C]. The 1998 ACM SIGMOD International Conference on Management of Data, Seattle, Washington, USA, 1998 [16] Keränen A, Ott J, Kärkkäinen T. The ONE Simulator for DTN Protocol Evaluation[C]. The 2nd International Conference on Simulation Tools and Techniques, Rome, Italy, 2009 [17] Evans D, Merri M. OPS-SAT: An ESA Nanosatellite for Accelerating Innovation in Satellite Control[C]. SpaceOps Conference, Pasadena, California, USA, 2014 [18] Baumann P, Dumitru A, Merticariu V, et al. Breaking the Big Data Barrier by Enhancing On-board Sensor Flexibility[C]. The 2nd ACM SIGSPATIAL International Workshop on Analytics for Big Geospatial Data, Orlando, Florida, USA, 2013 -
点击查看大图
计量
- 文章访问数: 1071
- HTML全文浏览量: 87
- PDF下载量: 215
- 被引次数: 0
