无人机群通信网络态势感知研究现状与发展趋势

    廖方圆 周华吉 李京华 崔如松

    DOI:10.12132/ISSN.1673-5048.2019.0152

    摘要:无人机群作战被认为是颠覆未来战场的新型作战力量,通信网络是牵引着无人机群正常运行的“风筝线”,是连通无人机群的“神经脉络”,无人机群通信网络态势(离散状态、全局形势以及演化趋势)信息的高效可靠获取是突破“电磁迷雾”并取得未来战场制信息权的基础和关键。本文从战场网络态势感知、典型无人机群作战项目、无人机群通信网络态势感知研究动态三个方面综述了国内外相关研究现状,分析了当前研究存在的不足,展望了未来发展趋势。

    关键词:无人机群;通信网络;态势感知;频谱感知;网络结构;态势预测

    中图分类号:TJ765;V279文献标识码:A文章编号:1673-5048(2019)04-0016-07

    0引言

    无人机群作战被认为是颠覆未来战场的新型作战力量,已成为世界各国展开激烈竞争的高科技领域之一。在无人机群侦察、无人机群饱和攻击、无人机群遭遇战等典型作战想定下,战场环境相比传统作战更加不透明,战场态势时空变化更加剧烈,战场信息元素种类及其关联更加复杂,敌方、我方、友方目标交错共存,导致战场信息环境往往是复杂不确定的[1-3]。

    复杂不确定战场信息环境下通信网络态势(离散状态、全局形势以及演化趋势)信息的高效可靠获取是未来作战系统的“卡脖子”类难题,是突破“电磁迷雾”并取得未来战场制信息权的基础和关键,具有重要的科学研究价值和广泛的军事应用前景[4-6]。通信网络态势感知主要涉及无源/被动信号检测、识别与推理技术,在具有隐蔽性的同时,不仅检测对手无人机群电磁信号的有无和分布,而且识别电磁信号的来源和归宿,旨在基于机器学习和人工智能技术实现无人机群通信网络的全面深度频谱测绘成像,可以为作战系统提供频谱侦察预警等电磁支援服务,提升复杂不确定环境下认知对抗水平,使得攻击/防御等后续决策更加有的放矢、事半功倍[7-8]。

    然而,复杂不确定战场信息环境下的无人机群通信网络态势感知的研究面临着严峻的技术挑战。一是复杂、对抗、非合作、不透明的战场环境下,战场信息数据样本属性呈现多维性和不确定性;二是空天地、敌友我电磁信号复杂耦合,信号识别和检测难度极大;三是动态目标和异常信号的存在与态势估计高精度需求构成了尖锐的矛盾;四是单机资源受限,如何提升单机自主感知与多机智能协同认知能力是国际性前沿难题。

    围绕无人机群通信网络态势感知这一主题,本文将从战场网络态势感知、典型无人机群作战项目、无人机群网络态势感知三个方面梳理国内外研究现状。在此基础上,分析当前研究存在的不足,展望未来发展趋势。

    1战场网络态势感知概述

    现代化战争中,驱散“战争迷雾”并取得制信息权是优化作战决策、决定战场走向的基础和前提,而战场网络态势感知正是建立该优势的关键技术[9-11]。战场网络态势感知的定义众说纷纭,通常认为,战场网络态势感知是指对一定时间和空间环境中的战场态势要素进行感知,并对获得的信息进行理解,进而形成对这些态势要素下一时刻状态的预测推理。美国军方依据网络中心战理念大力推动第二代战场态势感知系统建设,进一步突出体现网络化感知特征。美国联合实验指导委员会提出的战场态势感知模型分为五个层次,即目标精炼、态势评估、威胁估计、过程精炼以及认知精炼,其中信号与目标识别、态势估计、威胁评估构成了战场态势感知的关键技术。

    复杂战场环境中,空天地、敌友我电磁信号复杂耦合,信号与目标识别面临信息不完备、观测对象高度动态性等挑战,如图1所示。特别是随着电子战的不断发展,越来越多的电子对抗与电子反对抗使得战场的电磁环境变得日趋复杂。这就要对多源信息进行相关性分析,结合已知信息从中估计出信号和目标的属性特征,然后在噪声、干扰、信息提取错误等不确定性因素影响下,对其实现准确识别[12]。

    在信号与目标识别的基础上,需要提炼当前环境中海量目标与事件之间的聯系,形成鲜明的敌我对抗态势。基于此,判定目标意图,预测下一步趋势。态势估计强调实体自身的时间、空间变化规律和各个实体相互间的通信、因果、隶属关系信息,而威胁估计侧重于依据当前敌我双方的战场环境态势判断在未来一段时间内敌方的威胁程度、敌我双方的攻击能力、敌方的作战意图等[13]。然而,随着电磁设备日益增多,目标的动态性愈发突出,特别是大中小无人机在各种战场环境中的广泛应用,使得战场环境更加复杂且瞬息万变,现有研究存在如下局限:一是没有充分考虑目标的动态变化对数据处理精度、信息更新速度的影响,忽略了敌我对抗中欺骗信号、虚假目标等对态势生成的误导性影响,信号与目标的可靠、快速识别值得进一步深入研究;二是忽略了突发战场情况下感知资源受限、感知数据不完全的问题,有必要思考如何在有限感知能力约束下,利用数据挖掘等方法以算力置换资源,从有限数据中提取出尽可能多的态势信息。

    近年来,在无人机群作战研究中,美国军方先后设立了山鹄(Perdix)、小精灵(Gremlins)、低成本无人机集群(LOCUST)、拒止环境中协同作战(CODE)、进攻性集群战术(OFFSET)等系列研究项目。本文选取两个典型项目阐述其研发动态。

    2.1拒止环境中协同作战(CODE)项目

    无人机在从情报、监视、侦察(ISR)到打击等方面都发挥着重要作用。但大部分无人机都需要专门的远程飞行员、传感器操作人员以及数据分析人员。对人员的需求将限制无人机作战应用的扩展以及无人机作战使用的成本效益。而且在激烈的电磁对抗环境中,针对远程高机动目标使用无人机将非常困难。

    2014年5月,美国国防部高级研究计划局(DARPA)发布了“拒止环境中协同作战”(CODE)正式邀约(DARPA-BAA-14-33),旨在使侦察和攻击无人机在电子干扰、通信降级以及其他恶劣运行环境中执行任务时可编队协同工作。

    2015年1月,DARPA举办CODE项目第一阶段会议,第一阶段于2016年年初结束,具体工作是系统分析、架构设计和发展关键技术,完成了系统需求定义和初步系统设计。在项目第一阶段,通过模拟方式成功验证了自主协同在战术等级下的应用潜力,在无人机接口和开放式架构方面取得了突出的进展。

    2016年年初到2017年年中,CODE项目顺利进入第二阶段,具体工作为进一步成熟算法,并完成详细设计和飞行验证;DARPA计划使用两个研究团队的开放式架构执行自主行为的初始子集,并使用这些架构开展由1架或2架真实飞机和若干虚拟飞机编队的飞行试验。

    2018年1月,CODE项目进入第三阶段,2018年年底结束,在三个系列的飞行试验中发展和验证全任务能力。多架装备CODE软件的无人机可以导航飞往目的地,基于已经建立的作战规则遂行寻找、跟踪、识别和攻击任务,而且仅需要1名人类任务指挥官的监管。

    2019年2月,一群装备CODE软件的无人机在通信中断和无法使用GPS的条件下,成功地完成了任务目标。飞行试验共有6架真实RQ-23虎鲨无人机和14架虚拟无人机,由一个小型作战中心的任务小组监控,利用雷神公司的软件和自主算法,以及约翰霍普金斯大学应用物理实验室的白军网络来创建一个真实/虚拟/构造(LVC)的测试环境。在四次试验中,团队启动了各种虚拟目标、威胁和对策,以了解虎鲨在通信受限条件下完成目标的情况。

    2.2进攻性集群战术(OFFSET)项目

    2017年1月30日,在DARPA会议中心举办“进攻性集群战术”(OFFSET)项目的提案人活动,目标是发展基于游戏的开放架构,为城市作战的无人集群系统生成、评估和集成集群战术。各阶段目标:(1)使用50架无人机蜂群定位一个目标;(2)使用100架无人机在城市中开展一次攻击;(3)使用250个无人系统抢夺一片地域。项目最终的目标是使用250个或更多的无人系统在8个城市街区自主执行6h的任务。OFFSET项目将研究两个关键领域:一是集群自主性,包括智能移动、决策和与环境相互作用;二是人机编队,使集群指挥官可以判断、配合和影响集群系统的行为。

    2017年,项目公布了首个“蜂群冲刺”活动,DARPA称其为“插曲1”,目标是产生蜂群战术,部署由50个异构系统组成的蜂群,15~30min在2个街区定位1个城市目标。第一个“蜂群冲刺”的相关能力包括绘图、标定进入和退出点、部署传感器网络以及保持和人员的联系,相关的任务包括侦察、生成作战区域的语义学地图和/或识别和击败可能的安全威胁。

    2018年3月,DARPA开始征求第二个“蜂群冲刺”的项目建议书。第二个“蜂群冲刺”活动聚焦于自主性的提高:在2个街区范围内,使用由50个无人机和无人车组成的异构蜂群在15~30min内隔离一个城市目标。“蜂群冲刺者”将使用现有或者发展全新的硬件(传感器、作动器和受动器)、算法、和/或创新的能力,开展有针对性的验证,展示在复杂城市环境中蜂群系统的作战优势。

    2018年10月,DARPA寻求第三次“冲刺”的建议书,聚焦人-蜂群编队和蜂群战术,设计、发展和验证创新的架构,以提升人和自主蜂群的交互能力。这个主题打算识别和寻求表述蜂群系统的复杂性,以及人类队友或战术人员的认知和实体上的需求。第三个“冲刺”活动同时寻求增加对于蜂群战术的收集。被选中的“冲刺者”将设计和执行附加的复杂异构(无人机和无人地面车)蜂群战术,在4个城市街区1~2h内执行城市搜捕任务。

    2019年4月,OFFSET项目启动第四次“集群冲刺”。第四次“集群冲刺”包括两个主题:一是在OFFSET虚拟环境中开发综合技术;二是利用人工智能以发现和学习新的集群战术。对于第一个主题,提议者将寻求在模拟环境中开发和实现综合能力,其代表未来潜在的技术,如分布式“透明墙”传感器、被动集群通信或增强传感器/计算阵列,以支持和验证新的集群战术。第二个主题代表了利用人工智能加速集群战术设计的临时“冲刺”,“冲刺者”将在OFFSET增强虚拟环境中应用人工智能框架来发现、学习和强化新型集群战术。

    2019年6月,据DARPA网站报道,OFFSET项目在佐治亚州本宁堡赛尔比联合军备集训设施进行了一次战场试验,试验中,空中、地面自主机器人编队演示验证了隔离城市目标这一任务所采用的战术。无人系统编队在跨越两个城市街区的复杂环境中作战。试验任务包括:在保持对周边地区态势感知的情况下,定位并隔离模拟的市政厅建筑、定位并保护建筑物内目标、保护建筑物。每次任务时长30min。此次试验彰显了持续敏捷地开展无人蜂群开发、集成与部署所具有的优势,这也是OFFSET项目的核心原则。

    3无人机群通信网络态势感知研究动态

    通信网络态势感知是实现无人机群通信网络测绘成像的基石,其主要目标是获取通信网络当前状态、综合形势以及演化趋势等时域、频域、空域、用户域、网络域等多域立体网络态势信息[14]。通信网络态势感知的关键在于提高态势获取的准确性与时效性,并尽量减少感知信息的冗余度和节点间交互开销。无人机群通信网络是一种相对较新的网络形态,直接相关的国内外研究报道比较少,本文將从广义通信网络态势感知的角度阐述国内外研究动态,提炼无人机群通信网络态势感知的研究方向与发展趋势。

    3.1电磁频谱态势感知

    电磁频谱态势是无人机群通信网络态势感知的重要内容,空间频谱态势感知是其发展趋势。优质的频谱资源紧缺成为制约大规模无人机群智能组网的瓶颈之一。频谱态势感知最早来源于认知无线网络方面的研究,美国弗吉尼亚大学技术团队于2006年首次提出了射频环境地图(RadioEnvironmentalMaps,REMs)的概念与模型,旨在建立包含用频设备位置及行为、频谱政策及规则、地理特征及可用频谱资源等多维信息的频谱数据库[15]。在此基础上,法国TelecomR&D的OrangeLabs实验室将REMs进一步深化,利用数据空间相关性实现对数据的解析补全,提供一种可视化频谱环境地图以便于检测、分析、决策及资源管理。自2010年至今,美国明尼苏达大学的Giannakis教授团队系统地研究了时-空-频三维获取功率频谱密度图和局部信道增益图,让认知无线电系统识别可用频谱机会、用户位置、发射功率估计及移动用户的轨迹追踪,并实现干扰控制、频谱资源分配以及路由规划[16-18]。美国军方亦非常重视频谱态势图的研究,美国国防部高级研究计划局(DARPA)支持了“先进射频地图”项目(AdvancedRFMapping),主要目标是从时域、频域、空域三个维度绘制射频地图,为用户提供强大的态势感知能力,以避免频谱冲突或快速消除频率冲突,支持通信、情报、监视和侦察系统。国内方面,如图2所示,南京航空航天大学的吴启晖教授团队从频谱态势理论模型、广域频谱态势感知、动态频谱态势生成和频谱态势高效利用四个方面,梳理了对电磁频谱空间认知基础理论和关键技术的研究现状,并指出将孤立、分散、静态的频谱数据整合成一个整体,动态、关联、可视的异构数据集合是频谱态势未来的发展方向[19]。西安电子科技大学的李赞教授团队围绕网络化智能频谱监测基础理论和关键技术,提出了基于单点、协作、多目标系列稳健频谱感知方法和智能频谱控制策略,搭建了网络化智能频谱监测系统(即“电磁眼”),为空天地一体化网络体系的频谱管控与用频保护提供智能服务与决策支持。注意到,当前大多数关于频谱态势的研究显式或隐式假设频谱设备以单天线为主,频谱态势以全向辐射为主;然而,随着MIMO以及波束赋形技术逐渐成为无线通信的主流和标配,基于多天线/天线阵列的频谱波束态势感知成为研究的难点和趋势。

    3.2网络拓扑态势感知

    网络拓扑识别是通信网络态势感知的核心和关键,国内外大多数研究工作集中在有线网络拓扑识别,关于无线网络拓扑识别目前处于起步阶段。早期的研究工作主要是在有線连接的计算机网络中以网络参与者的身份进行的,如Mansfield等在文献[20]中首先提出了基于SNMP的网络层拓扑发现算法,美国加州大学的Shaikh等在文献[21]中提出了根据OSPF协议构建网络的拓扑结构及网络监控的方法等。随着研究的进一步深入,网络拓扑发现也延伸到无线通信网络中。但由于无线通信中介质的广播特性以及信号传播中衰落、干扰的存在,无线网络拓扑发现变得异常艰难。一种方法是借助霍克斯过程来解决这个问题,如美国佐治亚理工学院的Moore在文献[22]中通过利用通信对等这一合理假设,即某一发射机进行一次传输信息通常会导致其他发射机返回消息/确认/包转发的响应,用不同发射机同时发生的传输来推断其之间的关系,将数据建模为Hawkes过程,对实际无线网络通信数据学习了网络的拓扑结构并检测拓扑结构的变化。此外,美国加州大学洛杉矶分校的Laghate等在文献[23]中利用格兰杰因果关系对常用通信协议的响应机制进行建模,来学习时间复用通信网络的拓扑结构,实验证明该方法能够以较高的时间分辨率推断群网络中的有向数据流。

    3.3网络演化趋势预测

    网络演化趋势预测是主动获取通信网络态势的重要手段,是支撑无人机群网络智能化的关键技术之一。现有工作主要针对网络中链路动态变化的趋势进行预测,主要分为基于节点属性的预测方法、基于网络结构的预测方法和基于学习的预测方法。美国加州大学尔湾分校的OMadadhain等人在文献[24]中结合两个事件网络——科学家合作网和电子邮件网络,提出了基于网络结构和节点属性的局部条件概率模型,预测节点间随时间变化的关系。Liu等人在文献[25]中针对线性网络拓扑,重点考虑了非共同邻居节点向预测端点传递资源的数量,结合共同邻居和非共同邻居的贡献提出了新的预测指标,在预测网络中的缺失链接时体现出较好的性能。新墨西哥大学的Clauset等人在文献[26]中基于网络的层次组织特性,结合概率图模型提出了普适的层次化网络模型,通过计算形成该层次随机网络的期望概率,来预测两个节点的连边概率。北亚利桑那大学的Razi等人开发了基于粒子群优化和卡尔曼滤波的跟踪策略,在时变信道和跟踪资源有限条件下为UAV找到最优跟踪策略,预测UAV网络拓扑变化[27]。该实验室的Han等人在文献[28]中针对极度动态变化的无人机网络,开发了一种无监督的在线学习方法用于无人机的联合移动预测以及无人机的对象分析,所提出的方法不仅能预测无人机周围飞行物体的未来位置,并且能在无先验知识前提下按机动性的相似性将其分组,该方法能灵活预测移动性未知的新目标,适用于具有异构节点的新兴飞行ad-hoc(FANETs)网络。

    4无人机群通信网络态势感知研究趋势

    由上文分析可知,在网络态势感知方向上国内外取得了阶段性的研究成果,但大部分偏重于互联网、蜂窝网络等拥有固定地面基础设施下参与式感知的研究,还存在如下局限性:

    (1)缺少考虑大规模无人机群网络呈现的多域立体、位置/拓扑捷变、复杂关联等特性,难以直接应用于无人机群网络的网络态势感知;

    (2)大多数现有研究集中在网络离散状态信息的可靠获取,对网络全局形势的高效推理和网络演化趋势的精准预测研究还不够系统深入;

    (3)大多数相关工作聚焦于群体协同感知中个体激励机制的设计,体现的智能化水平有限,特别是提升群体智能方面仍大有可为。

    总体来说,大规模无人机群网络是一种新的网络形态,与之密切相关的网络态势感知才刚刚起步,迫切需要深入研究多域立体网络态势获取的复杂性、整体性与实时性。

    参考文献:

    [1]段海滨,邱华鑫.基于群体智能的无人机集群自主控制[M].北京:科学出版社,2019.

    DuanHaibin,QiuHuaxin.UnmannedAerialVehicleSwarmAutonomousControlBasedonSwarmIntelligence[M].Beijing:SciencePress,2019.(inChinese)

    [2]DongXiwang,YuBocheng,ShiZongying.TimeVaryingFormationControlforUnmannedAerialVehicles:TheoriesandApplications[J].IEEETransactionsonControlSystemsTechnology,2015,23(1):340-348.

    [3]DongXiwang,HuaYongzhao,ZhouYan,etal.TheoryandExperimentonFormationContainmentControlofMultipleMultirotorUnmannedAerialVehicleSystems[J].IEEETransactionsonAutomationScienceandEngineering,2019,16(1):229-240.

    [4]DingGuoru,WuQihui,ZhangLinyuan,etal.AnAmateurDroneSurveillanceSystemBasedontheCognitiveInternetofThings[J].IEEECommunicationsMagazine,2018,56(1):29-35.

    [5]WangHaichao,DingGuoru,GaoFeifei,etal.PowerControlinUAVSupportedUltraDenseNetworks:Communications,Caching,andEnergyTransfer[J].IEEECommunicationsMagazine,2018,56(6):28-34.

    [6]WangHaichao,WangJinlong,DingGuoru,etal.CompletionTimeMinimizationwithPathPlanningforFixedWingUAVCommunications[J].IEEETransactionsonWirelessCommunications,2019,18(7):3485-3499.

    [7]王沙飛.人工智能与电磁频谱战[J].网信军民融合,2018(1):25-27.

    WangShafei.ArtificialIntelligenceandElectromagneticSpectrumWarfare[J].NetworkandInformationCivilMilitaryIntegration,2018(1):25-27.(inChinese)

    [8]张余,柳永祥,张涛,等.电磁频谱战作战样式初探[J].航天电子对抗,2017(5):14-17.

    ZhangYu,LiuYongxiang,ZhangTao,etal.ThePatternsofOperationsforElectromagneticSpectrumWarfare[J].AerospaceElectronicCountermeasures,2017(5):14-17.(inChinese)

    [9]尚雅玲,胡昌振.战场感知与认知:网络空间安全态势感知的建立方法[J].科技导报,2004(7):37-38.

    ShangYaling,HuChangzhen.DominantBattlespaceAwareness&Knowledge:TheApproachtoCyberspaceSituationAwareness[J].Science&TechnologyReview,2004(7):37-38.(inChinese)

    [10]纪浩然.网络作战态势生成和展现研究[D].长沙:国防科学技术大学,2011.

    JiHaoran.ResearchonGenerationandVisualizationofNetwarSituation[D].Changsha:NationalUniversityofDefenseTechnology,2011.(inChinese)

    [11]严丽娜,刘志娜,孔祥泽.网络空间战场态势感知影响因素研究[J].通信技术,2016,49(12):1676-1679.

    YanLina,LiuZhina,KongXiangze.InfluenceFactorsofCyberspaceBattlefieldSituationAwareness[J].CommunicationsTechnology,2016,49(12):1676-1679.(inChinese)

    [12]DingGuoru,WuQihui,YaoYudong,etal.KernelBasedLearningforStatisticalSignalProcessinginCognitiveRadioNetworks:TheoreticalandFoundations,ExampleApplications,andFutureDirections[J].IEEESignalProcessingMagazine,2013,30(4):126–136.

    [13]廖鹰,易卓,胡晓峰.基于深度学习的初级战场态势理解研究[J].指挥与控制学报,2017,3(1):67-71.

    LiaoYing,YiZhuo,HuXiaofeng.BattlefieldsSituationElementaryComprehensionBasedonDeepLearning[J].JournalofCommandandControl,2017,3(1):67-71.(inChinese)

    [14]DingGouru,JiaoYutao,WangJinlong,etal.SpectrumInferenceinCognitiveRadioNetworks:AlgorithmsandApplications[J].IEEECommunicationsSurveys&Tutorials,2018,20(1):150-182.

    [15]ZhaoYP,ReedJH,MaoSW,etal.OverheadAnalysisforRadioEnvironmentMapenabledCognitiveRadioNetworks[C]∥NetworkingTechnologiesforSoftwareDefinedRadioNetworks,Reston,2006.

    [16]BazerqueJA,GiannakisGB.DistributedSpectrumSensingforCognitiveRadioNetworksbyExploitingSparsity[J].IEEETransactionsonSignalProcessing,2010,58(3):1847-1862.

    [17]KimSJ,DallAneseE,GiannakisGB.CooperativeSpectrumSensingforCognitiveRadiosUsingKrigedKalmanFiltering[J].IEEEJournalofSelectedTopicsinSignalProcessing,2011,5(1):24-36.

    [18]DallAneseE,KimSJ,GiannakisGB.ChannelGainMapTrackingviaDistributedKriging[J].IEEETransactionsonVehicularTechnology,2011,60(3):1205-1211.

    [19]吳启晖,任敬.电磁频谱空间认知新范式:频谱态势[J].南京航空航天大学学报,2016,48(5):625-632.

    WuQihui,RenJing.NewParadigmofElectromagneticSpectrumSpace:SpectrumSituation[J].JournalofNanjingUniversityofAeronauticsandAstronautics,2016,48(5):625-632.(inChinese)

    [20]MansfieldG,OuchiM,JayanthiK,etal.TechniquesforAutomatedNetworkMapGenerationUsingSNMP[C]∥ProceedingsofIEEEINFOCOM96.ConferenceonComputerCommunications,SanFrancisco,1996.

    [21]ShaikhA,GoyalM,GreenbergA,etal.AnOSPFTopologyServer:DesignandEvaluation[J].IEEEJournalonSelectedAreasinCommunications,2002,20(4):746-755.

    [22]MooreMG,DavenportMA.AnalysisofWirelessNetworksUsingHawkesProcesses[C]∥IEEEInternationalWorkshoponSignalProcessingAdvancesinWirelessCommunications,Edinburgh,2016.

    [23]LaghateM,CabricD.LearningWirelessNetworksTopologiesUsingAsymmetricGrangerCausality[J].IEEEJournalofSelectedTopicsinSignalProcessing,2018,12(1):233-247.

    [24]OMadadhainJ,HutchinsJ,SmythP,etal.PredictionandRankingAlgorithmsforEventBasedNetworkData[J].SIGKDDExplorations,2005,7(2):23-30.

    [25]LiuY,FengJH,SimeoneO,etal.TopologyDiscoveryforLinearWirelessNetworkswithApplicationtoTrainBackboneInauguration[J].IEEETransactionsonIntelligentTransportationSystems,2016,17(8):2159-2170.

    [26]ClausetA,MooreC,NewmanMEJ.HierarchicalStructureandthePredictionofMissingLinksinNetworks[J].Nature,2008,453(7191):98-101.

    [27]RaziA,AfghahF,ChakareskiJ.OptimalMeasurementPolicyforPredictingUAVNetworkTopology[C]∥51stAsilomarConferenceonSignals,Systems,andComputers,PacificGrove,2017.

    [28]HanP,RaziA,AfghahF,etal.AUnifiedFrameworkforJointMobilityPredictionandObjectProfilingofDronesinUAVNetworks[J].JournalofCommunicationsandNetworks,2018,20(5):434-442.