SATSense: Multi-Satellite Collaborative Framework for Spectrum Sensing

最近，低地球轨道卫星互联网已经部署，利用非地面网络提供全球服务。随着非地面和地面网络的大规模部署，有限的频谱资源将不足以分配。因此，动态频谱共享对它们在同一频谱中的共存至关重要，准确的频谱感知是必不可少的。然而，由于频道条件的变化，空间中的频谱感知比地面网络更具挑战性，使得单卫星感知不稳定。因此，我们首先尝试设计一种协作感知方案，利用多个卫星的多样化数据。然而，由于异构的信道质量、大量的原始采样数据和数据包丢失，实现这种协作并不容易。为了解决上述问题，我们首先通过将它们的感知数据建模为一个图，并设计了一个基于图神经网络的算法来实现有效的频谱感知，从而建立了卫星之间的连接。同时，我们建立了一个联合子Nyquist采样和自编码器数据压缩框架，以减少传输的感知数据量。最后，我们提出了一种基于对比学习的机制来补偿缺失的数据包。广泛的实验表明，我们提出的策略可以实现有效的频谱感知性能，并在频谱感知精度方面优于传统的深度学习算法。

如何在低地球轨道卫星互联网和地面网络的大规模部署中实现动态频谱共享？如何在多个卫星的不同信道质量和数据损失情况下实现协作频谱感知？

建立卫星频谱感知数据的图模型，利用图神经网络实现卫星间的协作频谱感知；同时使用联合子Nyquist采样和自编码器数据压缩框架来减少传输的感知数据量；提出对比学习机制来弥补数据丢失的影响。

使用图神经网络实现卫星间的协作频谱感知，在实验中表现出更高的准确率；使用联合子Nyquist采样和自编码器数据压缩框架来减少传输的感知数据量，在实验中表现出更高的压缩比和更少的信息损失；提出对比学习机制来弥补数据丢失的影响，在实验中表现出更好的恢复效果。

近期的相关研究包括：1. A Collaborative Spectrum Sensing Scheme Based on Compressed Sensing in Cognitive Radio Networks; 2. A Deep Learning Framework for Spectrum Sensing in Cognitive Radio Networks; 3. A Survey of Machine Learning for Cognitive Radio Networks: Fundamentals, Applications, and Research Directions.