6.2 网络自治与AI优化

6.2 网络自治与 AI 优化

单次切换编好队之后，本节回答"谁来指挥整支队伍"：上千颗卫星、上百万终端的网，测控带宽与星地时延都不允许事事地面裁决。自治是必需品而非奢侈品，而 AI 是自治工具箱里的一件——有用武之地，也有被宣传夸大的地方。

自治的分层：快慢分离

自治设计的总原则是按时间尺度分层。毫秒级决策（波束内时频调度、链路重传、队列管理）必须在星上本地闭环，轨道预报与规则由地面预置；秒到分钟级（波束间资源搬移、拥塞规避、切换编排）由星上控制器加区域协同完成，接受地面策略约束；小时到天级（全网频率计划、路由快照上注、星历维护、故障处置预案）集中在网络控制中心，靠人机协同。这个"快慢分离"架构的深层原因在于：低轨的拓扑变化虽然快，但都是预报内的常规变化——真正的智能不需要在毫秒级体现，而体现在把毫秒级问题提前离线消灭掉（第 5 章快照路由同款思想）。反过来说，自治的难点也不在算法，而在一致性：几千颗卫星各自决策时如何不打架，答案是把可全局序的都全局序化（快照、染色计划、轨道槽位），把必须本地反应的限定在"资源归属明确"的局部域内。

资源调度：一道可演算的装箱题

波束调度的核心问题可以抽象成：一颗星的总容量（时隙数）怎么在多个波束之间分配，使总满足度最大、 starvation 不出现。演示一个带公平约束的贪心调度器：

import random
random.seed(7)

def greedy_schedule(beams, slots=100, min_share=0.05):
    """beams: {波束名: 需求槽数}。带最小保障份额的按需贪心。"""
    total_demand = sum(beams.values())
    alloc = {}
    # 第一轮：按比例分配，但不超容量
    for b, d in beams.items():
        alloc[b] = min(d, slots * d / total_demand)
    # 第二轮：把没人要的余量分给仍饥饿的波束（保障最低份额）
    for rnd in range(3):
        surplus = slots - sum(alloc.values())
        hungry = [b for b in beams if alloc[b] < beams[b]]
        if surplus <= 0 or not hungry:
            break
        need = sum(beams[b] - alloc[b] for b in hungry)
        for b in hungry:
            alloc[b] += surplus * (beams[b] - alloc[b]) / need
    return alloc

city = {"A 密城区": 45, "B 密城区": 40, "C 郊区": 12, "D 远洋": 5, "E 极区": 3}
alloc = greedy_schedule(city)
for b, a in alloc.items():
    bar = "#" * int(a / 2)
    print(f"{b}: 需求 {city[b]:>3} · 分得 {a:5.1f} {bar}")

# 输出（节选）：
# A 密城区: 需求  45 · 分得  45.0 ######################
# B 密城区: 需求  40 · 分得  40.0 ####################
# C 郊区: 需求  12 · 分得  12.0 ######
# D 远洋: 需求   5 · 分得   5.0 ##
# E 极区: 需求   3 · 分得   3.0 #
​

这个规模下贪心已经接近最优；把需求改成"总需求大于容量"（拥塞态），第二轮分配开始出现配给，最小保障份额保证远洋与极区波束不至于 starvation——公平约束的意义在拥塞时才显现。真实的调度器在此基础上叠加预测（用户量随地域昼夜波动、船队航迹可预知），从"按当前需求分配"升级为"按预报需求预分配"，又是同一个词：可预测性换性能。

AI 的真实地盘

AI 在这张网里真正立得住的应用有四块：流量预测（按波束粒度预测未来几分钟到几小时的负载，喂给上面的调度器，这是最成熟的一块）；波束跳变策略学习（把染色与跳束的组合优化近似求解，离线训练、在轨执行查表）；故障预测（从遥测时序里提前发现行波管退化和电池衰减，把灾难性失效变成计划内更换）；信道估计与波束赋形（物理层机器学习，逼近理论上界）。而经常出现在宣传里、眼下却立不住的，是"端到端学习的全网路由"——可解释性差、失败模式不可验证，在一个每分钟拓扑都确定变化的网里，打不过快照路由这种"用结构化知识硬编码"的方案。判断标准可以记一句：凡是有清晰物理模型的问题，结构化方法赢；凡是模型写不出来、只有数据的问题（人类行为、器件老化、信道乱象），机器学习赢。

自治的本质不是"机器换人"，而是把决策放在信息所在的尺度上：快的放星上、慢的放地面、可预报的放离线。AI 是这个体系里处理"数据密集而模型稀疏"环节的工具，不是体系本身。下一章给这套体系发成绩单。

自治的失败模式：三个反面教材

自治系统的坑比功能更值得学。共振型失败：所有卫星用同样的本地规则（如"队列超阈值就丢弃低优先级流"），在负载波动时集体同步动作，全网吞吐出现共振振荡——解法是给每颗星的阈值加随机化偏移，打破同步。目光短浅型失败：局部最优的波束调度各自抢资源，叠加后全局次优（经典的自私路由问题），解法是上一层慢速协调（每几分钟校一次全局配比），让局部智能在全局框架内发挥。级联型失败：一条星间链路故障，流量涌向邻居，邻居过载再把自己的一部分流甩给下一家，故障像波浪一样扩散——解法是背压机制（下游拥塞信息上传，上游源头限速）加上故障域隔离（每个节点的应急动作限定在自己负责的域内）。三个教材的共同教训：自治系统的设计重点不是让每个节点聪明，而是防止千万个聪明节点的愚蠢叠加。

数字孪生：自治的试验场

现代网管的标准配置是全网数字孪生：用星历、实时遥测与流量模型在地面维护一个"虚拟星座"，任何策略变更（新的调度算法、新的切换判据、新的频率计划）先在孪生体里回放演练，评估后再灰度上线。孪生体同时承担故障预演（模拟卫星失效、信关站断电，验证降级路径）与容量规划（把下一年的用户增长预测灌进去，看哪片波束先爆）。它把"改网络"这个高风险操作变成了"先仿真后上线"的工程流程——第 7 章的性能审计与第 9 章的扩容决策都跑在这套设施上。自治的最高形态不是机器自作主张，而是人机在孪生体上共同推演。