目录
2.1.1 OFDM雷达通信联合调制：PAPR约束下的模糊函数优化
2.1.2 索引调制（IM-OFDM）雷达：嵌入通信符号的探测波形
2.1.3 太赫兹（THz）频段ISAC：微动特征与高速数据链融合
2.2.2 雷达干扰预测Transformer模型：时序注意力机制下的频谱占用预测
2.3.1 全数字多波束相控阵的通信模式与雷达模式切换延迟优化
2.3.2 云原生雷达信号处理：Kubernetes编排的容器化脉冲处理流水线
第2章 6G通感一体化（ISAC）与波形融合
2.1 双功能雷达通信（DFRC）波形设计
2.1.1 OFDM雷达通信联合调制：PAPR约束下的模糊函数优化
2.1.1.1 双功能波形的基本数学表征
双功能雷达通信（Dual-Function Radar-Communication, DFRC）系统的核心在于设计共享波形 $s(t)$ ，使其同时满足通信信息承载与雷达目标探测的双重需求。在OFDM-ISAC架构中，发射信号由 $N$ 个子载波复合而成，第 $m$ 个OFDM符号的基带表达式为：
$$s_m(t) = \sum_{n=0}^{N-1} d_{m,n} \cdot \text{rect}\left(\frac{t-mT_s}{T}\right) \cdot e^{j2\pi n\Delta f(t-mT_s)}$$
其中 $d_{m,n} \in \mathbb{C}$ 表示第 $m$ 符号第 $n$ 子载波上传输的通信符号或雷达相位编码，$\Delta f = 1/T$ 为子载波间隔，$T_s = T + T_{cp}$ 为总符号时长（含循环前缀 $T_{cp}$ ）。对于通信功能，$d_{m,n}$ 取自有限星座图 $\mathcal{A}$ （如QAM或PSK）；对于雷达功能，$d_{m,n}$ 需优化设计以产生理想的模糊函数特性。
模糊函数（Ambiguity Function, AF）表征波形在时延-多普勒域的分辨能力，其非周期形式定义为：
$$\chi(\tau,\nu) = \int_{-\infty}^{\infty} s(t)s^*(t+\tau)e^{-j2\pi \nu t} dt$$
对于OFDM信号，离散模糊函数可表示为子载波间互相关叠加。设发射序列矩阵为 $D \in \mathbb{C}^{M \times N}$ ，则AF在离散时延 $l$ 与多普勒频移 $k$ 处的模值受限于：
$$|\chi(l,k)| = \left| \sum_{m=0}^{M-1} \sum_{n=0}^{N-1} d_{m,n} d_{m+l,(n+k)N}^* \cdot e^{j\frac{2\pi}{N}nk} \right|$$
理想的雷达波形要求 $|\chi(l,k)|$ 在原点 $(0,0)$ 处呈现尖锐峰值，且在非零时延-多普勒区域维持低旁瓣电平（Integrated Sidelobe Level, ISL）。然而，通信星座的随机性导致AF呈现类噪声基底，峰值旁瓣比（Peak-to-Sidelobe Ratio, PSLR）通常劣于专用雷达波形（如LFM）。
2.1.1.2 PAPR约束下的多目标优化框架
OFDM-ISAC波形的峰均功率比（Peak-to-Average Power Ratio, PAPR）定义为：
$$\text{PAPR} = \frac{\max_{t \in [0,T_s]} |s(t)|^2}{\mathbb{E}[|s(t)|^2]}$$
高PAPR导致功率放大器（PA）进入非线性区，产生带内失真与频谱泄漏，恶化通信误码率（BER）与雷达检测概率。因此，波形设计需在AF特性与PAPR约束间建立帕累托最优 frontier。
设优化变量为符号矩阵 $D$ ，构建约束多目标优化问题：
$$\min_D \alpha \cdot \text{ISL}(D) + \beta \cdot \text{BER}(D)$$
$$\text{s.t.} \quad \text{PAPR}(D) \le \gamma_{\text{th}}$$
$$D \in \mathcal{A}^{M \times N} \cup \mathcal{R}^{M \times N}$$
其中 $\mathcal{R}$ 表示雷达专用调制符号集，$\gamma_{\text{th}}$ 为硬件可容忍的PAPR门限（通常 6~8 dB）。ISL度量雷达旁瓣能量积分：
$$\text{ISL} = \sum_{(l,k) \in S} |\chi(l,k)|^2$$
$S$ 为排除主瓣的时延-多普勒感兴趣区域（Region of Interest, RoI）。
凸松弛技术通过将离散星座约束 $D \in \mathcal{A}$ 松弛为连续复平面 $\mathbb{C}$ ，结合交替方向乘子法（ADMM）求解。引入辅助变量 $X = D$ 与 $Y = D$ ，增广拉格朗日函数为：
$$L(D,X,Y,\Lambda_1,\Lambda_2) = \text{ISL}(X) + \mathbb{I}_\mathcal{A}(Y) + \frac{\rho}{2}\|D - X + \Lambda_1\|_F^2 + \frac{\rho}{2}\|D - Y + \Lambda_2\|_F^2$$
其中 $\mathbb{I}_\mathcal{A}$ 为通信星座的示性函数，$\rho > 0$ 为惩罚系数。通过迭代更新 $X$ （雷达优化）、$Y$ （通信投影）与 $D$ （一致性平均），实现DFRC波形的快速收敛。
部分传输序列（PTS）与选择性映射（SLM）技术通过引入相位旋转因子 $P \in \{e^{j\frac{2\pi}{W}k}\}^{M \times N}$ （$W$ 为相位量化阶数），在保持信息符号不变的前提下搜索低PAPR替代表示：
$$D_{\text{opt}} = P^* \odot D_{\text{raw}}, \quad P^* = \arg\min_P \text{PAPR}(P \odot D_{\text{raw}})$$
Algorithm 1: PAPR约束下的OFDM-ISAC波形优化算法
Input: 原始通信符号矩阵 $D_{\text{raw}} \in \mathcal{A}^{M \times N}$ ，PAPR门限 $\gamma_{\text{th}}$ ，权重系数 $\alpha, \beta$ ，ADMM惩罚参数 $\rho$ ，最大迭代次数 $I_{\max}$
Output: 优化后的双功能波形 $D_{\text{opt}}$ ，实际PAPR值，ISL降低百分比
function OFDM_ISAC_Optimize($D_{\text{raw}}$ , $\gamma_{\text{th}}$ , $\alpha$ , $\beta$ , $\rho$ , $I_{\max}$ );
// 初始化变量。*
$D \leftarrow D_{\text{raw}}$ ;
$X \leftarrow D$ ;
$Y \leftarrow D$ ;
$\Lambda_1 \leftarrow 0$ ;
$\Lambda_2 \leftarrow 0$ ;
$i \leftarrow 0$ ;
// 主优化循环。*
while $i < I_{\max}$ && $\text{PAPR}(D) > \gamma_{\text{th}}$ do
// 雷达性能子问题：最小化ISL。*
$X \leftarrow \arg\min_X \{\text{ISL}(X) + \frac{\rho}{2}\|D - X + \Lambda_1\|_F^2\}$ ;
// 通信约束子问题：投影到合法星座。*
$Y \leftarrow \text{Proj}_\mathcal{A}(D + \Lambda_2)$ ;
// 一致性更新。*
$D_{\text{new}} \leftarrow \frac{1}{2}(X - \Lambda_1 + Y - \Lambda_2)$ ;
// PAPR抑制：应用PTS局部搜索。*
if $\text{PAPR}(D_{\text{new}}) > \gamma_{\text{th}}$ then
$P \leftarrow \text{GeneratePhaseFactors}(W)$ ;
$D_{\text{new}} \leftarrow \arg\min_P \text{PAPR}(P \odot D_{\text{new}})$ ;
end
$D \leftarrow D_{\text{new}}$ ;
// 对偶变量更新。*
$\Lambda_1 \leftarrow \Lambda_1 + \rho(D - X)$ ;
$\Lambda_2 \leftarrow \Lambda_2 + \rho(D - Y)$ ;
$i \leftarrow i + 1$ ;
end
// 计算最终性能指标。*
$\text{ISL}_{\text{reduction}} \leftarrow \frac{\text{ISL}(D_{\text{raw}}) - \text{ISL}(D)}{\text{ISL}(D_{\text{raw}})} \times 100\%$ ;
return $D$ , $\text{PAPR}(D)$ , $\text{ISL}_{\text{reduction}}$ ;
end
2.1.2 索引调制（IM-OFDM）雷达：嵌入通信符号的探测波形
2.1.2.1 索引调制的二维映射机制
索引调制OFDM（Index-Modulated OFDM, IM-OFDM）通过激活子载波与频谱资源的联合编码，在频域与调制域构建双维度信息承载空间。与传统OFDM固定使用全部 $N$ 个子载波不同，IM-OFDM每符号仅激活 $K < N$ 个子载波，剩余 $N - K$ 个置零以形成频谱空穴。激活模式索引 $i \in \mathbb{I}$ （其中 $|\mathbb{I}| = \binom{N}{K}$ ）本身携带 $\lfloor\log_2\binom{N}{K}\rfloor$ 比特的额外信息。
第 $m$ 符号的发射向量构造遵循：
$$s_m = e_{i_m} \odot x_m$$
其中 $e_{i_m} \in \{0,1\}^N$ 为激活掩码向量（在索引 $i_m$ 对应位置为1，其余为0），$x_m \in \mathcal{A}^K$ 为传统M-QAM符号向量。总频谱效率为：
$$R_{\text{IM}} = \frac{1}{N} \left( \lfloor\log_2\binom{N}{K}\rfloor + K \cdot \log_2 M \right) [\text{bits/s/Hz}]$$
对于雷达功能，频谱空穴（零功率子载波）提供了天然的互相关抑制能力。当接收端执行匹配滤波时，零子载波等效于频域加窗，降低AF的远区旁瓣。此外，激活模式的跳变序列 $\{i_m\}_{m=0}^{M-1}$ 可设计为具有理想互相关特性的Costas序列或Gold序列，赋予波形类噪声的模糊函数特性。
2.1.2.2 雷达-通信联合索引优化
在ISAC场景中，索引选择需兼顾通信解调复杂度与雷达距离-多普勒分辨率。定义联合优化目标函数：
$$J(i,x) = \lambda_1 \cdot d_{\min}^2(i,x) + \lambda_2 \cdot \text{CRB}_{\text{range}}^{-1}(i) + \lambda_3 \cdot \text{MLD}_{\text{complexity}}(i)$$
其中 $d_{\min}$ 为最小欧氏距离（决定通信BER），$\text{CRB}_{\text{range}}$ 为距离估计的克拉美罗界（Cramér-Rao Bound），$\text{MLD}$ 为最大似然检测的计算复杂度。通过遗传算法（GA）或模拟退火（SA）搜索最优激活模式子集 $\mathbb{I}_{\text{opt}} \subset \mathbb{I}$ ，使得雷达波形在特定距离门（Range Bin）内保持低互相关。
稀疏恢复理论为IM-OFDM雷达信号处理提供了高效算法。接收回波经解调后，距离-多普勒域的估计问题转化为稀疏向量重构：
$$y = \Phi(i)\theta + n$$
其中 $\Phi(i) \in \mathbb{C}^{L \times P}$ 为与激活模式相关的感知矩阵（$L$ 为采样数，$P$ 为距离-多普勒网格数），$\theta$ 为待估计的稀疏目标响应。正交匹配追踪（OMP）或迭代硬阈值（IHT）算法可在 $K \ll N$ 条件下实现亚奈奎斯特采样，降低ADC功耗与数据处理负担。
Algorithm 2: IM-OFDM雷达通信联合索引优化算法
Input: 子载波总数 $N$ ，激活数 $K$ ，符号数 $M$ ，雷达距离分辨率要求 $\Delta R$ ，通信星座阶数 $M_{\text{QAM}}$
Output: 优化索引集合 $\mathbb{I}_{\text{opt}}$ ，调制符号矩阵 $X \in \mathbb{C}^{M \times K}$ ，稀疏恢复参数 $\theta$
function IM_OFDM_Joint_Design($N$ , $K$ , $M$ , $\Delta R$ , $M_{\text{QAM}}$ );
// 生成候选索引空间。*
$\mathbb{I}_{\text{all}} \leftarrow \text{Combinations}(N,K)$ ;
$\mathbb{I}_{\text{opt}} \leftarrow \emptyset$ ;
$J_{\text{best}} \leftarrow -\infty$ ;
// 遗传算法主循环。*
while 未收敛 do
// 评估种群适应度。*
for $i \in \mathbb{I}_{\text{population}}$ do
$x \leftarrow \text{GenerateQAM}(M_{\text{QAM}},K)$ ;
$d_{\min} \leftarrow \min_{k \neq l} \|s_k - s_l\|$ ;
$\text{CRB} \leftarrow \text{ComputeCramerRao}(i,\Delta R)$ ;
$\text{MutualCoherence} \leftarrow \mu(\Phi(i))$ ;
$J(i) \leftarrow \lambda_1 d_{\min}^2 + \lambda_2/\text{CRB} - \lambda_3 \cdot \text{MutualCoherence}$ ;
end
// 选择、交叉与变异。*
$\mathbb{I}_{\text{elite}} \leftarrow \text{SelectTopK}(\mathbb{I}_{\text{population}}, J)$ ;
$\mathbb{I}_{\text{offspring}} \leftarrow \text{Crossover}(\mathbb{I}_{\text{elite}})$ ;
$\mathbb{I}_{\text{mutated}} \leftarrow \text{Mutate}(\mathbb{I}_{\text{offspring}}, p_{\text{mut}})$ ;
$\mathbb{I}_{\text{population}} \leftarrow \mathbb{I}_{\text{elite}} \cup \mathbb{I}_{\text{mutated}}$ ;
// 更新最优解。*
if $\max J > J_{\text{best}}$ then
$J_{\text{best}} \leftarrow \max J$ ;
$\mathbb{I}_{\text{opt}} \leftarrow \arg\max_i J(i)$ ;
end
end
// 基于优化索引生成发射符号。*
for $m = 1$ to $M$ do
$i_m \leftarrow \text{CostasSequence}(\mathbb{I}_{\text{opt}}, m)$ ;
$x_m \leftarrow \text{Modulate}(\text{DataBits}, M_{\text{QAM}})$ ;
$s_m \leftarrow e_{i_m} \odot x_m$ ;
end
// 雷达接收端稀疏恢复。*
$y \leftarrow \text{ReceiveEcho}(S)$ ;
$\theta \leftarrow \text{OMP}(y, \Phi(\mathbb{I}_{\text{opt}}), \text{sparsity})$ ;
return $\mathbb{I}_{\text{opt}}$ , $X$ , $\theta$ ;
end
2.1.3 太赫兹（THz）频段ISAC：微动特征与高速数据链融合
2.1.3.1 THz信道与微多普勒效应建模
太赫兹（0.1~10 THz）频段ISAC利用超大可用带宽（数GHz至数十GHz）实现厘米级距离分辨率与超高速数据率（>100 Gbps）。然而，THz信号遭受严重路径损耗（与 $f^2$ 成正比）与分子吸收衰落，有效通信距离通常限制在 10~100 米。雷达功能受益于极短波长（$\lambda \approx 0.03$ mm @ 1 THz），对目标微动（Micro-motion）高度敏感。
微多普勒（Micro-Doppler）效应由目标部件的振动、旋转或进动产生，在THz频段的调制深度显著增强。设目标主体速度为 $v_0$ ，某旋转部件角速度为 $\omega$ ，旋转半径 $r$ ，则瞬时多普勒频移为：
$$f_{\text{micro}}(t) = \frac{2}{\lambda} [v_0 + r\omega \cos(\omega t + \phi_0)]$$
THz-ISAC波形需同时编码高速通信数据与微动探测所需的低带宽、长相干积累时间。多载波调制在此面临挑战：子载波间隔 $\Delta f$ 需足够大以抵抗多普勒扩展（THz频段多普勒频移可达MHz级），但子载波数 $N$ 受限于ADC/DAC采样率（通常 <100 GSa/s）。
2.1.3.2 混合波形与跳频策略
波形融合采用时分复用（TDM）或频分复用（FDM）混合架构。在TDM模式下，每个相干处理间隔（CPI）划分为雷达子间隙 $T_{\text{radar}}$ 与通信子间隙 $T_{\text{comm}}$ ，比例由目标跟踪精度与数据队列状态动态调整：
$$\min_{T_{\text{radar}}, T_{\text{comm}}} \alpha \cdot \hat{\sigma}_R^2(T_{\text{radar}}) + \beta \cdot \text{Delay}(T_{\text{comm}})$$
$$\text{s.t.} \quad T_{\text{radar}} + T_{\text{comm}} \le T_{\text{CPI}}$$
其中 $\hat{\sigma}_R^2$ 为距离估计方差，与雷达信噪比（SNR）和带宽 $B$ 相关：$\hat{\sigma}_R^2 \propto (B \cdot \text{SNR} \cdot T_{\text{radar}})^{-1}$ 。
跳频（Frequency Hopping, FH）-OFDM波形在THz频段展现鲁棒性。通过快速切换载波频率躲避选择性衰落与干扰，同时利用频率分集增强微多普勒特征提取。设跳频图案为 $\{f_h\}_{h=1}^H$ ，第 $h$ 跳的发射信号为：
$$s_h(t) = \sum_{n=0}^{N-1} d_{h,n} e^{j2\pi(f_h + n\Delta f)t}, \quad t \in [hT_{\text{hop}}, (h+1)T_{\text{hop}}]$$
接收端通过去跳（De-hopping）与相干积累，重建目标的微多普勒时频分布 $\text{STFT}(t,f)$ ，进而通过奇异值分解（SVD）或主成分分析（PCA）提取微动特征向量 $v_{\text{micro}}$ ，用于目标识别。
Algorithm 3: THz频段微动感知与通信联合调度算法
Input: 可用THz频点集合 $F = \{f_1, \dots, f_H\}$ ，目标距离 $R$ ，微动频率 $f_{\text{vib}}$ ，通信队列长度 $Q$ ，CPI时长 $T_{\text{CPI}}$
Output: 最优频点序列 $f_{\text{opt}}$ ，时间分配比例 $\eta = T_{\text{radar}} / T_{\text{CPI}}$ ，微动特征向量 $v_{\text{micro}}$
function THz_ISAC_Schedule($F$ , $R$ , $f_{\text{vib}}$ , $Q$ , $T_{\text{CPI}}$ );
// 初始化频点评估矩阵。*
$H \leftarrow \text{ChannelProbe}(F,R)$ ;
$f_{\text{seq}} \leftarrow \emptyset$ ;
// 动态时间分配。*
if $Q > Q_{\text{th}}$ then
$\eta \leftarrow \max(\eta_{\min}, 1 - \frac{Q}{Q_{\max}})$ ;
else
$\eta \leftarrow \eta_{\text{default}}$ ;
end
$T_{\text{radar}} \leftarrow \eta \cdot T_{\text{CPI}}$ ;
$T_{\text{comm}} \leftarrow (1 - \eta) \cdot T_{\text{CPI}}$ ;
// 跳频图案优化：最大化频率分集。*
while $|f_{\text{seq}}| < H$ do
$f_{\text{next}} \leftarrow \arg\max_{f \in F \setminus f_{\text{seq}}} \{\text{MinDistance}(f_{\text{seq}}, f) \cdot \text{ChannelGain}(f)\}$ ;
$f_{\text{seq}}.\text{append}(f_{\text{next}})$ ;
end
// 发射与接收处理。*
for $h = 1$ to $H$ do
$s_h(t) \leftarrow \text{GenerateOFDM}(f_{\text{seq}}[h], T_{\text{hop}})$ ;
$r_h \leftarrow \text{TransmitReceive}(s_h(t))$ ;
$y_h \leftarrow \text{Dehop}(r_h, f_{\text{seq}}[h])$ ;
end
// 微多普勒特征提取。*
$Y \leftarrow [y_1, \dots, y_H]$ ;
$S \leftarrow \text{STFT}(Y, \text{window}=\text{Hamming}, n_{\text{fft}}=1024)$ ;
$[U, \Sigma, V] \leftarrow \text{SVD}(S)$ ;
$v_{\text{micro}} \leftarrow U[:, 1:3]$ ;
// 通信数据解调。*
$D_{\text{comm}} \leftarrow \text{ExtractCommSegment}(Y, T_{\text{comm}})$ ;
$\text{BER} \leftarrow \text{QAM\_Demodulate}(D_{\text{comm}})$ ;
return $f_{\text{seq}}$ , $\eta$ , $v_{\text{micro}}$ ;
end
2.2 动态频谱接入与干扰管理
2.2.1 基于深度强化学习的实时频谱切换
2.2.1.1 频谱环境马尔可夫建模
6G ISAC系统与5G/6G NR、Wi-Fi 7等异构网络共享频谱，面临动态干扰挑战。频谱状态转移遵循部分可观察马尔可夫决策过程（POMDP），定义状态 $s_t = [h_t, i_t, q_t]$ ，其中 $h_t$ 为信道增益向量，$i_t$ 为干扰功率谱密度，$q_t$ 为待传数据队列。动作空间 $A_t$ 包含频点选择 $f_t$ 、功率控制 $P_t$ 与调制编码方案（MCS）选择 $m_t$ 。
奖励函数设计需平衡雷达检测性能与通信吞吐量：
$$r_t = \omega_1 \cdot \text{SINR}_{\text{radar}}(f_t, P_t) \cdot I_{\text{detection}} + \omega_2 \cdot \text{Throughput}(f_t, m_t) - \omega_3 \cdot \text{Penalty}_{\text{switch}}$$
其中 $\text{Penalty}_{\text{switch}}$ 惩罚频繁频谱切换导致的开销与同步失锁。
2.2.1.2 双延迟深度确定性策略梯度（TD3）优化
深度强化学习采用双延迟深度确定性策略梯度（Twin Delayed Deep Deterministic Policy Gradient, TD3）算法，通过Actor-Critic架构学习连续动作空间的最优策略。Actor网络 $\pi_\phi(s)$ 输出确定性动作，Critic网络 $Q_\theta(s,a)$ 估计状态-动作值函数。
为处理ISAC的混合整数动作空间（离散频点+连续功率），引入参数化动作表示：
$$a = [f, P, m] = [\arg\max_f \pi_\phi^f(s), \text{clip}(\pi_\phi^P(s), P_{\min}, P_{\max}), \text{round}(\pi_\phi^m(s))]$$
Critic网络采用双网络结构（Double Q-learning），选取两个Q估计中的较小值以缓解过估计：
$$Q_{\text{target}} = r + \gamma \min_{i=1,2} Q_{\theta_i'}(s', \pi_{\phi'}(s'))$$
经验回放池（Replay Buffer）存储转移样本 $(s, a, r, s')$ ，通过优先经验回放（PER）提升学习效率，采样优先级由TD误差 $|\delta| = |r + \gamma Q_{\text{target}} - Q_\theta(s,a)|$ 决定。
Algorithm 4: 基于TD3的ISAC实时频谱切换算法
Input: 状态空间维度 $D_s$ ，动作空间维度 $D_a$ ， Actor网络 $\pi_\phi$ ，Critic网络 $Q_{\theta_1}, Q_{\theta_2}$ ，目标网络 $\pi_{\phi'}, Q_{\theta_1'}, Q_{\theta_2'}$ ，折扣因子 $\gamma$ ，目标网络软更新率 $\tau$
Output: 训练好的策略网络 $\pi_\phi^*$ ，频谱切换决策序列 $\{f_t, P_t, m_t\}$
function TD3_ISAC_Spectrum($D_s$ , $D_a$ , $\gamma$ , $\tau$ , $B$ );
// 初始化网络参数与回放缓冲区。*
$\phi, \theta_1, \theta_2 \leftarrow \text{RandomInit}()$ ;
$\phi', \theta_1', \theta_2' \leftarrow \phi, \theta_1, \theta_2$ ;
$R \leftarrow \text{PrioritizedReplayBuffer}(\text{capacity}=10^6)$ ;
$t \leftarrow 0$ ;
// 主训练循环。*
while 未收敛 do
// 环境交互。*
$s_t \leftarrow \text{ObserveState}()$ ;
$a_t \leftarrow \pi_\phi(s_t) + \epsilon, \quad \epsilon \sim \mathcal{N}(0,\sigma)$ ;
$f_t \leftarrow \arg\max a_t[1:N_f]$ ;
$P_t \leftarrow \text{clip}(a_t[N_f+1], P_{\min}, P_{\max})$ ;
$r_t, s_{t+1} \leftarrow \text{EnvironmentStep}(f_t, P_t)$ ;
$R.\text{add}(s_t, a_t, r_t, s_{t+1})$ ;
// 策略更新。*
if $t \bmod d == 0$ then // 延迟策略更新。*
// 采样批次。*
$B \leftarrow R.\text{sample}(|B|)$ ;
// 计算目标Q值。*
$a' \leftarrow \pi_{\phi'}(s') + \text{clip}(\mathcal{N}(0,\tilde{\sigma}), -c, c)$ ;
$Q_{\text{target}} \leftarrow r + \gamma \min(Q_{\theta_1'}(s', a'), Q_{\theta_2'}(s', a'))$ ;
// 更新Critic。*
$\theta_i \leftarrow \theta_i - \alpha \nabla_{\theta_i} \frac{1}{|B|} \sum (Q_{\theta_i}(s,a) - Q_{\text{target}})^2$ ;
// 更新Actor（策略梯度）。*
$\nabla_\phi J \leftarrow \frac{1}{|B|} \sum \nabla_a Q_{\theta_1}(s,a)|_{a=\pi_\phi(s)} \nabla_\phi \pi_\phi(s)$ ;
$\phi \leftarrow \phi + \alpha \nabla_\phi J$ ;
// 软更新目标网络。*
$\theta_i' \leftarrow \tau \theta_i + (1 - \tau)\theta_i'$ ;
$\phi' \leftarrow \tau \phi + (1 - \tau)\phi'$ ;
end
$t \leftarrow t + 1$ ;
end
return $\pi_\phi^*$ ;
end
2.2.2 雷达干扰预测Transformer模型：时序注意力机制下的频谱占用预测
2.2.2.1 频谱占用时序建模
雷达干扰预测需提前感知 $T_{\text{pred}}$ 时间窗口内的频谱占用状态，以预留波形调整时间。频谱占用序列 $\{o_t\}_{t=1}^T$ （$o_t \in \{0,1\}^F$ ，$F$ 为频点数）呈现强时序依赖性与多尺度周期性（如5G TDD帧结构、雷达扫描周期）。传统ARIMA或LSTM难以捕捉长程依赖与非平稳特性。
Transformer架构通过自注意力（Self-Attention）机制建模时序依赖，无需循环计算即可并行处理长序列。输入嵌入为 $E \in \mathbb{R}^{T \times D_{\text{model}}}$ ，通过位置编码（Positional Encoding）注入时序信息：
$$PE(pos, 2i) = \sin\left(\frac{pos}{10000^{2i/D_{\text{model}}}}\right), \quad PE(pos, 2i+1) = \cos\left(\frac{pos}{10000^{2i/D_{\text{model}}}}\right)$$
多头注意力（Multi-Head Attention, MHA）将查询（Query）、键（Key）、值（Value）投影到 $h$ 个子空间：
$$\text{MHA}(Q,K,V) = \text{Concat}(\text{head}_1, \dots, \text{head}_h)W^O$$
$$\text{head}_i = \text{Attention}(QW_i^Q, KW_i^K, VW_i^V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V$$
2.2.2.2 Informer架构与概率预测
针对长序列预测（Long Sequence Time-Series Forecasting, LSTF），采用Informer架构优化计算复杂度。ProbSparse自注意力通过查询稀疏度评估，仅保留前 $top_u$ 个主导查询：
$$\text{Sparse}(q_i, K) = \max_j \left\{ \frac{q_i k_j^T}{\sqrt{d}} \right\} - \frac{1}{L_K} \sum_{j=1}^{L_K} \frac{q_i k_j^T}{\sqrt{d}}$$
自注意力蒸馏（Self-attention Distilling）通过卷积池化层（MaxPool1D）逐层减半序列长度，将时间复杂度降至 $\mathcal{O}(L \log L)$ 。蒸馏操作定义为：
$$X_{j+1} = \text{MaxPool1D}(\text{ELU}(\text{Conv1d}[\text{Attention}(X_j, X_j, X_j)]))$$
生成式解码器（Generative Decoder）通过一次前向传播输出多步预测，避免逐步推理的误差累积。最终频谱占用概率通过Sigmoid激活输出：
$$\hat{o}_{t+1:t+T_{\text{pred}}} = \sigma(W_{\text{out}} \cdot X_{\text{dec}} + b_{\text{out}})$$
阈值 $\delta=0.5$ 判定频点可用性，结合不确定性量化输出置信区间。
Algorithm 5: 基于Informer的频谱占用预测算法
Input: 历史频谱占用序列 $O \in \{0,1\}^{T_{\text{hist}} \times F}$ ，预测窗口 $T_{\text{pred}}$ ，编码器层数 $N_{\text{enc}}$ ，解码器层数 $N_{\text{dec}}$ ，注意力头数 $h$ ，稀疏因子 $\text{factor}$
Output: 未来频谱占用概率 $\hat{O} \in [0,1]^{T_{\text{pred}} \times F}$ ，预测置信区间 $[O_{\text{lower}}, O_{\text{upper}}]$
function Informer_Spectrum_Predict($O$ , $T_{\text{pred}}$ , $N_{\text{enc}}$ , $N_{\text{dec}}$ , $h$ , $\text{factor}$ );
// 输入嵌入与位置编码。*
$X_{\text{enc}}^0 \leftarrow \text{Embedding}(O) + \text{PositionalEncoding}(T_{\text{hist}})$ ;
$X_{\text{dec}}^0 \leftarrow \text{Embedding}(\text{StartToken}) + \text{PositionalEncoding}(T_{\text{pred}})$ ;
// 编码器：ProbSparse自注意力与蒸馏。*
for $l=1$ to $N_{\text{enc}}$ do
// ProbSparse注意力。*
$M \leftarrow \text{QuerySparsityMeasurement}(X_{\text{enc}}^{l-1}, \text{factor})$ ;
$Q_{\text{sparse}} \leftarrow \text{TopU\_Select}(X_{\text{enc}}^{l-1}, M, u=\text{factor} \cdot \ln L_Q)$ ;
$S \leftarrow \text{Attention}(Q_{\text{sparse}}, K, V)$ ;
// 自注意力蒸馏。*
if $l < N_{\text{enc}}$ then
$X_{\text{enc}}^l \leftarrow \text{MaxPool1D}(\text{ELU}(\text{Conv1d}(S)))$ ;
else
$X_{\text{enc}}^l \leftarrow S$ ;
end
end
// 生成式解码器。*
for $l=1$ to $N_{\text{dec}}$ do
// 掩码自注意力（防止看到未来）。*
$S_{\text{self}} \leftarrow \text{MaskedAttention}(X_{\text{dec}}^{l-1}, X_{\text{dec}}^{l-1})$ ;
// 交叉注意力（连接编码器）。*
$S_{\text{cross}} \leftarrow \text{Attention}(S_{\text{self}}, X_{\text{enc}}^{N_{\text{enc}}}, X_{\text{enc}}^{N_{\text{enc}}})$ ;
$X_{\text{dec}}^l \leftarrow \text{FFN}(S_{\text{cross}})$ ;
end
// 投影与概率输出。*
$\hat{O} \leftarrow \sigma(W_{\text{out}} \cdot X_{\text{dec}}^{N_{\text{dec}}} + b_{\text{out}})$ ;
// 不确定性量化（基于蒙特卡洛Dropout）。*
$O_{\text{samples}} \leftarrow \text{MCDropout}(\hat{O}, n_{\text{samples}}=100)$ ;
$O_{\text{mean}} \leftarrow \text{Mean}(O_{\text{samples}})$ ;
$O_{\text{std}} \leftarrow \text{Std}(O_{\text{samples}})$ ;
$O_{\text{lower}} \leftarrow O_{\text{mean}} - 1.96 \cdot O_{\text{std}}$ ;
$O_{\text{upper}} \leftarrow O_{\text{mean}} + 1.96 \cdot O_{\text{std}}$ ;
return $\hat{O}$ , $[O_{\text{lower}}, O_{\text{upper}}]$ ;
end
2.3 硬件实现架构
2.3.1 全数字多波束相控阵的通信模式与雷达模式切换延迟优化
2.3.1.1 数字波束成形（DBF）架构与模式隔离
全数字有源相控阵（Active Electronically Scanned Array, AESA）采用每单元独立ADC/DAC与数字上/下变频（DUC/DDC），支持同时多波束（Simultaneous Multi-Beam, SMB）与波形敏捷。ISAC模式切换涉及波束赋形权值 $w \in \mathbb{C}^{N_{\text{elem}}}$ 、波形参数（带宽、脉宽、PRI）与信号处理链（匹配滤波 vs FFT解调）的瞬时重构。
模式切换延迟 $T_{\text{switch}}$ 由硬件重配置时间 $T_{\text{hw}}$ （PLL锁定、DAC更新）、权值加载时间 $T_{\text{weight}}$ （通过JESD204B/C接口传输 $w$ 至各单元FPGA）与缓存清空时间 $T_{\text{flush}}$ （避免模式间数据污染）组成：
$$T_{\text{switch}} = T_{\text{hw}} + \frac{N_{\text{elem}} \cdot N_{\text{bits}}}{R_{\text{JESD}}} + \frac{B_{\text{buffer}}}{R_{\text{clock}}}$$
其中 $N_{\text{bits}}$ 为权值量化位数（通常 12~16 bit），$R_{\text{JESD}}$ 为SerDes链路速率（当前可达 28~56 Gbps）。
2.3.1.2 乒乓缓冲与权值预加载机制
为最小化 $T_{\text{switch}}$ ，采用双缓冲（Double Buffering）架构与权值预加载（Weight Pre-loading）策略。每个阵元配备两组权值寄存器（Register Bank A/B），一组用于当前模式波束成形，另一组静默加载下一模式权值。切换信号触发硬件多路选择器（MUX）瞬时切换，将 $T_{\text{weight}}$ 从关键路径移至后台。
波形参数通过高优先级控制面（Control Plane）以组播方式分发，利用以太网时间敏感网络（TSN）或菊花链SPI实现纳秒级同步。分布式时钟管理采用层级PLL架构：主时钟通过JESD204B SYSREF信号同步各单元本地PLL，确保跨阵列相位相干。
多输入多输出（MIMO）雷达模式与单用户MIMO通信模式间的切换需重建协方差矩阵 $R_x$ 估计与特征值分解（EVD）模块。通过可重构计算阵列（Reconfigurable Computing Array, RCA）在FPGA中预置硬连线IP核，利用部分重配置（Partial Reconfiguration, PR）技术仅更新必要逻辑区域，将重配置时间从毫秒级降至微秒级。
Algorithm 6: AESA模式切换延迟优化算法
Input: 当前模式 $M_{\text{cur}} \in \{\text{Radar}, \text{Comm}\}$ ，目标模式 $M_{\text{next}}$ ，阵元数 $N_{\text{elem}}$ ，权值矩阵 $W_{\text{next}} \in \mathbb{C}^{N_{\text{beam}} \times N_{\text{elem}}}$ ，波形参数 $P_{\text{next}}$
Output: 切换完成标志，实际切换延迟 $T_{\text{actual}}$ ，相位一致性误差 $\Delta\phi$
function AESA_Fast_Switch($M_{\text{cur}}$ , $M_{\text{next}}$ , $W_{\text{next}}$ , $P_{\text{next}}$ );
// 启动时间戳。*
$t_{\text{start}} \leftarrow \text{GetTime}()$ ;
// 阶段1：权值预加载至非活动寄存器组。*
if $M_{\text{cur}} == \text{Radar}$ then
$\text{TargetBank} \leftarrow \text{BankB}$ ;
$\text{ActiveBank} \leftarrow \text{BankA}$ ;
else
$\text{TargetBank} \leftarrow \text{BankA}$ ;
$\text{ActiveBank} \leftarrow \text{BankB}$ ;
end
// 并行加载所有阵元权值。*
for $n=1$ to $N_{\text{elem}}$ parallel do
$\text{WriteRegister}(\text{Element}_n, \text{TargetBank}, W_{\text{next}}[:,n])$ ;
end
// 阶段2：波形参数组播分发。*
$\text{BroadcastTSN}(\text{ControlPacket}(P_{\text{next}}))$ ;
// 阶段3：缓存清空与PLL重锁定。*
if $P_{\text{next}}.f_{\text{carrier}} \neq P_{\text{cur}}.f_{\text{carrier}}$ then
$\text{TriggerPLLRelock}(P_{\text{next}}.f_{\text{carrier}})$ ;
while $\text{PLLStatus} \neq \text{Locked}$ do
$\text{Wait}(1\mu s)$ ;
end
end
$\text{FlushBuffer}(\text{DataPath})$ ;
// 阶段4：原子切换。*
$\text{AssertSwitchSignal}()$ ;
$\text{SwapBank}(\text{ActiveBank}, \text{TargetBank})$ ;
$t_{\text{end}} \leftarrow \text{GetTime}()$ ;
// 验证相位一致性。*
$\Delta\phi \leftarrow \text{MeasurePhaseCoherence}()$ ;
if $\Delta\phi > \phi_{\text{th}}$ then
$\text{TriggerCalibration}()$ ;
end
$T_{\text{actual}} \leftarrow t_{\text{end}} - t_{\text{start}}$ ;
return $\text{Success}$ , $T_{\text{actual}}$ , $\Delta\phi$ ;
end
2.3.2 云原生雷达信号处理：Kubernetes编排的容器化脉冲处理流水线
2.3.2.1 微服务架构与实时流处理
云原生ISAC系统将雷达脉冲处理、通信基带解调与高层协议栈解耦为独立微服务（Microservices），容器化部署于Kubernetes（K8s）集群。脉冲压缩、MTI/MTD、CFAR检测与跟踪滤波等计算密集型任务映射为无状态（Stateless）Pod，通过Kafka消息总线接收原始IQ数据流（Topic: radar-raw-iq），处理结果发布至下游服务。
实时性保障依赖K8s的CPU Manager静态策略与SR-IOV网络加速。Pod资源配置指定Guaranteed QoS类，绑定专用CPU核心（CPU Pinning）与巨页内存（HugePages），避免内核调度抖动。数据平面开发套件（DPDK）绕过内核网络栈，实现用户态零拷贝（Zero-Copy）数据包转发，端到端延迟 <50μs 。
水平Pod自动伸缩（HPA）基于自定义指标（Custom Metrics）如队列深度（Queue Depth）或处理延迟（Processing Latency），动态调整副本数：
$$\text{Replicas} = \left\lceil \frac{\text{TargetMetric}}{\text{CurrentMetric}} \right\rceil$$
垂直Pod自动伸缩（VPA）优化资源请求（Requests）与限制（Limits），避免资源碎片化与Out-of-Memory（OOM）中断。
2.3.2.2 有状态检查点与流水线容错
针对相干积累等长时序有状态处理，采用Apache Flink的有状态流处理模型。检查点（Checkpoint）机制周期性地将算子状态（如协方差矩阵估计值、跟踪器状态向量）持久化至分布式存储（Ceph或S3），故障时从最近检查点恢复，保证恰好一次（Exactly-Once）语义。
流水线编排通过Argo Workflows实现复杂DAG（Directed Acyclic Graph）调度。脉冲处理DAG示例：Raw IQ → Pulse Compression → Doppler Processing → CFAR → Clustering → Tracking。各步骤以容器形式运行在K8s Job中，依赖关系通过条件语句控制：
$$Step_i \in DAG \Rightarrow \text{Dependencies}(Step_i) \subseteq \{\text{Completed}(Step_j) \mid j < i\}$$
资源调度考虑数据局部性（Data Locality），通过Pod亲和性（Affinity）规则将处理任务部署至靠近数据源的节点（如边缘计算节点），减少跨可用区流量。网络策略（NetworkPolicy）隔离雷达敏感数据流与公共通信业务，实现零信任安全架构。
Algorithm 7: 云原生雷达脉冲处理流水线编排算法
Input: 原始IQ数据流 $S_{\text{IQ}}$ ，处理DAG定义 $G=(V,E)$ ，Kubernetes集群资源 $R$ ，延迟约束 $L_{\text{max}}$ ，可靠性要求 $R_{\text{SLA}}$
Output: 最优Pod调度方案 $P^*$ ，流水线吞吐率 $T_{\text{throughput}}$ ，端到端延迟 $L_{\text{actual}}$
function K8s_Radar_Pipeline($S_{\text{IQ}}$ , $G$ , $R$ , $L_{\text{max}}$ , $R_{\text{SLA}}$ );
// 初始化资源拓扑图。*
$N \leftarrow \text{DiscoverNodes}(R)$ ;
$T \leftarrow \text{BuildLatencyMatrix}(N)$ ;
// DAG任务分解与资源估算。*
for $v \in V$ do
$c_v \leftarrow \text{EstimateCompute}(v)$ ;
$m_v \leftarrow \text{EstimateMemory}(v)$ ;
$s_v \leftarrow \text{IsStateful}(v)$ ;
end
// 基于延迟约束的调度优化。*
while $L_{\text{est}} > L_{\text{max}}$ do
// 识别关键路径。*
$CP \leftarrow \text{FindCriticalPath}(G,T)$ ;
// 为有状态任务优先分配本地存储节点。*
for $v \in CP$ where $s_v == \text{True}$ do
$n^* \leftarrow \arg\min_{n \in N} \{T[\text{DataSource}, n] + T[n, \text{NextHop}]\}$ ;
$\text{Schedule}(v, n^*, \text{GuaranteedQoS})$ ;
end
// 无状态任务水平扩展。*
for $v \in V \setminus CP$ do
$r_v \leftarrow \left\lceil \frac{c_v}{\text{AvgNodeCapacity}} \right\rceil$ ;
$\text{HPA\_Scale}(v, r_v)$ ;
end
$L_{\text{est}} \leftarrow \text{EstimateLatency}(G, N)$ ;
end
// 部署与运行时管理。*
$\text{ApplyDeployment}(P)$ ;
// 检查点配置（仅针对有状态算子）。*
for $v \in V$ where $s_v == \text{True}$ do
$\text{ConfigureCheckpointing}(v, \text{interval}=5s, \text{mode}=\text{exactly-once})$ ;
end
// 监控与反馈控制。*
while 系统运行中 do
$\text{metrics} \leftarrow \text{PrometheusQuery}(\text{latency}, \text{throughput})$ ;
if $\text{metrics.latency} > L_{\text{max}}$ then
$\text{TriggerScaleUp}(\text{BottleneckPod})$ ;
end
if $\text{metrics.error\_rate} > (1 - R_{\text{SLA}})$ then
$\text{RestartFailedPods}()$ ;
$\text{RollbackToCheckpoint}()$ ;
end
end
return $P$ , $\text{metrics.throughput}$ , $\text{metrics.latency}$ ;
end
372
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
