目录
2.1 场景配置管理器(SceneConfigurator)
2.2 雷达信号生成器(RadarSignalGenerator)
2.3 通信信道模拟器(CommChannelSimulator)
2.4 MEC资源虚拟化引擎(MECVirtualizer)
2.6 联合波束成形优化器(BeamformingOptimizer)
2.7 低时延感知闭环调度器(ClosedLoopScheduler)
2.8 NOMA与AirComp传输模块(NOMAAirCompModule)
2.9 边缘信号处理流水线(EdgeSignalProcessor)
2.10 联邦边缘聚合器(FederatedEdgeAggregator)
2.11 性能评估分析器(PerformanceAnalyzer)
2.12 可视化仪表盘(VisualizationDashboard)
一、总体架构设计
1.1 系统定位与目标
本仿真实验系统面向6G通感算一体化(ISCC)网络,构建MEC辅助雷达信号处理的全链路数字孪生环境。系统支持多用户雷达感知、动态任务卸载、联合波束成形、深度强化学习自适应决策及空口计算(AirComp)分布式处理的闭环验证,具备端到端时延分析、感知精度评估与能效优化能力。
1.2 总体结构
系统采用分层模块化架构,自上而下分为应用编排层、算法决策层、网络仿真层与物理模拟层四个层级,共包含12个核心功能模块。
Mermaid

1.3 核心能力矩阵
表格
| 能力域 | 支持功能 | 输出指标 |
|---|---|---|
| 感知能力 | 多目标检测、距离/速度/方位估计 | 检测概率、RMSE、CRLB差距 |
| 通信能力 | 上行数据卸载、下行控制反馈 | 吞吐量、SINR、频谱效率 |
| 计算能力 | 本地处理、边缘卸载、联邦聚合 | 任务完成时延、队列长度 |
| 智能决策 | 交替优化、PPO-DRL、博弈均衡 | 收敛轮数、奖励值、策略稳定性 |
| 闭环控制 | 波形自适应、资源重配置 | 端到端时延、控制超调量 |
二、各模块详细设计
2.1 场景配置管理器(SceneConfigurator)
功能定位:实验顶层入口,负责参数注入、随机种子管理与场景快照保存。
输入接口:
-
实验配置文件(JSON/YAML格式):包含小区拓扑、UE数量、载波频段、带宽、天线规模、MEC算力、任务到达率、目标运动模型等
-
随机种子:保证实验可复现
输出接口:
-
结构化场景对象:包含所有实体初始化状态
伪代码逻辑:
函数 初始化场景(config_path):
读取配置文件
验证参数合法性(带宽>0, UE数量>0, 算力上限>算力下限)
实例化基站对象(位置、天线阵列、MEC服务器)
循环i从1到UE数量:
实例化UE对象(随机位置、本地算力、雷达体制、任务生成器)
绑定UE运动模型(匀速/匀加速/转向模型)
实例化目标对象(RCS、初始位置、速度矢量)
设置全局时钟与仿真步长
返回场景实例
使用方式:
python main.py --config configs/dense_urban_100ghz.yaml --seed 42 --episodes 1000
2.2 雷达信号生成器(RadarSignalGenerator)
功能定位:模拟UE侧雷达发射与回波接收全过程,生成基带IQ数据流。
处理流程:
-
根据波形参数(FMCW斜率、脉冲宽度、PRF、带宽)生成发射基带信号
-
依据目标相对距离与速度引入时延与多普勒频移
-
叠加路径损耗、RCS调制与高斯白噪声
-
模拟阵列流形与波束成形权重作用
-
输出ADC量化后的数字IQ样本
伪代码逻辑:
函数 生成回波信号(UE, 目标列表, 时隙n):
发射信号 = 生成FMCW波形(UE.带宽, UE.时宽, UE.PRF)
对于每个目标:
传播时延 = 2 * 目标.距离 / 光速
多普勒频移 = 2 * 目标.速度 * UE.载频 / 光速
路径损耗 = 基于自由空间模型(距离, 载频)
RCS调制 = 目标.RCS * 随机衰落因子
回波分量 = 发射信号 * exp(j*2*pi*多普勒频移*时间) * RCS调制 / 路径损耗
回波分量 = 延迟(回波分量, 传播时延)
总回波 = 所有回波分量求和 + 高斯噪声(UE.噪声功率)
总回波 = 阵列响应矩阵 * 总回波
总回波 = 波束成形权重^H * 总回波
数字信号 = ADC量化(总回波, UE.量化位数)
返回 数字信号, 信噪比估计值
2.3 通信信道模拟器(CommChannelSimulator)
功能定位:模拟UE与BS之间的毫米波/太赫兹通信链路,支持多径、阻塞与干扰建模。
处理流程:
-
基于3GPP扩展模型计算路径损耗与阴影衰落
-
生成MIMO信道矩阵(考虑角度扩展与簇稀疏性)
-
叠加雷达回波对通信的互耦干扰
-
计算各UE等效SINR与可达传输速率
伪代码逻辑:
plain
复制
函数 计算上行信道(UE列表, BS, 时隙n):
对于每个UE:
距离 = 计算距离(UE.位置, BS.位置)
路径损耗 = 28GHz路径损耗公式(距离) + 对数正态阴影
信道向量 = 生成簇稀疏MIMO信道(UE.天线数, BS.天线数, 角度出发, 角度到达)
如果 存在LOS:
信道向量 += LOS分量 * Rician因子
对于每个UE:
信号功率 = UE.发射功率 * |BS.通信波束^H * 信道向量|^2
干扰功率 = 0
对于其他每个UE:
干扰功率 += 其他UE.发射功率 * |BS.通信波束^H * 其他信道向量|^2
雷达干扰 = 耦合系数 * |BS.通信波束^H * 雷达信道 * UE.雷达波束|^2
噪声功率 = 噪声谱密度 * 带宽
SINR = 信号功率 / (干扰功率 + 雷达干扰 + 噪声功率)
速率 = 带宽 * log2(1 + SINR)
返回 信道矩阵, SINR列表, 速率列表
2.4 MEC资源虚拟化引擎(MECVirtualizer)
功能定位:模拟边缘服务器的容器化资源调度,维护任务队列与计算资源切片。
核心状态:
-
任务队列:FIFO/优先级队列
-
CPU/GPU/FPGA资源池:以虚拟计算单元(VCU)度量
-
容器生命周期:创建、运行、销毁
伪代码逻辑:
类 MEC服务器:
初始化:
总VCU = 配置.MEC算力
可用VCU = 总VCU
任务队列 = 空
运行中任务 = 空
函数 接收任务(任务, 分配VCU):
任务.分配VCU = min(分配VCU, 可用VCU)
可用VCU -= 任务.分配VCU
任务.预计完成时间 = 任务.计算量 / 任务.分配VCU
如果 任务.优先级 == 紧急:
插入队列头部(任务)
否则:
插入队列尾部(任务)
返回 任务.预计完成时间
函数 时钟推进(时间步长):
对于运行中任务:
任务.剩余计算量 -= 任务.分配VCU * 时间步长
如果 任务.剩余计算量 <= 0:
标记完成
可用VCU += 任务.分配VCU
从队列取出任务填充空闲VCU
返回 完成事件列表
2.5 卸载决策引擎(OffloadingEngine)
功能定位:实现本地处理、完全卸载、部分卸载与自适应决策四种模式,支持交替优化(AO)与PPO-DRL两种算法。
子模块:
-
静态策略模块:固定比例卸载、全本地、全卸载
-
AO优化模块:交替优化雷达波束、通信波束与计算资源
-
PPO-DRL模块:基于状态观测实时输出卸载比例与资源请求
状态空间定义:
状态向量 = [
信道增益向量, // 各UE通信信道质量
雷达信道状态, // 感知链路质量
MEC队列长度, // 边缘负载
UE本地队列长度, // 本地负载
任务计算量, // 当前任务复杂度
任务数据量, // 待传输比特数
剩余截止时间, // 时延约束余量
上一时隙卸载比例 // 动作历史
]
动作空间定义:
动作向量 = [
卸载比例, // [0, 1] 连续值
请求边缘VCU, // [0, MEC剩余] 归一化
发射功率等级, // [0, 1] 相对于最大功率
波束角度索引 // 离散化角度码本
]
PPO伪代码逻辑:
类 PPO智能体:
初始化:
策略网络 = 神经网络(输入=状态维度, 输出=动作均值/方差)
价值网络 = 神经网络(输入=状态维度, 输出=状态价值)
经验回放缓冲 = 空
函数 选择动作(状态):
均值, 方差 = 策略网络.前向传播(状态)
动作 = 从高斯分布采样(均值, 方差)
动作 = 动作掩码处理(动作, 约束条件) // 映射到可行域
价值 = 价值网络.前向传播(状态)
存储(状态, 动作, 价值, 对数概率)
返回 动作
函数 计算奖励(时延, 感知误差, 能耗, 约束违反):
奖励 = -权重时延*时延 - 权重误差*感知误差 - 权重能耗*能耗
对于每个约束:
如果 违反:
奖励 -= 惩罚系数 * 违反程度
返回 奖励
函数 训练更新(批次数据):
计算广义优势估计(GAE)
计算裁剪后的策略损失
计算价值网络均方误差损失
联合反向传播更新策略网络与价值网络
清空经验回放缓冲
2.6 联合波束成形优化器(BeamformingOptimizer)
功能定位:求解雷达发射波束、通信接收波束与功率分配的联合配置。
求解策略:
-
雷达波束子问题:半定松弛(SDR)转化为凸优化
-
通信波束子问题:WMMSE迭代算法
-
功率分配子问题:拉格朗日对偶注水算法
伪代码逻辑:
函数 交替优化波束与功率(初始值, 最大迭代数):
对于迭代从1到最大迭代数:
// 步骤1: 固定通信波束与功率, 优化雷达波束
对于每个UE:
等效噪声 = 热噪声 + 多用户雷达互干扰
构造半定规划问题:
目标: 最小化雷达发射功率
约束: 接收功率 >= 最小检测门限 * 等效噪声
约束: 发射功率 <= UE雷达功率上限
调用SDP求解器得到雷达波束矩阵
如果 解的秩 > 1:
执行高斯随机化提取近似波束向量
// 步骤2: 固定雷达波束, 优化通信波束与功率
初始化WMMSE辅助变量
重复直到收敛:
更新MMSE接收机权重
更新发射波束成形向量
更新发射功率(注水算法)
// 步骤3: 计算当前总时延
当前目标值 = 加权总时延
// 收敛判断
如果 |当前目标值 - 上一轮目标值| / 上一轮目标值 < 阈值:
跳出循环
返回 最优波束配置, 最优功率分配, 最优卸载比例
2.7 低时延感知闭环调度器(ClosedLoopScheduler)
功能定位:实现事件驱动与周期驱动混合调度,管理感知-传输-处理-决策-执行五阶段流水线。
状态机设计:
-
周期态:按固定间隔触发常规感知任务
-
事件态:检测到目标状态突变时触发紧急任务
-
反馈态:接收边缘处理结果后更新波形参数
伪代码逻辑:
类 闭环调度器:
初始化:
周期计数器 = 0
周期间隔 = 配置.常规感知周期
上一感知状态 = 空
函数 时隙调度(时隙n, UE列表, 目标状态):
触发列表 = 空
// 周期驱动检查
如果 周期计数器 >= 周期间隔:
对于每个UE:
添加常规感知任务到触发列表
周期计数器 = 0
// 事件驱动检查
如果 上一感知状态不为空:
状态变化量 = 计算欧氏距离(当前目标状态, 上一感知状态)
如果 状态变化量 > 触发阈值:
对于每个UE:
添加紧急感知任务到触发列表
标记任务优先级为紧急
// 执行触发
对于触发列表中每个任务:
调用卸载决策引擎获取动作
调用MEC资源虚拟化引擎分配资源
启动五阶段流水线:
阶段1: 雷达发射与回波采集
阶段2: 数据压缩与上行传输
阶段3: 边缘信号处理
阶段4: 目标状态估计与决策生成
阶段5: 波形参数反馈与执行器驱动
// 状态更新
上一感知状态 = 当前目标状态
周期计数器 += 1
返回 流水线事件追踪器
2.8 NOMA与AirComp传输模块(NOMAAirCompModule)
功能定位:模拟非正交多址接入卸载与空口计算分布式聚合。
NOMA模式:多UE在同一资源块叠加发射,BS侧SIC解码。 AirComp模式:多UE预编码后同步发射,BS侧直接获得加权叠加结果。
函数 NOMA上行传输(UE列表, BS, 资源块):
按信道增益降序排序UE
对于每个UE:
如果 模式 == NOMA:
发射信号 = 功率分配 * 数据符号 / 信道增益预补偿
否则如果 模式 == AirComp:
预编码系数 = 聚合权重 / 信道增益
发射信号 = 预编码系数 * 本地计算结果
叠加信号 = 所有UE发射信号求和
接收信号 = 信道矩阵 * 叠加信号 + 噪声
如果 模式 == NOMA:
对于排序后每个UE(从强到弱):
解码当前UE信号
从接收信号中减去当前UE贡献
存储解码数据
返回 解码数据列表, 各UE等效SINR
否则如果 模式 == AirComp:
全局聚合结果 = 接收信号 // 自然叠加
聚合误差 = 估计相位失配影响
返回 全局聚合结果, 聚合误差
2.9 边缘信号处理流水线(EdgeSignalProcessor)
功能定位:在MEC侧执行雷达信号处理算法,包括脉冲压缩、CFAR检测、目标跟踪与成像。
处理阶段:
-
脉冲压缩:匹配滤波或频域相乘
-
距离-多普勒处理:二维FFT生成RD图
-
恒虚警检测:单元平均CFAR或有序统计CFAR
-
参数估计:峰值插值或超分辨率谱估计(MUSIC)
-
目标跟踪:卡尔曼滤波或多假设跟踪(MHT)
伪代码逻辑:
函数 边缘雷达处理(原始数据, 处理配置, 分配VCU):
如果 处理级别 == 原始IQ:
脉冲压缩结果 = 频域匹配滤波(原始数据, 参考波形)
RD图 = 二维FFT(脉冲压缩结果)
检测图 = OS-CFAR(RD图, 参考窗长度, 保护窗长度, 虚警概率)
峰值列表 = 寻找局部极大值(检测图, 门限)
对于每个峰值:
距离 = 峰值.距离单元 * 距离分辨率
速度 = 峰值.多普勒单元 * 速度分辨率
信噪比 = 峰值.幅度 / 噪声基底
目标点迹 = [距离, 速度, 信噪比]
否则如果 处理级别 == 特征级:
目标点迹 = 解码接收数据 // UE已完成预处理
如果 启用跟踪:
对于现有航迹:
预测状态 = 卡尔曼滤波.预测(时间步长)
对于新点迹:
关联代价 = 马氏距离(预测状态, 新点迹)
执行全局最近邻关联
更新状态 = 卡尔曼滤波.更新(关联点迹)
航迹列表 = 更新后航迹
返回 感知结果, 处理耗时
2.10 联邦边缘聚合器(FederatedEdgeAggregator)
功能定位:支持多小区MEC节点间的联邦模型聚合,实现分布式感知算法协同。
伪代码逻辑:
类 联邦聚合器:
初始化:
全局模型 = 初始化神经网络权重
节点列表 = 相邻MEC节点
函数 本地训练(MEC节点, 本地感知数据):
子模型 = 复制全局模型
对于每个训练轮次:
批次 = 从本地数据采样
损失 = 前向传播计算损失(子模型, 批次)
反向传播更新梯度
返回 本地模型权重, 本地数据量
函数 全局聚合(本地权重列表, 本地数据量列表):
总数据量 = 所有本地数据量求和
全局权重 = 0
对于每个节点:
权重系数 = 节点数据量 / 总数据量
全局权重 += 权重系数 * 节点本地权重
全局模型.加载权重(全局权重)
广播全局模型到所有节点
返回 全局模型
2.11 性能评估分析器(PerformanceAnalyzer)
功能定位:采集全链路日志,计算时延、精度、能效与稳定性指标。
评估维度:
-
时延分析:端到端时延、传输时延、排队时延、处理时延的CDF与PDF
-
精度分析:距离/速度/方位RMSE、CRLB比值、检测概率曲线
-
能效分析:每比特能耗、每任务能耗、能量效率趋势
-
学习分析:PPO奖励曲线、策略熵、价值函数收敛性
伪代码逻辑:
类 性能评估器:
初始化:
时延日志 = 空列表
精度日志 = 空列表
能耗日志 = 空列表
奖励日志 = 空列表
函数 记录时隙数据(时隙n, 各UE状态, 决策动作, 结果):
对于每个UE:
追加(时延日志, UE.端到端时延)
追加(精度日志, UE.估计误差)
追加(能耗日志, UE.总能耗)
如果 存在DRL决策:
追加(奖励日志, 当前奖励)
函数 生成统计报告():
时延统计 = 计算分位数(时延日志, [50, 95, 99])
精度统计 = 计算均值与标准差(精度日志)
能效统计 = 计算能量效率(总能耗, 总有效计算量)
收敛分析 = 检测奖励日志平稳点
帕累托前沿 = 提取时延精度非支配解集
返回 结构化报告字典
2.12 可视化仪表盘(VisualizationDashboard)
功能定位:基于Matplotlib/Plotly的实时与离线可视化,支持动画回放。
视图设计:
-
网络拓扑视图:UE、BS、目标的空间位置与运动轨迹
-
时频资源视图:雷达与通信的时频资源占用热力图
-
时延瀑布图:各阶段时延的堆叠柱状图随时间演化
-
感知精度视图:估计值与真值的对比散点图、RMSE收敛曲线
-
DRL训练视图:奖励曲线、策略分布、状态-动作热力图
-
资源利用率视图:MEC CPU/GPU利用率、队列长度动态曲线
伪代码逻辑:
类 可视化仪表盘:
初始化:
创建图形窗口(2行3列布局)
初始化各子图句柄
函数 更新实时视图(时隙n, 场景状态):
子图1(拓扑):
绘制BS位置、UE位置、目标位置
绘制运动轨迹尾迹
绘制波束指向扇形
子图2(时延):
绘制最近100个时隙的端到端时延曲线
绘制时延阈值参考线
子图3(资源):
绘制MEC VCU利用率柱状图
绘制各UE分配VCU饼图
子图4(精度):
绘制估计距离与真实距离对比
绘制误差直方图
子图5(DRL):
如果 存在训练数据:
绘制累计奖励曲线
绘制策略熵变化
子图6(频谱):
绘制通信与感知功率谱密度
刷新显示
函数 生成实验动画(日志文件, 输出路径):
逐帧读取日志
对于每个关键时隙:
调用更新实时视图
保存帧到图像序列
合成为GIF/MP4动画
三、协同设计与数据流
3.1 主循环数据流
Mermaid

3.2 模块间接口规范
表格
| 接口名称 | 发送方 | 接收方 | 数据内容 | 更新频率 |
|---|---|---|---|---|
ChannelState | PHY/NET | ALG | 信道矩阵、SINR、速率 | 每时隙 |
RadarEcho | PHY | NET/MEC | IQ样本、SNR、数据量 | 每感知周期 |
OffloadDecision | ALG | NET/MEC | 卸载比例、目标MEC、功率 | 每任务 |
ResourceGrant | MEC | ALG | 分配VCU、预计完成时间 | 每任务 |
ProcessingResult | MEC | ALG | 目标点迹、航迹、耗时 | 每任务完成 |
WaveformFeedback | ALG | PHY | PRF、带宽、波束角、功率 | 每决策周期 |
PerformanceLog | 全部 | VIZ | 时延、精度、能耗、奖励 | 每时隙 |
3.3 并发与同步机制
-
时间推进:全局离散事件时钟,步长1 ms,支持事件插队
-
流水线并行:传输与计算在时隙内流水线化,允许部分重叠
-
数据一致性:状态向量采用快照隔离,避免读写冲突
-
随机数同步:全局随机种子,各模块子种子派生,保证可复现
四、测试标准与验收标准
4.1 功能测试项
| 测试ID | 测试项 | 测试方法 | 通过标准 |
|---|---|---|---|
| FT-01 | 场景初始化 | 加载5种不同配置文件 | 无异常,参数正确映射 |
| FT-02 | 雷达信号生成 | 单目标场景,已知距离/速度 | 回波峰值位置误差<1个单元 |
| FT-03 | 通信信道建模 | 对比3GPP参考值 | 路径损耗偏差<2 dB |
| FT-04 | MEC队列调度 | 注入1000个随机任务 | 无任务丢失,VCU不超分 |
| FT-05 | AO联合优化 | 两用户场景,固定信道 | 目标函数单调非增,收敛<20轮 |
| FT-06 | PPO-DRL训练 | 单智能体简单场景 | 1000回合内奖励单调上升 |
| FT-07 | 闭环调度 | 事件触发与周期触发混合 | 紧急任务响应<3个时隙 |
| FT-08 | NOMA解码 | 两UE叠加,完美SIC | 解码误码率<1e-3 |
| FT-09 | AirComp聚合 | 三UE均值聚合 | 聚合误差<理论失配上界 |
| FT-10 | 可视化输出 | 完成100时隙仿真 | 生成6张子图+动画文件 |
4.2 性能验收标准
| 验收指标 | 低密度场景 | 高密度场景 | 测试方法 |
|---|---|---|---|
| 端到端时延 | < 10 ms (95分位) | < 30 ms (95分位) | 1000时隙统计 |
| 距离估计RMSE | < 0.3 m | < 0.6 m | 对比真值 |
| 检测概率 | > 95% @ SNR>0 dB | > 90% @ SNR>0 dB | ROC曲线 |
| 频谱效率 | > 5 bps/Hz/UE | > 3 bps/Hz/UE | 吞吐量/带宽 |
| 能量效率 | > 1 Gcycles/J | > 0.5 Gcycles/J | 有效计算/能耗 |
| DRL收敛 | < 500回合 | < 2000回合 | 奖励方差<1% |
| 系统稳定性 | 时延抖动<20% | 时延抖动<30% | 标准差/均值 |
4.3 对比实验设计
实验组设置:
-
基准组:全本地处理,无MEC辅助
-
全卸载组:全部任务卸载,无智能决策
-
AO优化组:第5.2.4节交替优化
-
PPO-DRL组:第5.2.5节深度强化学习
-
NOMA增强组:基于NOMA的多用户接入
-
AirComp组:基于空口计算的分布式聚合
对比维度:
-
端到端时延累积分布函数(CDF)
-
感知精度随信噪比变化曲线
-
系统能耗随任务到达率变化曲线
-
DRL训练收敛曲线对比(奖励、时延、违反率)
五、脚本体系与使用方式
5.1 脚本清单与职责
| 脚本文件 | 职责描述 | 调用方式 |
|---|---|---|
main.py | 实验主入口,解析参数,初始化场景,驱动主循环 | python main.py --config xxx.yaml |
scene_builder.py | 场景配置器,实体实例化,参数合法性校验 | 被main.py调用 |
radar_generator.py | 雷达信号生成器,FMCW/脉冲体制模拟 | 被main.py调用 |
comm_channel.py | 通信信道模拟器,MIMO信道与干扰计算 | 被main.py调用 |
mec_virtualizer.py | MEC资源虚拟化,容器化调度与队列管理 | 被main.py调用 |
offload_engine.py | 卸载决策引擎,AO与PPO-DRL实现 | 被main.py调用 |
beamforming_opt.py | 波束成形优化器,SDP与WMMSE求解 | 被offload_engine.py调用 |
closed_loop.py | 闭环调度器,事件/周期混合驱动 | 被main.py调用 |
noma_aircomp.py | NOMA与AirComp传输模块 | 被comm_channel.py调用 |
edge_processor.py | 边缘信号处理流水线 | 被mec_virtualizer.py调用 |
federated_agg.py | 联邦边缘聚合器 | 被edge_processor.py调用 |
analyzer.py | 性能评估分析器 | 被main.py调用 |
dashboard.py | 可视化仪表盘,实时与离线渲染 | 被main.py调用 |
utils/logger.py | 结构化日志记录与序列化 | 被全部模块调用 |
utils/metrics.py | 统计指标计算(CDF、RMSE、帕累托) | 被analyzer.py调用 |
5.2 典型使用流程
步骤一:配置实验场景 编辑 configs/urban_28ghz.yaml,设定UE数量、MEC算力、任务到达率、载波频率等。
步骤二:运行单次仿真
python main.py \
--config configs/urban_28ghz.yaml \
--mode simulation \
--episodes 1000 \
--algorithm ppo \
--seed 42 \
--output results/exp_01/
步骤三:批量对比实验
for alg in local full_offload ao ppo nooma aircomp; do
python main.py \
--config configs/urban_28ghz.yaml \
--algorithm $alg \
--episodes 1000 \
--output results/compare_${alg}/
done
python tools/batch_analyzer.py --inputs results/compare_*/ --plot comparison.png
步骤四:实时可视化监控
python main.py \
--config configs/urban_28ghz.yaml \
--mode visualization \
--realtime \
--refresh_interval 100ms
步骤五:生成实验报告
python tools/report_generator.py \
--input results/exp_01/ \
--template templates/tech_report.md \
--output reports/exp_01_report.pdf
5.3 输出文件结构
results/exp_01/
├── config_snapshot.yaml # 实验配置快照
├── event_log.jsonl # 逐时隙结构化日志
├── metrics/
│ ├── latency_cdf.png # 时延累积分布
│ ├── latency_waterfall.gif # 时延瀑布动画
│ ├── rmse_convergence.png # 精度收敛曲线
│ ├── energy_efficiency.png # 能效趋势图
│ └── pareto_frontier.png # 时延精度帕累托前沿
├── drl/
│ ├── reward_curve.png # DRL奖励曲线
│ ├── policy_entropy.png # 策略熵变化
│ └── value_function.png # 价值函数收敛
├── network/
│ ├── topology_animation.mp4 # 网络拓扑动态演示
│ ├── spectrum_occupancy.png # 频谱占用热力图
│ └── beam_pattern.png # 波束方向图
└── report/
├── summary.json # 关键指标汇总
└── detailed_stats.csv # 逐UE统计表格
六、系统部署与扩展架构
6.1 单机部署模式
适用于算法验证与小规模场景(UE<10,时隙<10000)。所有模块运行在同一Python进程,通过内存队列交换数据。可视化采用Matplotlib非阻塞模式。
6.2 分布式扩展模式
适用于大规模多小区仿真。各模块可拆分为独立微服务:
Mermaid

扩展接口:模块间通信通过gRPC/ZeroMQ替换本地函数调用,状态数据通过Redis共享,日志通过Kafka汇聚至时序数据库。
七、风险预案与调试支持
7.1 常见异常处理
表格
| 异常场景 | 检测机制 | 自动恢复策略 |
|---|---|---|
| MEC队列溢出 | 队列长度监控 | 触发任务丢弃策略,优先保留紧急任务 |
| 信道矩阵奇异 | 条件数检查 | 注入微小正则化项,避免求逆失败 |
| DRL梯度爆炸 | 梯度范数监控 | 触发梯度裁剪,回退至上回合策略 |
| 波束优化不收敛 | 迭代轮数上限 | 返回上一轮可行解,记录警告日志 |
| 数值溢出 | 张量值域检查 | 截断至浮点上限,标记数据异常 |
7.2 调试模式
启用 --debug 参数后,系统进入逐时隙断点模式:
-
每个时隙结束暂停,输出关键状态摘要
-
支持交互式检查任意模块内部变量
-
生成详细的调用链与数据流追踪图
341



被折叠的 条评论
为什么被折叠?



