控制器故障下的软件定义机载网络数据平面迁移策略

软件定义网络（SDN）为突破机载网络功能僵化所造成的瓶颈提供了新的契机。针对软件定义机载网络控制域内控制节点故障问题,提出一种基于时延和负载均衡的传输节点迁移策略,将故障控制节点所管控数据平面中的传输节点迁移至其他正常控制节点,恢复网络的正常管控。以迁移时延和负载均衡率为目标,建立迁移优化模型,提出基于时延和负载均衡的传输节点迁移算法,指导数据平面中的迁移动作,最终对两个性能目标进行综合权衡。实验结果表明,与距离就近迁移（DCM）策略和分布式逐跳（DHA）策略相比,所提策略在迁移时延和负载均衡率2个方面进行了合适的折中,避免出现迁移时延过大或控制节点负载失衡的情况,有效解决机载网络故障恢复问题。     

基于时空图卷积网络的无人机网络入侵检测方法

无人机网络相比地面网络具有节点快速移动、拓扑结构变换频繁和通信链路不可靠的特点，传统的针对地面网络的入侵检测方法难以适用。针对无人机网络的时空动态特性进行建模，提出了一种无人机网络的入侵检测方法——基于注意力机制的时空图卷积网络（ATGCN）。将图卷积网络和门控递归单元组合为时空图卷积网络，从复杂多变的数据中提取网络的时空演变特征，通过注意力机制提取和入侵检测最相关的特征，输入支持向量机进行分类预测。多个数据集的实验分析表明:所提方法能够适应无人机网络的动态性和不稳定性，相比传统检测方法准确率高且误报率低，具有良好的鲁棒性和适应性。      

基于循环神经网络的SPMA协议信道状态智能检测改进算法

为实现对时敏目标的快速探测、定位和打击,战术瞄准网络技术(TTNT)对战术信息接入信道、交互传输的实时性、可靠性提出高要求。TTNT采用基于统计优先的多址接入(SPMA)协议,通过周期性计算统计平均的思想,估计当前信道状态,控制战术信息接入信道的时机。该思想仅适用于流量相对平稳的情况,在流量非平稳时会导致较大的信道状态检测误差。针对此问题,引入流量预测技术,提出基于循环神经网络的SPMA协议信道状态智能检测改进算法。利用循环神经网络的学习特点学习历史流量数据的隐含特征,构建流量预测器对瞬时时刻的流量脉冲到达数进行实时预测,从而准确获取当前信道状态。实验结果表明：所提算法对信道状态的检测结果更接近真实值,显著降低了信道忙闲状态的误判率。