基于航空网络的无线黑匣子系统设计*

黄姗姗，张 驰

（中国科学技术大学 信息科学技术学院，安徽 合肥 230026）

0 引 言

近年来，关于航班事故的报道频繁出现。根据统计报告显示[1]，2014年发生了6起重大航空事故，导致至少19名机组成员和900名乘客失去生命。其中，MH370航班导致239人死亡，MH17航班导致298人死亡，亚洲航空公司航班QZ8510导致162人死亡，德国4U9525航班导致150人死亡。

在这些重大事故中，除了MH370航班外，其余事故均找到了飞机黑匣子并分析出了事故发生的原因。关于MH370航班的下落以及事故的原因一直成谜，尽管已经投入大量人力物力，但是其黑匣子一直没有找到，而黑匣子是分析航空事故原因最重要的设备。除此之外，2009年的法国AF447航班[2]在大西洋坠毁，经过2年的搜寻，于2011年5月在海底找到了其黑匣子。找不到或者经过很长时间才找到黑匣子的情况，对于未来航空安全具有很大的隐患，因为事故原因没有查清就不能及时排查错误，预防未来事故的发生。本文提出了无线黑匣子系统，将飞机黑匣子中的数据通过无线方式传输到地面站中进行备份，这样事故发生后就可以及时在地面站中查找到相应的数据。同时，地面站也可以利用这些数据对空中的飞机进行监控，及时排查错误，减少事故发生。

本文的结构安排如下：第1章主要介绍研究背景及国内外研究现状；第2章主要介绍系统架构设计；第3章给出了统一的路由优化算法；第4章给出了系统的仿真实验和结果分析；最后得出结论。

1 研究背景及国内外研究现状

1.1 飞机黑匣子介绍

飞机黑匣子即飞行记录仪[3]，是安装于飞机尾部、用于调查航班事故的重要部件。它本身被设计为具有抗强灾害的能力，并能够在事故发生后自动发送定位信标。飞机黑匣子主要由两部分组成，飞行数据记录仪FDR和驾驶舱话音记录仪CVR，位置如图1所示。FDR主要记录飞机飞行状态的相关信息，如飞机位置、高度、速度、方向以及引擎状态等；CVR主要记录机舱内的各种话音信息，包括驾驶舱内的音频信息、机组成员的对话信息以及客舱内的声音信息。黑匣子的主要用途是在航班发生事故后，被国际运输安全总局NTSB用于调查事故原因。

图1 飞行记录仪

1.2 国内外研究现状

无线黑匣子的研究现状主要包含以下内容。Ankan等人[4]提出通过XBEE-RF无线通信技术将黑匣子中的数据传输到地面接收设备，但是由于传输速率的限制，因此只能传输少量参数，如引擎状态、油量指标、速度和位置等，其他参数无法传输，且XBEE-RF模块的传输范围有限，只能用于陆地上空的黑匣子数据传输。文献[5]提出将黑匣子设计成为一个容断网络（DTN）设备，采用触发式设计，在飞机上安装检测系统，对黑匣子数据进行分析。当发现异常时，触发黑匣子成为DTN设备，并开始将黑匣子数据转换为DTN支持的Bundle格式，然后发送到周围的其他DTN设备中。这种触发式设计存在的问题是，当检测到异常并触发黑匣子成为DTN设备后，可能没有足够的时间将数据传输出去，导致事故分析没有足够的数据支持。文献[6]提出结合使用卫星通信接收黑匣子的数据。在有基站部署区域，通过基站接收黑匣子的数据；在海洋等地区，通过卫星接收黑匣子数据。这种方式存在的问题是，海洋区域存在大量航班，当这些航班的黑匣子均通过卫星传输数据时，卫星的使用量将会增加，而卫星带宽和设备成本高，因此不适用于大量传输数据。

本文提出的无线黑匣子系统，结合了卫星通信和飞机间航空网络传输数据，由于使用了飞机间的多跳传输网络，从而减少了卫星使用量，同时将黑匣子的数据传输范围扩展到了海洋等无基站部署区域。下面将详细介绍提出的无线黑匣子系统的数据传输架构。

2 系统架构

航空网络中，由于节点的快速移动，网络拓扑容易发生变化。节点之间的链路时断时续，链路断开后可能又重新建立连接，或者通过路由发现机制连接到其他的节点，然后路由协议利用这些信息重新计算路由。这段时间内，网络需要维护路由，不能用来传输用户数据。

为了加快航空网络路由计算的能力，需要尽可能利用网络信息来计算路由。但是，传统Ad Hoc路由协议没有接口可以集中式地利用这些信息。软件定义网络SDN[7]提出将控制平面和数据平面分离。控制平面包含网络全部信息，进行集中式的路由计算；数据平面仅根据控制层下发的路由表转发数据。利用SDN的这种性质，提出了集中式的数据传输架构，如图2所示。架构包含三层结构，分别是地面控制层、航空网络层以及卫星层。

地面控制系统。地面控制系统包括一个集中的控制器和基站设施。集中的控制器包含网络中的全部信息，如节点的位置、速度、数据分布以及链路状态等。控制器利用这些信息进行集中式的路由计算，通过制定优化问题求解出最优的路由方案。后文将详细介绍路由优化算法。

航空网络层。由于卫星通信带宽和设备成本高，且卫星带宽有限，因此在海洋等无基站部署区域，可通过飞机间的多跳网络传输数据。需要说明的是，节点根据控制器下发的路由表转发数据。每个节点既是数据源，也是转发节点。

卫星层。卫星层包含卫星节点。利用卫星覆盖范围广的特点，将其作为集中式的控制信道，用于发送控制信息。另外，当飞机周围无基站和其他飞机节点时，将通过卫星传输黑匣子数据。

图2 系统架构

3 路径优化算法

因为集中的控制器包含了所有的网络信息，所以可以利用这些信息制定线性规划问题，并通过求解该问题得到最优的路由方案，同时将其发送到网络中的飞机节点。飞机根据路由表转发数据。当飞机传输数据时，检测到下一跳不在传输范围内时，则通过卫星传输。由于卫星带宽成本高，在本文的优化问题中，优化目标为最小化卫星使用量。

3.1 最小化卫星使用量

将航空网络层和基站节点抽象为一个无向图G( t) = (V( t),E( t) ) ,t∈ R 。其中， V ( t)表示节点集合， E ( t) = {(u, v) :u, v ∈ V ( t )}表示时刻t网络中的链路集合。定义 Pv( t)表示飞机节点v在时刻t所有可以到地面站的路径集合。 mv表示节点v产生的数据量。制定如下优化问题：

其中，式（1）为优化目标，即最小化卫星使用量。式（2）中 xvp为一个二进制变量，表示飞机节点v在时刻t从路径集合 Pv( t)中选择路径p作为数据传输的路径。式（3）是为了确保每架飞机最多分配一条路径用于传输数据。式（4）和式（5）分别给出了链路容量和数据时延的约束，其中 we和 ce分别为链路e的传播时延和链路容量，W为消息 mv的端到端时延约束。

以上问题属于大规模线性规划问题，本文采用列生成算法[8]结合单纯形法进行求解。列生成算法是用于求解大规模线性规划问题的常用方法。它通过将原始问题分解为规模较小的问题进行求解，然后迭代添加列元素，直到求出问题的最优解。在每次迭代的过程中，它都会生成一个可行解。定义每次迭代过程中可行解与最优值之间的差为最优化间隙：

实际意义表示相对于最优值当前解需要额外增加的卫星使用量。定义 ()g t的变化趋势为：

其中k为常量且 k ∈ ( 0,1)，表示 g ( t)的变化趋势。为了验证 g ( t)的变化趋势，在具有22个节点的静态拓扑上利用列生成算法求解出 g ( t)随迭代次数的变化图，如图3所示。经过数次迭代后，g( t)逐渐趋于0，即求得最优解。

采用上述方法求解存在的问题为：

（1）飞机节点数量多，因此大规模线性规划的迭代时间长，可能在这段时间内网络拓扑容易发生变化；

（2）卫星的控制链路时延高且信道容量受限。

对于问题（1），一个可行的策略是将迭代过程中求出的可行解直接应用于网络中，这样经过几次迭代后，网络会逐渐靠近最优解，且能够应对网络状态变化的情况。但是，问题（2）指出，卫星链路时延高，如果将每次迭代的可行解均应用于网络中，容易导致网络不稳定。因此，仅选择其中某几个时隙的可行解应用于网络中。由此，需制定控制序列的优化问题。

图3 g( t)随迭代次数的变化曲线

3.2 控制序列优化

这一节中解决控制问题，决策是否将每次迭代求得的解应用于网络中。定义()1tε=表示将此次迭代的结果应用于网络中，()0tε=则表示为不应用。定义额外的卫星使用量为：

若(t)1ε=，则()0tσ=，表示网络采用了t时刻的解；若()0tε=，则()tσ增加(1)kg t-，为求解器求解出来可以减少的卫星使用量，但没有应用于网络中。

针对()tσ制定控制问题，以求解出最优的控制序列，即各个时隙的()tε值。制定随机优化问题如下：

其中 0 ＜fmax≤1表示每个时隙内的更新频率。

为简化问题的求解，约定每次跳变的下一个时隙，将求解器求出的可行解应用于网络中。同时，定义 g ( t)两次跳变后，求解器应用计算结果之间连续的时隙为一个更新帧。用 tn表示第n个更新帧的开始，Tn= tn+1- tn表示第n个更新帧内的时隙数。

为了求解上述优化问题，本文参考了J. Neely[9]提出的Lyapunov优化理论，即求解随机优化问题的一个方法是在每个时隙内贪婪地平衡系统的稳定性和系统的惩罚，即可达到一个均衡的状态，则问题被求解。参考此理论，制定系统的虚拟队列为：

∑表示上一个更新帧内更新的次数，Tnfmax表示在这一帧中系统的最大更新次数。虚拟队列的机制是为了将随机优化的约束转换为队列的稳定性问题，具体可以参考文献[9]。为了验证系统的实时速率稳定，定义二次Lyapunov偏移为：

∆ ( Q ( tn))表示 Q ( tn)在每个时隙中的变化量。根据Lyapunov理论，对于能够使得上述Lyapunov偏移在每个时隙内均具有一个有限的上界的求解策略，均能够保证虚拟队列的实时速率稳定，即满足优化问题的约束条件。

为了求解此随机优化问题，将优化目标和约束条件结合，制定如下偏移加惩罚问题：

V为衡量两个目标的权重常量。最小化上述DPP问题，即在每个时隙内贪婪地平衡系统的稳定性和系统的惩罚。上述问题可以通过扩展上界后等价于如下优化问题：

通过求解上述问题，可以得到第n个更新帧内的控制序列 ε (tn+ 1 ), ε ( tn+ 2 ), … ,ε(tn+Tn)。控制器根据控制序列决定在每个时隙是否将求解器求出的解应用到网络中。

4 系统仿真分析

这一节将给出系统的仿真分析。实验数据为从国际航空运输组织（IATA）获取到航班的轨迹数据[10]。实验场景选择了北大西洋航空区域（45°N～65°N，5°W～60°W）。这一区域的飞机数量在一天内有明显的变化，如图4所示。假设在此区域的飞机具有相同的传输能力，飞机与飞机之间以及飞机与地面站之间的传输半径均为200海里。所有飞机具有相同的数据产生速率，即FDR为3 kb/s，CVR为120 kb/s[3]。仿真场景中设置了6个基站，位置如图5所示。

图4 北大西洋航空区域飞机数量变化曲线

图5 基站位置

4.1 卫星使用量

图6 给出了卫星使用量的实验结果图。定义卫星使用量为：

其中m为飞机在5 min内产生的数据总量，n表示通过卫星传输的数据量。实验对比三种场景：理想状态、预测状态以及AeroRP路由协议。

（1）理想状态：不考虑链路稳定性问题，若两个节点在传输范围内，则认为该链路可传输数据。

（2）预测状态：考虑链路的稳定性，利用飞机的位置、速度及方向信息对链路的生存时间进行预测，并设置链路的生存时间阈值。超过该阈值，认为是稳定链路，可以传输数据；否则，不能用于数据传输。这种状态考虑了实际的链路情况。

（3）AeroRP：AeroRP路由协议是一种应用于高速移动航空网络的基于地理位置的路由协议，具体内容可参考文献[11]。

图6 卫星使用量

从实验结果中可以看出，前两种状态下的卫星使用量要低于AeroRP路由协议下的卫星使用量，即提出的路由优化算法减少了卫星的使用量。需要说明的是，考虑预测状态的卫星使用量比理想状态稍高一点，但是这种情况考虑了实际问题，更加贴近实际场景中的链路状态。

4.2 基站负载情况

图7给出了实验中各个基站接收到的数据量与飞机产生的数据总量的比值。其中，图7（a）采用本文提出的路由优化算法，图7（b）采用AeroRP路由协议。通过对比可以看出，图7（a）中各个基站的使用量相对较为均衡，图7（b）中基站使用量的情况不够均衡，C基站明显使用量高于其他基站。因此，本文的路由算法能够达到负载均衡的情况。

图7 各个基站接收到的数据量与飞机产生的数据总量的比值

5 结 语

本文提出将飞机黑匣子中的数据通过航空网络以及结合卫星通信传输到地面站中进行备份存储。采用集中式的数据传输架构，可以在控制器中进行集中的路由计算。在此基础上，本文提出了针对黑匣子数据传输的路由优化算法，并通过实验验证了系统的可行性，减少了卫星使用量，同时具有负载均衡的作用，对提高未来航空安全性具有可参考性。

参考文献：

[1] PlaneCrashInfo.com.Accident Database[DB/OL].(2018-01-02)[2018-01-17]http：//www.planecrashinfo.com/database.htm.

[2] BBC News.Air France Crash：The Long hunt for Answers[EB/OL].(2011-08-01)[2018-01-06].http：//www.bbc.co.uk/news/world-europe-13145313.

[3] Schoberg P R.Secure Ground-based Remote Recording and Archiving of Aircraft ”Black Box” Data[D].California：Naval Postgraduate School,2003.

[4] Ashish A,Chougule S B.Wireless Flight Data Recorder(FDR) for Airplanes[C].Advanced Materials Research.Trans Tech Publications,2012(433)：6663-6668.

[5] Nagrath P,Aneja S,Purohit G N.BlackBox as a DTN device[J].International Journal of Next-Generation Computing,2015,6(01)：57-65.

[6] Shaji N S,Subbulakshmi T C.Black Box on Earth-flight Data Recording at Ground Server Stations[C].Advanced Computing(ICoAC),2013 Fifth International Conference on IEEE,2013：400-404.

[7] Open Networking Foundation.Software-Defined Networking(SDN) Definition[EB/OL].(2017-12-01)[2018-03-17].https：//www.opennetworking.org/sdndefinition/.

[8] Desaulniers G,Desrosiers J,Solomon M M.Column Generation[M].Berlin：Springer Science & Business Media,2006.

[9] Neely M J.Stochastic Network Optimization with Application to Communication and Queueing Systems[J].Synthesis Lectures on Communication Networks,2010,3(01)：211.

[10] IataCodes Org.IATA Codes Database[[DB/OL]].(2016-11-08)[2017-12-21].http：//iatacodes.org/.

[11] Peters K,Jabbar A,Cetinkaya E K,et al.A Geographical Routing Protocol for Highly-dynamic Aeronautical Networks[C].Wireless Communications and Networking Conference(WCNC),2011：492-497.