在异构图神经网络辅助下，针对无人机辅助的物联网系统在发生级联故障后的网络恢复机制

《Reliability Engineering & System Safety》：Network Recovery for UAV-Assisted IoTs After Cascading Failures with Heterogeneous Graph Neural Networks

无人机辅助物联网网络在级联故障下的恢复机制研究，提出基于异构图神经网络的恢复方案，结合多智能体强化学习实现覆盖和吞吐量协同恢复，实验证明优于传统方法。

　　

庄晓典|傅秀文|邢柳东|彭瑞

上海海事大学物流工程学院，上海，201306，中国

摘要

随着无人机（UAV）辅助的物联网（IoT）应用的日益普及，其对级联故障的抵御能力引起了广泛关注。级联故障会严重破坏此类网络的拓扑完整性，使得高效恢复成为一项重大挑战。为应对这一挑战，本文提出了一种基于异构图神经网络（NRHG）的网络恢复方案。该方案采用异构图神经网络（HGNN），包括处理来自各个无人机局部观测数据的图感知层，以及实现无人机之间信息交换的图通信层。此外，还引入了多智能体强化学习（MARL）框架，以支持无人机的协作决策。实验结果表明，所提出的NRHG方案能够有效调度存活的无人机，覆盖因级联故障而产生的网络盲区。与其他方案相比，该方案在网络覆盖恢复和系统吞吐量恢复方面表现出更优的性能。

引言

无人机（UAV）辅助的物联网（IoT）的出现推动了物联网应用从城市区域扩展到传统网络基础设施难以覆盖的偏远地区。作为中继设施，无人机在这些地区收集物联网设备的数据，并将其传输给卫星进行实时监控，支持精准农业、灾害救援和野火检测等场景[1]、[2]、[3]、[4]。

尽管无人机促进了物联网在偏远地区的应用，但它们对环境因素和安全威胁的脆弱性限制了无人机辅助物联网的应用[5]。极端天气、硬件/软件故障、物理或网络攻击等因素可能严重损害无人机的数据传输能力，甚至导致其完全失效[6]、[7]。在无人机辅助的物联网中，一个或多个无人机的故障会破坏网络的原始连接性。随后的重新连接过程会改变通信路径并引发流量负载的重新分配，这可能导致其他无人机过载并失效。这种连锁反应最终可能导致无人机辅助物联网的很大一部分甚至整个网络崩溃。这种现象被称为级联故障。由于级联故障对无人机辅助物联网正常运行的重大威胁，近年来这一领域的研究受到了广泛关注，第2节对此进行了综述。

无人机的高机动性和自组织能力为级联故障后无人机辅助物联网的恢复提供了有利条件[8]。具体而言，无人机的高机动性使它们能够快速到达指定区域，从而有效覆盖受损区域。此外，无人机的自组织能力使系统能够重新建立连接，确保服务的连续性。然而，现有关于无人机辅助物联网级联故障恢复方案的研究存在以下局限性：1) 它们主要关注网络连接的恢复，而作为典型的数据中心网络，用户更关心的是网络覆盖和系统吞吐量的恢复；2) 它们未能解决网络拓扑和数据路由严重受损的级联故障问题。

为了解决这些局限性，本文提出了一种基于异构图神经网络（NRHG）的网络恢复方案，适用于级联故障后网络严重受损的场景。该方案利用异构图神经网络（HGNN）表示级联故障后无人机辅助物联网的信息，并将其输出作为多智能体深度Q学习的输入，以协调存活的无人机实现网络覆盖和系统吞吐量的多目标恢复。主要贡献如下：

1)

考虑到网络异构性和级联故障过程中的高动态性，构建了一个HGNN来提取无人机辅助物联网的实时网络特征信息。该HGNN包括处理每个无人机局部感知关系的图感知层和处理无人机之间共享信息的图通信层。这两种类型的图网络依次连接，以表示系统的整体信息；

2)

为了协调存活的无人机实现多目标恢复，本文提出了一种基于深度Q学习的网络恢复方案，用于无人机的集中训练和分布式决策。HGNN中的信息传播取代了独立智能体的训练。奖励函数结合了基于网络覆盖和系统吞吐量的全局奖励，以及对连接性的个体惩罚，引导无人机进行多目标恢复；

3)

进行了大量实验，以证明所提方案在级联故障后实现无人机辅助物联网网络覆盖和系统吞吐量恢复方面的有效性；

4)

进行了对比分析，以验证所提出的NRHG方案相对于其他方案的优越性，并进一步展示了NRHG在多种场景和不同故障严重程度下的鲁棒性。

本文的其余部分结构如下：第2节回顾相关工作；第3节介绍系统模型；第4节阐述所提出的NRHG方案；第5节展示实验结果；最后，第6节总结本文。

节选内容

无人机辅助物联网中的级联故障

物联网中的级联故障是指系统中一个或多个组件的故障影响其他连接组件，从而在整个网络中引发一系列故障[9]、[10]。在极端情况下，单个组件的故障可能导致整个物联网系统的瘫痪。因此，级联故障已成为影响物联网系统可靠性的主要瓶颈之一，并在近年来受到了广泛关注[11]，

系统模型和问题表述

本节首先描述了无人机辅助物联网的系统模型，然后阐述了恢复问题。

NRHG框架

NRHG算法框架如图4所示。级联故障发生后，存活的无人机需要协作以恢复无人机辅助的物联网网络。第一步是将无人机与物联网设备之间的动态关系建模为异构图。第二步是开发一个HGNN，将设备、关系和任务等多维信息聚合到无人机的特征中。HGNN包括图感知层和图通信层

实验设置

本节通过仿真实验展示了所提出的NRHG方案在级联故障后的网络恢复性能。设置了一个5000m×5000m的区域，在该区域内部署了300个物联网设备。最初，40架OUAV和10架SUAV收集所有物联网设备生成的数据，并通过SUAV将其上传至卫星。初始网络的覆盖率为100%。初始网络设置如图7(a)所示。在实验中，节点度最高的无人机是

结论

本文提出了一种用于级联故障后无人机辅助物联网网络恢复的NRHG方案。在NRHG中，开发了一个HGNN来处理无人机辅助物联网的动态拓扑信息，其中基于GAT的图感知层处理来自无人机的局部观测信息，而基于编码器-解码器的图通信层实现无人机之间的离散符号通信。HGNN作为MARL中智能体的核心策略网络，使无人机能够

未引用内容

图5。

CRediT作者贡献声明

庄晓典：撰写 – 审稿与编辑，撰写 – 原稿撰写，验证，软件开发，资源整理，形式分析，数据整理。傅秀文：撰写 – 审稿与编辑，资金获取，形式分析，数据整理，概念构思。邢柳东：撰写 – 审稿与编辑，项目监督，项目管理，概念构思。彭瑞：撰写 – 审稿与编辑，验证，项目监督，项目管理。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。