基于分布式图神经网络的无人机集群弹性时间同步方法研究

《IEEE Transactions on Network Science and Engineering》：Resilient Time Synchronisation for Aerial Swarms by Distributed Graph Neural Networks

本文针对无人机集群在动态无线网络中面临的时间同步挑战，提出一种基于热核的分布式图神经网络（GNN）控制策略。研究通过对抗模仿学习训练GNN模型，使其在保持低通信开销的同时，能够适应由高机动性或干扰攻击导致的网络拓扑变化。实验表明，该方法在临时/永久通信链路故障甚至集群分裂情况下仍能维持同步精度，为大规模安全关键型集群系统提供了可靠的备份控制方案。

　　

在物流、资源配送和农业等领域，由多架无人机（UAV）组成的空中集群正发挥着越来越重要的作用。这些无人机通过自组网（FANET）进行无线通信，无需依赖地面基站。时间同步是实现数据融合、距离测量和协同控制的关键基础。然而，现有研究大多默认无人机时钟已同步，却很少探讨在实际动态网络中如何实现并维持这种同步。由于无人机的高机动性（速度常超过30 km/h）以及通信链路易受干扰攻击（Jamming Attacks）影响，集群的无线网络拓扑结构会持续变化，甚至出现临时或永久性的通信中断。这些因素使得在动态网络中实现精确时间同步变得异常困难，而缺乏同步可能导致整个集群系统失效。

传统控制策略（如基于已知拓扑的集中式设计）难以适应大规模或动态变化的集群网络。虽然图神经网络（GNN）因其可迁移性和去中心化特性被视为潜在解决方案，但现有GNN控制策略多依赖全连接网络，会带来高昂通信开销，且对拓扑变化的适应性仍有待验证。因此，本研究旨在利用GNN实现无人机集群的弹性时钟同步，解决动态网络下的可扩展性和鲁棒性问题。相关成果发表于《IEEE Transactions on Network Science and Engineering》。

研究团队通过集成热核（Heat Kernel）与分布式GNN架构，设计了低通信开销的同步控制器。热核能够保留低频图信号并衰减高频分量，这与时间同步的目标（使所有时钟状态一致，对应低频信号）高度契合。分布式GNN通过多层堆叠实现多跳信息聚合，无需全连接网络即可完成局部协同控制。训练阶段采用对抗模仿学习（Adversarial Imitation Learning），使GNN模型能够模仿基于全连接网络的集中式专家控制器（Expert Control Policy）行为，并在训练过程中引入由高机动性引起的拓扑变化数据，以增强模型对动态网络的适应性。

主要技术方法

1. 1.
   构建基于热核的图神经网络模型（Φ_h），通过指数衰减函数e^?kρL对拉普拉斯矩阵（L）进行滤波，抑制高频信号；
2. 2.
   设计分布式GNN架构（K=1），每层仅聚合一跳邻居信息，通过堆叠L层实现L跳通信，避免全连接网络的开销；
3. 3.
   采用对抗模仿学习框架，以集中式控制器（F*）为专家策略，在动态拓扑数据集上优化GNN参数，提升对链路故障的泛化能力；
4. 4.
   使用时钟状态（x[t] = [θ[t], γ[t]]^T）作为输入，直接输出控制量（u[t]），无需多层感知机（MLP）解码，降低计算复杂度。

性能对比分析

在50架无人机的集群仿真中，分布式GNN（Φ_h）的同步精度（Δ[t]）与集中式控制器（F*）相当（10^?13 μs量级），且显著优于传统分布式控制器。通过调整隐藏特征维度（G_?=64）和层数（L=2），模型在保持低通信开销的同时实现快速收敛。与采用Tanh激活函数的图卷积网络（GCNN）相比，线性GNN（Φ_l）因更贴合时钟模型的线性特性，表现出更优的同步性能。

可扩展性验证

在25至200架无人机的扩展测试中，未经重新训练的GNN模型仍能维持同步，但收敛时间随规模增大而延长。当集群规模超过400架时，因收敛速度过慢导致同步失败，表明模型对超大规模网络的适应性存在上限。

抗干扰能力测试

研究模拟了两种干扰攻击模式：临时性链路中断（集群穿越固定干扰区）和永久性中断（持续干扰特定区域）。在临时中断场景下，GNN控制策略能在链路恢复后快速重新同步；而永久中断导致网络稀疏化时，虽收敛速度下降，但仍能维持同步。即使集群被分割为两个独立部分，每个子集群内部仍能保持时钟一致。

结论与展望

本研究提出的分布式热核GNN控制器，通过结合频谱滤波特性与局部通信优势，实现了无人机集群在动态网络中的弹性时间同步。其核心意义在于：

1. 1.
   为大规模集群提供低开销、可扩展的同步解决方案；
2. 2.
   通过对抗训练增强对拓扑扰动（如干扰攻击）的鲁棒性；
3. 3.
   去中心化架构避免单点故障风险，适用于安全关键场景。
   未来工作将聚焦于理论层面证明闭环系统中GNN的稳定性，并探索在更复杂攻击模式（如数据注入）下的防御机制。