AI发展对卫星通讯的影响及太空算力中心建设与发展深度研究
1. AI在卫星通信系统中的核心应用
1.1 智能网络管理与优化
1.1.1 智能路由与流量调度
人工智能正在从根本上重塑卫星通信网络的路由与流量调度机制，将传统基于静态规则和集中式控制的模式转变为动态自适应的智能决策体系。在低地球轨道（LEO）星座场景中，卫星以每秒数公里的速度高速运动，网络拓扑持续动态变化，传统最短路径算法（如Dijkstra）和固定路由表难以适应这种复杂性。基于**图神经网络（GNN）和深度强化学习（DRL）**的智能路由算法已成为该领域的研究前沿，这些算法能够实时感知全网状态，包括链路质量、节点负载、业务优先级等多维信息，自主生成最优转发策略。
具体技术实现上，深度Q网络（DQN）及其变体（如双DQN、决斗DQN）将星座路由建模为马尔可夫决策过程（MDP），以吞吐量、延迟、丢包率为奖励信号，通过与环境的持续交互学习长期累积奖励最大化的策略。Xu等人于2025年提出的MARL-JR（Multi-Agent Reinforcement Learning-Based Joint Routing）算法 创新性地融合了地面集中式预训练与星上分布式实时决策：通过Q表初始化技术避免冷启动问题，引入残余负载因子实现拥塞感知路由，并通过周期性链路状态广播确保拓扑变化的快速检测。仿真实验表明，相较于传统数据速率基准算法（DR-BM）和经典Q-routing，MARL-JR在端到端延迟、丢包率和负载均衡度三个核心指标上均实现显著优化，尤其在链路故障场景下展现出卓越的鲁棒性------当网络负载维持在3000数据包且故障链路增加时，MARL-JR的数据包到达率稳定性明显优于对比方案 。集成GNN和DQN的路由算法相比传统最短路径算法可实现吞吐量提升29.47%和端到端延迟降低39.76% 。
软件定义卫星（SDS）架构 为智能路由提供了理想的实现平台。通过将控制平面与数据平面分离，SDS支持AI驱动的路由策略以软件形式快速部署与迭代，无需硬件更换即可实现功能重构。市场数据显示，SDS市场规模预计从2025年的35.2亿美元增长至2026年的40亿美元，复合年增长率达13.6%，其中AI驱动的在轨重配置是核心增长动力 。Telecoms.com的报告指出，强化学习模型可以实时优化波束指向和星间链路，标志着认知型、自优化卫星网络的开端 。这种从固定操作向智能系统的转变，使卫星网络能够在无需等待地面指令的情况下自适应变化，显著提升了网络弹性。
| 算法类型 | 架构特点 | 核心机制 | 性能增益 | 适用场景 |
|---|---|---|---|---|
| DQN/GNN混合 | 集中训练-分布执行 | 图结构表征+价值函数逼近 | 吞吐量+29%，延迟-40% | 中等规模星座 |
| MARL-JR | 集中预训练-分布实时决策 | Q表初始化+残余负载因子+链路状态广播 | 最优负载均衡，最强故障鲁棒性 | 大规模动态星座 |
| MO-DRL | 多目标帕累托优化 | 奖励向量+前沿搜索 | 多目标权衡最优 | 多业务差异化服务 |
| 遗传算法 | 进化优化 | 选择-交叉-变异 | 全局搜索能力强，收敛慢 | 多星多任务规划 |
1.1.2 频谱智能管理
频谱资源是卫星通信的核心战略资源，而人工智能正在重塑频谱管理的范式。随着SpaceX星链、Amazon Kuiper、OneWeb等巨型星座的快速部署，对有限无线电频谱的压力急剧加剧，传统的静态频谱分配方法已无法满足现代卫星通信系统动态和异构的特性 。认知卫星（CogSat）网络应运而生，该网络整合认知无线电（CR）原理以实现动态频谱管理（DSM），利用智能、自适应机制感知、访问和共享未充分利用的频谱带，从而提高频谱效率，并支持轨道层和地面系统之间的无缝集成。
AI在频谱智能管理中的应用涵盖三个关键层面。频谱感知 层面，机器学习模型通过分析历史使用模式预测频谱需求，实现频率的动态高效分配，同时识别未充分利用的频段并提出再利用方案 。CNN和LSTM等深度学习模型能够从复杂的电磁环境中提取时频域特征，检测灵敏度较传统能量检测方法提升10-15 dB。频谱分配 层面，深度强化学习（DRL）在解决复杂的序列决策问题如动态信道分配和功率控制方面显示出卓越潜力 。多智能体强化学习（MARL）框架使不同卫星运营商或星座系统能够在竞争与协作的复杂博弈中实现频谱效率的全局优化，避免集中式控制的单点故障与信令开销问题。干扰规避层面，AI系统能够预测干扰源的运动轨迹，动态调整卫星波束和功率参数，实现 proactive 而非 reactive 的干扰管理。
国际电信联盟（ITU）已明确将人工智能视为增强频谱监测任务自动化的下一代计算机辅助技术，可应用于信号识别、多个自动信令设备和装置的实时监控以及干扰源的确定 。然而，动态频谱技术的全面部署仍面临挑战：卫星平均寿命周期限制、ITU监管框架的适应性调整需求，以及多运营商之间的协调机制建立，预计完全 rollout 可能需要数年时间 。论文《Artificial Intelligence for Satellite Communication: A Review》明确将"Managing Interference"列为AI在卫星通信中的七大核心应用之一 。
| 技术层次 | 核心方法 | 关键能力 | 典型算法/模型 | 成熟度 |
|---|---|---|---|---|
| 频谱感知 | 深度学习特征提取 | 弱信号检测、频谱空穴识别 | CNN, LSTM, 自编码器 | 较高 |
| 频谱分配 | 强化学习/博弈论 | 动态信道分配、功率控制 | DQN, MARL, 拍卖算法 | 中等 |
| 干扰检测 | 无监督异常检测 | 未知干扰类型识别 | Autoencoder, 孤立森林 | 较高 |
| 干扰对抗 | 对抗性强化学习 | 自适应波形、跳频、功率 | GAN, PPO, A3C | 发展中 |
| 频谱共享协调 | 联邦学习/联盟形成 | 隐私保护的多方协作 | 联邦Q学习, 契约设计 | 早期 |
1.1.3 网络流量预测与资源预配置
精准的网络流量预测是实现卫星通信资源高效预配置的前提。基于循环神经网络（RNN/LSTM）的时序预测模型能够捕捉卫星网络流量的周期性、趋势性和突发事件特征，为网络资源的前瞻性调度提供决策依据。研究表明，LSTM模型在预测GEO卫星转发器负载时，均方根误差（RMSE）较ARIMA等传统时间序列方法降低40%-60%，尤其在捕捉节假日、重大事件等异常流量模式方面优势显著 。更先进的 注意力机制（Attention）与Transformer架构进一步提升了长周期依赖的建模能力，支持未来数小时至数天的流量趋势预测。
波束跳变（Beam-Hopping）技术 是AI赋能资源预配置的典型案例。传统卫星波束覆盖固定区域，导致热点区域容量不足而偏远区域资源闲置；波束跳变通过时分复用方式，使卫星能够在多个波束间快速切换，动态匹配业务需求的时空分布。然而，最优跳变图案的设计涉及高维组合优化，传统启发式算法难以实时求解。AI技术为此提供了突破性方案：强化学习智能体以历史流量数据、用户位置预测、业务类型识别为输入，学习最优的波束激活序列与功率分配策略，实现"需求在哪里，容量就跳到哪里"的精准匹配。论文指出，AI-based beam hopping solutions已成为该领域的研究热点，能够在提升频谱效率的同时降低星上功耗 。
自适应功率分配与链路自适应控制同样受益于AI预测能力。AI模型综合考虑信道状态信息（CSI）、业务QoS要求和卫星能源状态，实现发射功率、调制编码方案（MCS）和天线增益的动态联合优化。与传统基于信噪比门限的ACM相比，AI驱动的预测性ACM能够提前适配信道变化，减少模式切换的滞后损失，尤其在LEO卫星快速过境场景下优势更为明显。
1.2 信号处理与传输优化
1.2.1 智能信道建模与补偿
卫星通信信道受电离层闪烁、大气衰减、多径效应及多普勒频移等多重因素影响，具有高度时变性和空间异质性。传统基于物理模型的信道估计方法（如Rice、Rayleigh、Loo模型）基于简化假设，难以精确描述复杂场景下的信道特性。机器学习，特别是深度学习，为数据驱动的信道建模开辟了新途径。论文明确将"Channel Modeling"列为AI在卫星通信中的核心应用之一，指出神经网络能够从大量实测信道数据中学习隐含的非线性映射关系，构建更准确的信道状态信息（CSI）预测模型 。
电离层闪烁 是影响L波段卫星通信的关键挑战，尤其在赤道和低纬度地区。电离层不规则体导致信号幅度和相位的快速随机起伏，严重时可造成通信中断。论文将"Ionospheric Scintillation Detecting"单独列为AI应用专题 。支持向量机（SVM）和随机森林（RF）等浅层算法可从GNSS接收机的载噪比（C/N0）和相位抖动指标中识别闪烁事件；深度学习方法（如CNN-LSTM混合架构）则能融合多源数据（地磁指数、太阳活动参数、电离层总电子含量TEC等），实现闪烁的提前预警，为链路自适应和任务调度争取宝贵时间窗口。决策树与随机森林的组合方案在GNSS信号振幅闪烁事件检测中达到了99.7%的准确率 与99.4%的F-score，媲美人工标注水平 。
**自适应调制编码（ACM）**是智能信道补偿的工程实现。AI模型根据预测的信道状态，动态选择最优的调制阶数（如QPSK、8PSK、16APSK、32APSK）和编码速率（如LDPC码的不同码率），在频谱效率与传输可靠性间取得最佳平衡。强化学习模型通过持续交互学习最优AMC策略，能够适应非平稳信道统计特性，相比基于查表的传统方案具有更强的环境适应性。
1.2.2 干扰检测与抗干扰
卫星通信系统的开放性和广域覆盖特性使其易受有意和无意干扰，AI技术正在构建智能化的干扰防护体系。论文将"Anti-jamming"列为AI在卫星通信中的七大核心应用之一，系统梳理了该领域的研究进展 。
在干扰检测 层面，基于CNN和自编码器（Autoencoder）的无监督/半监督学习方法能够从正常通信信号中学习"正常模式"的流形表示，当输入信号偏离该流形超过统计阈值时触发告警。这种方法对未知类型干扰具有检测能力，克服了传统基于特征匹配的检测方法只能识别已知干扰类型的局限。基于DNN AE和LSTM的级联架构可实现干扰存在性检测与类型精细分类的联合优化，实验验证表明此类ML-based干扰检测器可将误检概率降低44% 。
在智能抗干扰 层面，深度强化学习展现出独特优势。智能抗干扰系统以干扰环境为"对手"，通过持续博弈学习最优的波形设计、跳频图案、功率分配和波束指向策略。NASA的SCaN（Space Communications and Navigation）测试床提供了在轨验证平台，采用Q学习实现动态信道选择，在扫频干扰与马尔可夫干扰场景下，将无干扰通信时间比例从基线随机选择的约20%提升至55%以上 ，改善幅度接近180% 。这一结果构成了AI对抗措施在真实空间环境中可行性的首批在轨证明之一。更广泛的反干扰技术栈涵盖射频与信号层（定向天线、自适应滤波、扩频/跳频）、安全加密层（密钥生命周期自动化、策略加密控制、异常检测识别欺骗模式）以及运维响应层（AI将原始RF/网络信号转化为可操作的检测-归因-响应流程，将响应时间从数天压缩至分钟级） 。
| 干扰类型 | 传统检测方法局限 | AI增强方案 | 典型性能增益 |
|---|---|---|---|
| 单音/多音干扰 | 能量检测阈值难设定 | CNN频谱特征分类 | 检测率+15-20% |
| 扫频干扰 | 跟踪速度慢 | LSTM时序预测+预切换 | 无干扰时间+180% |
| 脉冲干扰 | 时域捕获困难 | 自编码器异常检测 | 虚警率-44% |
| 智能自适应干扰 | 规则库无法覆盖 | 对抗性强化学习 | 动态博弈均衡 |
| 欺骗干扰 | 特征相似度高 | 多源融合+行为分析 | 识别准确率>99% |
1.2.3 再生式有效载荷优化
**再生式有效载荷（Regenerative Payload）**通过在星上完成信号解调、译码、处理和再调制，相比透明转发式有效载荷具有链路预算优化、干扰隔离、灵活组网等显著优势。AI技术的引入进一步释放了再生式有效载荷的潜力。
在前向纠错（FEC）编解码 方面，基于神经网络的智能译码器通过端到端学习信道特征，在低信噪比条件下接近甚至超越传统Turbo码和LDPC码的译码性能，同时降低计算复杂度。神经网络译码器在短码长、高码率场景下优势尤为明显，这正是卫星通信的典型工作点。在智能预编码与多用户检测 方面，深度学习替代传统的线性检测和干扰消除算法，在用户数接近或超过扩频码长度时仍能保持可靠检测，显著提升系统容量。AI压缩的预编码方案通过神经网络学习信道统计特征，以低维参数反馈替代全信道状态信息，显著降低反馈开销。在星上信号再生与协议转换方面，AI驱动的智能网关能够在星上实现不同协议体系（如DVB-S2X、5G NR、IoT协议）的适配转换，支持异构网络的 seamless 互联，为天地一体化的6G网络奠定技术基础。
1.3 卫星系统智能运维
1.3.1 遥测数据挖掘与健康监测
卫星在轨运行产生海量遥测数据，涵盖姿态控制、电源管理、热控、推进、通信等各分系统的数千个参数。传统依赖阈值告警和专家经验的运维模式难以发现复杂的多变量关联故障模式。论文将"Telemetry Mining"明确列为AI在卫星通信中的核心应用，指出机器学习算法能够从历史遥测数据中学习正常行为模式，实现异常检测、故障诊断和预测性维护 。
无监督学习方法 （如自编码器、孤立森林、变分自编码器VAE）适用于缺乏故障标签的场景，通过重构误差或异常分数识别偏离正常模式的遥测片段。有监督学习方法 （如随机森林、梯度提升树XGBoost、深度神经网络）在积累足够故障样本后，可实现更精确的故障类型识别和根因定位。时间序列分析方法（如LSTM、Prophet）支持关键参数的趋势预测，为预测性维护提供决策依据------例如，通过监测蓄电池充放电循环的电压衰减趋势，预测剩余寿命并优化充放电策略；通过分析动量轮轴承振动的频谱特征演变，提前安排冗余切换避免突发失效。
能源管理优化是遥测数据挖掘的重要应用方向。卫星能源系统受光照条件、负载需求、蓄电池状态等多重约束，传统基于规则的管理策略难以全局优化。强化学习算法以能源状态（荷电状态SOC、太阳电池阵电流、负载功率需求）为状态空间，以充放电决策、负载调度指令为动作空间，以最大化任务完成度和电池寿命为奖励信号，学习最优的能源管理策略。AI驱动的健康监测系统显著提升了卫星在轨可用时间，进而提高卫星通信服务的运营效率 。
1.3.2 自主运行与决策
星上自主能力是降低卫星运营成本、提升响应速度的关键路径。AI技术使卫星具备"感知-认知-决策-执行"的闭环自主能力，从"遥控执行器"进化为"智能代理体"。
在自主任务规划与重规划 方面，强化学习和进化算法支持卫星根据动态环境（如目标可见性、资源可用性、优先级变化）进行任务重规划，替代传统的地面预规划模式。1990年代末的目标导向星上指令验证已证明这一能力的可行性，为深空探测等通信时延极端场景奠定了技术基础 。在突发事件快速响应 方面，如自然灾害发生时，AI系统能够自主检测异常（如野火热点、洪水淹没区），自动调整观测计划进行高分辨率详查，实时生成灾情产品并下传，将传统"天-地-人"闭环的数小时响应压缩至分钟级。UN-SPIDER的报告详细描述了这种AI赋能的星上边缘计算在灾害管理中的应用，强调其对于快速移动灾害场景的关键价值 。
多星协同自主调度是更高层次的智能运维。分布式AI方法------包括分布式约束优化（DCOP）、多智能体强化学习（MARL）和联邦学习------支持卫星集群在局部信息交互基础上实现全局协调，完成协同观测、接力通信、联合导航等复杂任务。SpaceX已实施AI操作避免卫星碰撞，展示了AI在星座管理中的实际应用价值 。
2. AI驱动下的卫星通信需求变革
2.1 数据需求量级跃升
2.1.1 训练数据回传压力
全球人工智能，特别是大模型时代的蓬勃发展，正在以前所未有的规模驱动卫星通信数据需求。GPT-4级别的大模型训练需要PB级高质量数据，其中相当比例来源于遥感观测、物联网传感等天基信息源。商业地球观测星座（如Planet Labs、Maxar、BlackSky）每年捕获PB级影像，政府空间监视网络跟踪超过47,000个在轨物体，且随着发射节奏加快该数字持续增长 。截至2026年初，超过7500颗活跃LEO卫星 每天产生的数据量仅地球观测任务就超过每轨道40TB，以原始形式传输至地面站在技术和经济上均不现实 。
天地协同计算架构进一步加剧了通信负担。分布式训练中的梯度同步、参数平均等操作需要高频次、高带宽的双向通信，传统"数据回地面、计算在地面"的范式面临根本性挑战。以联邦学习为例，星座级部署要求各参与卫星周期性上传本地模型更新，尽管已采用梯度压缩、稀疏化等技术，通信开销仍随模型规模与参与节点数量线性增长。这种"AI数据饥渴"与"通信带宽有限"的根本矛盾，成为驱动星上智能处理和太空算力中心发展的核心动力。
| 数据类型 | 典型数据源 | 日产生量 | 传输挑战 | 星上处理价值 |
|---|---|---|---|---|
| 高分辨率光学遥感 | Planet Labs, WorldView | 数TB/星 | 地面站接收瓶颈、小时级延迟 | 云检测、目标筛选、变化提取 |
| SAR雷达数据 | Capella, ICEYE | 数十GB-数TB/星 | 相干处理复杂、原始数据价值高 | 在轨聚焦、干涉测量、变化检测 |
| 高光谱数据 | Hyperion, EnMAP | 数百GB/星 | 数据量巨大、实时性要求低 | 物质识别、精细分类、异常检测 |
| 物联网汇聚数据 | Swarm, Astrocast | PB级/全球 | 终端海量、突发性强 | 聚合分析、异常检测、趋势预测 |
| 科学探测数据 | JWST, 空间望远镜 | 可变 | 深空通信带宽极低 | 事件筛选、特征提取、优先级排序 |
2.1.2 推理服务实时性要求
AI推理服务的普及对卫星通信的服务质量（QoS）提出了前所未有的苛刻标准。时敏决策场景------自动驾驶的厘米级定位增强、金融高频交易的时间同步、工业控制的远程操作、应急指挥的实时态势------要求毫秒级至亚秒级 的信息传输保障。传统GEO卫星的600ms以上往返延迟 无法满足需求，这推动了LEO星座（20-40ms延迟）的快速发展 。
边缘-云端AI协同推理架构对带宽动态分配提出新需求。简单推理任务（如图像分类、目标检测）可在星上边缘节点完成；复杂任务（如大语言模型推理、多模态融合分析）需卸载至地面云端或太空算力中心。任务的分层卸载决策需综合考虑星上算力、链路带宽、任务延迟约束、能耗限制等多重因素，AI驱动的自适应卸载算法成为优化这一复杂决策的关键技术。AI卫星通信市场预计从2025年的25.2亿美元 增长至2030年的89.1亿美元 ，复合年增长率达28.7% ，这一增长直接反映了AI驱动的实时性需求扩张。
2.2 计算范式迁移驱动通信架构重构
2.2.1 从"传数据"到"传结果"的转变
AI技术正在推动卫星数据处理范式从"全量下传、地面处理"向"星上处理、结果回传"的根本转变。这一转变的驱动力极为明确：将海量原始数据全量下行至地面，在带宽成本、延迟性能和能源消耗上均不可持续，而在轨处理后的特征提取、目标检测、变化识别等结果数据，其体量通常仅为原始数据的千分之一甚至更小。
星上AI处理减少无效数据传输 的效果显著。ESA的ϕ-sat-1 技术试验卫星首次将AI算法送上太空，采用英特尔Movidius Myriad 2 VPU部署深度神经网络算法，能够在轨识别和删除无用的云图像，节省30%的数据下传带宽 。STAR.VISION的String Edge AI Platform通过星上云检测、洪水映射、野火热点识别等AI处理，确保仅高价值、可执行数据被下行传输，带宽使用降低高达80% 。更激进的方式是星上完成全部目标检测（如船舶、森林火灾、油污），仅下行目标位置与属性标签，无需传输原始影像，其节省的传输功耗可能超过处理所需能耗，实现净能效收益 。
天地一体化计算任务的分层卸载策略进一步优化了这一流程。根据任务特性（计算复杂度、数据本地化需求、延迟约束、能源可用性），AI系统将计算任务智能分配至星上边缘、天基节点和地面中心，实现"天感地知"或"天知地决"的新型信息流动模式。这种分层卸载需要通信系统提供差异化的传输保障：星地链路需支持突发的高优先级结果回传；星间链路需支持分布式计算的中间数据交换；天地协同控制链路需支持低延迟的任务调度指令传输。
| 处理模式 | 下行数据量 | 端到端延迟 | 能耗特征 | 典型应用 |
|---|---|---|---|---|
| 全量原始数据下行 | 100% | 小时-天级 | 传输能耗主导 | 高精度存档、科学研究 |
| 星上预处理+特征下行 | 10-20% | 分钟级 | 处理+传输平衡 | 常规监测、变化检测 |
| 星上全处理+结果下行 | 0.1-1% | 秒-分钟级 | 处理能耗可补偿 | 时敏响应、目标告警 |
| 星上自主决策+指令执行 | <0.01% | 秒级 | 处理能耗主导 | 自主科学、应急控制 |
2.2.2 分布式AI训练对星间互联的新需求
星座级联邦学习的兴起对星间链路（ISL）提出了刚性需求。联邦学习允许各卫星节点在本地数据上训练模型，仅交换模型参数而非原始数据，既保护数据隐私又减少通信开销，但参数同步仍需要高带宽、低延迟的通信支撑。以包含数千颗卫星的星座、每颗卫星运行百万参数规模的模型为例，全局聚合每次迭代需传输数百GB的梯度数据。
高带宽、低延迟星间链路 的技术首选是激光通信 。中国2023年已完成10Gbps星地激光通信验证 ，未来将通过星间/星地双模激光通信实现单链路100Gbps级 传输，带宽较传统微波通信提升100-1000倍 。SpaceX Starlink已部署数千条激光ISL，构建全球覆盖的太空骨干网；中国"三体计算"星座计划通过星间激光链路实现分布式AI训练 。
星座拓扑动态变化下的通信连续性保障 是网络层的核心挑战。LEO卫星以7-8km/s的速度高速运动，星间链路建立、维持和切换的频率极高。AI驱动的预测性路由利用轨道力学和链路历史数据，提前预测链路可用性，提前计算最优路径并预留资源，减少通信中断时间。结合**存储-携带-转发（Store-Carry-Forward）**机制和中断容忍网络（DTN）架构，形成"预测性路由+机会性传输"的混合策略，保障分布式训练的连续性。
2.3 安全与韧性需求升级
2.3.1 AI系统自身的通信安全
AI系统的深度嵌入为卫星通信安全带来了新的维度和挑战。模型参数与推理结果作为高价值知识产权和敏感决策信息，其传输过程需要端到端加密保护，防止中间人攻击窃取或篡改。卫星链路的广播特性和潜在截获风险，使加密成为必备而非可选功能。然而，星上有限的计算资源对传统加密算法（如RSA、AES）的实现构成挑战，轻量级密码学和同态加密等新型技术正在探索中。
对抗样本攻击 对星地链路的威胁尤为隐蔽：攻击者可能通过精心构造的输入，诱导星上AI模型产生错误输出，进而影响依赖AI决策的关键任务（如将军事目标误判为民用设施）。这种攻击可通过通信链路注入，使卫星通信系统成为AI安全链条的薄弱环节。AI模型供应链安全涉及训练数据、预训练模型、更新机制的全链路可信验证，任何环节的污染都可能导致系统性风险。在轨持续学习场景下，模型更新包的完整性验证与来源认证成为星地通信协议的必要组成部分。
2.3.2 AI赋能的安全防护通信
AI技术同时为卫星通信安全防护提供了新的能力维度。智能入侵检测系统通过分析网络流量模式和行为特征，实时识别异常访问、拒绝服务攻击、恶意控制指令等威胁，其检测率和误报率相比基于规则的传统系统显著改善。现代安全架构采用分布式IDS，结合星上轻量级模型实时分析和地面深度模型 thorough 分析，实现快速响应与准确识别的平衡 。
动态加密与物理层安全增强 利用AI优化波形设计，在合法信道和窃听信道之间制造人为差异，实现无密钥的安全传输。在LEO星座中，AI支持协作式安全决策，通过星间链路共享威胁信息，实现联邦训练异常模式，使整个星座能够协调一致地应对攻击 。抗毁顽存网络的智能重构在部分节点失效或链路中断时，通过AI快速评估网络损伤、重新规划拓扑和路由，维持关键业务的通信连续性，提升卫星网络在对抗环境下的生存性。