信道建模与适配技术分析

概述

水声信道是已知最复杂的无线通信信道之一，其特征包括极低的传播速度（约 1500 m/s）、严重的多径效应、时变的多普勒频移以及频率依赖的传播损耗。本章首先综述水声信道的物理特性，然后分析系统的适配器层设计、三种后端实现，以及 Mock 模式的信道模拟方法。

水声信道物理特性综述

传播速度与延迟

水声信号的传播速度约为 1500 m/s，比电磁波（3x10^8 m/s）慢五个数量级。这意味着：

1 km 距离的单程传播延迟约 0.67 s
10 km 距离的单程传播延迟约 6.7 s
端到端往返延迟可达数十秒

这一特性直接影响系统设计：runner.py 中的步长 dt_seconds 通常设置为 10-30 秒，以确保在一个时间步内有足够时间完成帧的发送-传播-接收周期。步间的 rx_settle_s 等待（runner.py:754）也是为了容纳声学传播延迟。

多径效应

水声信道中，信号从发射端到接收端可能经过多条路径：

直达路径：发射端到接收端的直线路径
海面反射路径：经海水-空气界面反射
海底反射路径：经海水-海底界面反射
体积散射路径：被水体中的气泡、生物等散射

多径效应导致接收端观测到同一信号的多个时延副本，产生时延扩展（delay spread）。典型浅海信道的时延扩展可达 10-100 ms，深海信道则可能更长。多径干扰是水声通信误码率的主要来源之一。

多普勒频移

水声通信中的多普勒效应来源于：

平台运动：发射端或接收端（如 AUV、浮标）的相对运动
海面波动：海表面的反射路径长度随波浪周期性变化
水流运动：水体内部的流动导致介质本身的速度变化

由于声波传播速度低，即使较小的相对速度也会产生显著的多普勒频移。例如，1 m/s 的相对运动速度在 10 kHz 载波频率下产生约 6.7 Hz 的频移（相对频移 ~6.7x10^-4），远大于射频通信中的典型值。

频率依赖的传播损耗

水声信号的传播损耗由两部分组成：

几何扩展损耗：随距离增大的能量扩散，通常为球面扩展（~20 log r）或柱面扩展（~10 log r）
吸收损耗：水分子和化学物质（主要是硼酸和硫酸镁）对声能的吸收，强烈依赖于频率

吸收系数 α(f) 随频率近似二次增长，导致水声通信的可用带宽与通信距离呈反比关系。短距离（<1 km）可使用数百 kHz 带宽，长距离（>10 km）则仅有数 kHz 可用带宽。这是水声通信带宽极为受限的根本物理原因。

时变特性

水声信道不是静态的，其特征随时间变化：

短时变化（秒级）：海面波浪引起的反射路径变化
中时变化（分钟-小时级）：潮汐、温跃层深度变化
长时变化（季节级）：水温垂直分布的季节性变化影响声速剖面

这种时变特性是系统需要"动态"调度的根本原因——静态的固定策略无法适应信道质量的持续波动。

UnetAdapter 抽象层设计

接口定义

系统通过适配器模式（Adapter Pattern）屏蔽底层仿真引擎的 API 差异。抽象基类 UnetAdapter 定义于 unet_adapter/base.py:16-61：

python

class UnetAdapter(ABC):
    @abstractmethod
    def connect(self, inst: UnetInstance) -> None: ...

    @abstractmethod
    def close(self, inst: UnetInstance) -> None: ...

    @abstractmethod
    def probe(self, inst: UnetInstance) -> Dict[str, Any]: ...

    @abstractmethod
    def check_phy(self, inst: UnetInstance,
                  probe: Optional[Dict[str, Any]] = None) -> Dict[str, Any]: ...

    @abstractmethod
    def subscribe_rx(self, inst: UnetInstance,
                     on_msg: Callable[[Dict[str, Any]], None],
                     stop_event=None, timeout_s=1.0,
                     ready_event=None) -> None: ...

    @abstractmethod
    def send_frame(self, inst: UnetInstance, to: int,
                   payload: bytes, meta=None) -> Dict[str, Any]: ...

    @abstractmethod
    def get_time(self, inst: UnetInstance) -> float: ...

    def query_node_address(self, inst: UnetInstance) -> Optional[int]:
        return None

UnetInstance 数据类（base.py:8-13）封装单个仿真节点的连接信息：

python

@dataclass
class UnetInstance:
    name: str                    # 节点名称 (如 "node-1")
    host: str                    # Gateway 主机地址
    port: int                    # Gateway 端口
    meta: Dict[str, Any]         # 运行时元数据 (node_id, unet_addr 等)

接口语义

方法	职责	调用时机
`connect`	建立与仿真节点的 Gateway 连接	运行启动前
`close`	关闭连接，释放资源	运行结束或异常退出
`probe`	探测节点状态，获取 agent/service 列表	PHY preflight 阶段
`check_phy`	验证 PHYSICAL 层服务是否可用	PHY preflight 阶段
`subscribe_rx`	订阅接收通知，循环轮询 RX 消息	步循环开始前，独立线程
`send_frame`	发送一个带 payload 的水声帧	步循环内的 TX 阶段
`get_time`	获取仿真器的当前时间	保留接口，未在主循环使用
`query_node_address`	查询节点的 UNet 地址	PHY preflight 阶段

三种后端实现

后端选择机制

unet_adapter/factory.py:22-53 实现自动后端检测，优先级为 arlpy > fjagepy > logonly：

python

# src/unet_dt/unet_adapter/factory.py:22-40
def detect_backend() -> str:
    try:
        import arlpy
        if _arlpy_gateway_available():
            return 'arlpy'
    except Exception:
        pass
    try:
        import fjagepy
        return 'fjagepy'
    except Exception:
        pass
    return 'logonly'

fjagepy 后端 (GatewayAdapterFjagepy)

unet_adapter/fjagepy_impl.py 是功能最完整的后端实现，通过 fjagepy 库与 UNetStack 仿真器交互。

连接管理（fjagepy_impl.py:25-51）：

使用 fjagepy.Gateway(host, port) 建立 JSON-over-TCP 连接
每个 (host, port) 对维护一个连接实例，避免重复创建
RX 订阅使用独立的 Gateway 连接（fjagepy_impl.py:117-118），防止 RX 轮询消费 TX 路径的响应

帧发送策略（fjagepy_impl.py:159-281）：

系统采用分层 fallback 策略发送帧：

发送策略优先级:
1. DatagramReq -> PHYSICAL 服务代理
   (有意排除 DATAGRAM 服务，因其返回 transport agent 会导致分片重传)
2. DatagramReq -> LINK 服务代理
3. TxFrameReq -> phy agent (物理层直发)

关键设计决策（fjagepy_impl.py:193-214）：排除 DATAGRAM 服务代理是因为 agentForService(DATAGRAM) 通常返回 UNetStack 的 transport agent，该 agent 会对大数据报进行可靠传输分片（ARQ），在慢速水声信道上导致拥塞崩溃。系统选择 PHYSICAL/LINK 服务代理，直接发送单帧不分片。

RX 订阅（fjagepy_impl.py:105-157）：

RX 线程使用 best_effort_subscribe() 注册消息通知，然后进入轮询循环。ready_event 机制确保 RX 订阅完成后才开始 TX（runner.py:609-627）。

arlpy 后端 (GatewayAdapterArlpy)

unet_adapter/arlpy_impl.py 与 fjagepy 后端结构相似，通过 arlpy.unet.Gateway 连接 UNetStack。主要差异：

支持两种 Gateway 构造方式：Gateway() 和 gateway()（arlpy_impl.py:31-36）
send_frame 使用 arlpy.unet.TxFrameReq 类（arlpy_impl.py:178）
check_phy 增加了基于 probe 结果的 fallback 路径（arlpy_impl.py:99-126）
query_node_address 复用 fjagepy_helpers 模块（arlpy_impl.py:213-217）

logonly 后端 (LogOnlyAdapter)

unet_adapter/logonly_impl.py 是最小化的空实现，所有网络操作均抛出异常：

connect/close：空操作
probe：返回 {"status": "log_only"}
subscribe_rx/send_frame：直接抛出 RuntimeError
get_time：返回系统墙钟时间

该后端仅用于无 UNetStack 环境下的日志分析和开发测试。在 gateway 模式中，若检测到 logonly 后端，会立即抛出错误（runner.py:368-369）。

PHY 预检与地址解析

Gateway 预检流程

在 gateway 模式启动前，orchestrator/gateway_preflight.py 执行 PHY 预检，确保足够的健康节点可用：

算法: PHY 预检 (run_phy_preflight)
输入: adapter, candidates (候选节点列表), required_count, preferred_node_ids
输出: PreflightSelection

FOR each inst IN candidates:
    1. adapter.connect(inst)
    2. probe_data = adapter.probe(inst)
    3. phy_result = adapter.check_phy(inst, probe_data)
    4. IF phy_result.ok THEN
         address = adapter.query_node_address(inst)
         inst.meta["unet_addr"] = address
         标记为 healthy
    5. adapter.close(inst)

选择策略:
    1. 优先选取 preferred_node_ids 中的 healthy 节点
    2. 用其他 healthy 节点填充剩余名额
    3. IF len(selected) < required_count THEN 抛出 GatewayPreflightError

地址解析层次

runner.py:495-520 实现多层次地址解析：

Preflight NODE_INFO 查询：连接时通过 adapter.query_node_address() 获取运行时分配地址
Scenario YAML 静态覆盖：node.unet_addr 字段可手动指定地址，优先级高于运行时查询
强制校验：所有参与流量的节点必须有已解析地址，否则终止运行

Mock 模式：确定性随机 trace 生成

当无法连接 UNetStack 时，系统回退到 Mock 模式（runner.py:85-126），生成确定性的仿真 trace：

python

# src/unet_dt/orchestrator/runner.py:85-126
def _generate_mock_traces(
    seed: int, steps: int, dt_seconds: float,
    flows: List[Dict[str, Any]],
    loss_rate: float = 0.05,         # 固定 5% 丢包率
    min_delay_ms: int = 50,          # 最小延迟 50ms
    max_delay_ms: int = 200,         # 最大延迟 200ms
    *, source: str = "mock",
) -> List[TraceRecord]:
    rng = random.Random(seed)        # 种子确定性
    ...
    for flow in flows:
        for t_ms in range(0, total_ms, period_ms):
            received = rng.random() >= loss_rate    # 伯努利丢包
            delay_ms = rng.randint(min_delay_ms, max_delay_ms) if received else None
            ...

Mock 信道模型特征：

参数	值	模型
丢包率	5% (固定)	独立同分布 Bernoulli(0.95)
延迟分布	[50, 200] ms	均匀分布 U(50, 200)
随机种子	可配置	保证实验可重复性
信道时变性	无	各帧间统计独立
多径效应	无	不模拟时延扩展

RX 消息解析

unet_adapter/rx_parse.py 实现了一个鲁棒的 RX 消息解析器，能够处理 UNetStack 不同版本的消息格式差异：

payload 提取（rx_parse.py:193-239）：在消息字典中搜索 data、payload、bytes 等候选字段，按评分（_score_key）选择最佳匹配
地址提取（rx_parse.py:95-112）：搜索 src/source/from/sender 等同义字段
嵌套搜索（rx_parse.py:222-233）：支持递归进入 rx、frame、packet 等嵌套容器

这种"最佳努力"的解析策略使系统能够适配 UNetStack 的不同版本和消息格式变体，而无需硬编码特定的消息类名。

局限性分析

L-1: 系统自身无声波传播模型

系统依赖外部 UNetStack 仿真器提供信道模型。当使用 Mock 模式时，信道行为退化为简单的伯努利丢包 + 均匀延迟，不包含任何水声物理特性（多径、多普勒、频率选择性衰落）。

L-2: Mock 模式参数固定

Mock 模式的丢包率（5%）和延迟范围（50-200ms）均为硬编码常量，无法通过场景配置文件自定义。

L-3: 无信道状态估计

系统不维护信道状态信息（CSI），策略层无法获知当前 SNR 或信道容量估计，只能通过事后统计的丢包率间接推断信道质量。

改进方向

短期：参数化 Mock 模型

将 Mock 模式的 loss_rate、min_delay_ms、max_delay_ms 提取为场景 YAML 的可配置项，支持不同信道条件的对比实验。

中期：统计信道模型

引入更真实的统计信道模型替代简单伯努利模型：

Markov 信道：用两状态 Gilbert-Elliott 模型模拟突发丢包
Rayleigh/Ricean 衰落：模拟多径信道的接收信号幅度分布
指数衰减延迟：用指数分布替代均匀分布，更贴近实际的多径功率时延谱

长期：Bellhop 声线追踪模型集成

Bellhop 是海洋声学领域的标准声线追踪工具，可根据海洋环境参数（声速剖面、海底地形、海面状态）精确计算声传播损耗和多径结构。集成路径：

将 Bellhop 作为子进程调用，输入环境参数，输出传播损耗矩阵
根据损耗矩阵动态计算每对节点间的丢包概率和延迟分布
支持时变声速剖面，模拟信道的昼夜和季节性变化

信道建模与适配技术分析 ​

概述 ​

水声信道物理特性综述 ​

传播速度与延迟 ​

多径效应 ​

多普勒频移 ​

频率依赖的传播损耗 ​

时变特性 ​

UnetAdapter 抽象层设计 ​

接口定义 ​

接口语义 ​

三种后端实现 ​

后端选择机制 ​

fjagepy 后端 (GatewayAdapterFjagepy) ​

arlpy 后端 (GatewayAdapterArlpy) ​

logonly 后端 (LogOnlyAdapter) ​

PHY 预检与地址解析 ​

Gateway 预检流程 ​

地址解析层次 ​

Mock 模式：确定性随机 trace 生成 ​

RX 消息解析 ​

局限性分析 ​

L-1: 系统自身无声波传播模型 ​

L-2: Mock 模式参数固定 ​

L-3: 无信道状态估计 ​

改进方向 ​

短期：参数化 Mock 模型 ​

中期：统计信道模型 ​

长期：Bellhop 声线追踪模型集成 ​

信道建模与适配技术分析

概述

水声信道物理特性综述

传播速度与延迟

多径效应

多普勒频移

频率依赖的传播损耗

时变特性

UnetAdapter 抽象层设计

接口定义

接口语义

三种后端实现

后端选择机制

fjagepy 后端 (GatewayAdapterFjagepy)

arlpy 后端 (GatewayAdapterArlpy)

logonly 后端 (LogOnlyAdapter)

PHY 预检与地址解析

Gateway 预检流程

地址解析层次

Mock 模式：确定性随机 trace 生成

RX 消息解析

局限性分析

L-1: 系统自身无声波传播模型

L-2: Mock 模式参数固定

L-3: 无信道状态估计

改进方向

短期：参数化 Mock 模型

中期：统计信道模型

长期：Bellhop 声线追踪模型集成