无人机集群通信设计：分簇回程、NOMA/RIS与协同波束工程取舍

简介：《无人机集群通信技术：最新进展及发展动向》是一篇面向电子通信与无人机系统方向的研究者、高年级学生的中文综述论文。该论文于2023年由成都理工大学团队网络首发于《无线电工程》，聚焦于提升集群协同、感知与决策规划能力，以及增强系统鲁棒性和安全性等核心问题。文章先厘清无人机集群的概念与优势，再梳理当前研究现状；随后围绕信号增强、移动边缘计算、联邦学习、物理层安全等典型应用场景，剖析其中需要解决的关键技术难题，并对未来发展趋势作出前瞻判断。文中中英文摘要与关键词齐备，便于快速定位与引用。压缩包内含1个PDF文件，约924KB，正文排版完整、结构清晰，适合作为课题入门、开题调研与技术选型的参考底稿。目前已有113人学习，可供通信、无人机及相关交叉领域读者按需查阅。

1. 集群不是编队：为什么几十架小无人机能顶一个基站

电子通信领域近两年反复出现一个提法：把几十上百架无人机当成一张会飞的网络来用，而不是当成一堆各自挂着相机和电台的飞行器。直觉上集群的通信能力该随节点数线性增长，多一架就多一条链路。实测里经常出现相反的结果——节点数翻倍，端到端可用吞吐不升反降，瓶颈从空中那段无线链路，悄悄挪到了回程接入和调度上。

这个反直觉的现象，是理解整套集群通信设计的起点。真正决定集群上限的不是单条链路能跑多快，而是「谁在什么时候能说话」这件事被组织得有多好。后面几章拆的就是这套组织逻辑：分簇怎样把 O(N) 条回程压成 O(K) 条，物理层的三样技术各自补哪块短板，以及为什么几乎所有方案最后都卡在时延、精度和续航这三个量上。

2. 簇头与回程链路：为什么大规模集群必须先分簇

集群规模一上去，第一个绕不开的结构决策就是分簇。材料里给的理由很直接：如果所有无人机都同时与地面节点或卫星通信，回程链路资源是有限的，通信成本会高到不可接受。分簇的本质是把「全连接」换成「两层汇聚」——簇头无人机负责转发从自己成员处收集的信息，成员不再各自建远程链路。这一步看起来只是网络拓扑的调整，实际上它同时改变了三件事：回程链路的数量、频谱复用的机会、以及故障传播的路径。

2.1 回程瓶颈：人人直连地面站为什么会先崩

回程链路的稀缺性体现在三个地方，而且三者互相叠加。第一是接入信道的数量：地面站或卫星侧能同时维护的链路数有硬上限，N 架无人机各自建链，光连接维护和调度队列就会把资源吃光。第二是频谱：每架无人机都需要一段上行资源，N 个节点正交分割之后，单节点分到的带宽按 1/N 衰减，速率随规模线性掉。第三是信令开销：链路建立、切换、功率控制这些控制面消息，在高速移动的节点之间产生得远比静态网络频繁。

分簇把这三个问题一起压下去。N 架无人机分成 K 个簇，回程链路从 O(N) 降到 O(K)，簇内成员只跟簇头保持一跳短距链路，距离短意味着发射功率低、速率高、干扰可控。真正赚到的大头其实是空间复用：不同簇分布在不同的地理区域，只要簇间距足够，同一段资源块可以在地理上分离的簇内重复使用。这一点是分簇方案里最容易被低估的部分——它不是在省资源，是在造资源。

但分簇不是免费的。成员到簇头多了一跳，端到端时延多出一段传输和排队；簇头要多收多转，能量消耗比普通成员高出一截；簇头本身成了单点，它掉线就带走整个簇的汇聚能力。所以簇数 K 是一个需要认真调的参数：K 太小，单簇规模大，簇头负载重、簇内干扰强；K 太大，回程链路数又回去了，分簇的收益被吃掉。

提示：估算 K 的量级时，先把控制面流量单独拿出来算。心跳、拓扑广播、簇头选举这些消息的字节数看着不多，但在高速移动场景里频率很高，往往占掉总预算的一到两成。

2.2 簇头选举与汇聚率：把「谁当簇头」写成可算的目标函数

簇头选举不能只看谁离得近。材料里提到的优化目标是簇头的汇聚率——一个调度周期内簇头成功汇聚的比特数，与成员产生的比特数之比。这个指标同时包含了两层含义：链路要够快，成员产生的数据要能被完整接走。

把汇聚率写成目标函数，变量有三组：簇头集合的选择、成员到簇头的分配、以及簇头在离散时间点上的位置（轨迹）。约束包括簇头剩余能量下限、成员到簇头的等效信道增益门限、单簇成员数上限、簇头移动速度上限，以及簇间干扰的上限。由于选择变量是整数、速率函数对位置又是非凸的，这个优化问题没法一次解出来，工程上常见的做法是交替优化：固定分配去优化轨迹，再把轨迹固定回来重做分配。

簇头的位置偏好很值得说一句。在成员分布给定的情况下，让「最远成员的距离」最小的那个点，接近簇内成员的几何中位数，而不是几何中心。两者在均匀分布时差别不大，但成员分布一旦偏斜，几何中心会把边缘成员推到链路预算之外，几何中位数则会把簇头往密集区拉，牺牲少量平均速率换取覆盖完整性。

def aggregate_ratio(members, heads, rate_fn, E_MIN, R_MIN, MAX_MEMBERS): """估算一轮调度内各候选簇头的汇聚率，返回近似最优的簇头与成员集合。 members: [(x, y, z, rate, energy), ...] 成员位置、产生速率bps、剩余能量J heads: 候选簇头列表，字段同上 rate_fn: (成员, 簇头) -> 等效可达速率 bps，含LOS概率与距离衰减 E_MIN: 簇头剩余能量门限，低于此值不参与选举 R_MIN: 成员可接入的最低速率门限 MAX_MEMBERS: 单簇成员数上限，防止簇头过载 """ best, best_score = None, -1.0 for h in heads: if h[4] < E_MIN: # 能量不够的候选直接出局 continue assigned = [m for m in members if rate_fn(m, h) >= R_MIN] if len(assigned) > MAX_MEMBERS: # 超员按速率排序截断，被截断的成员必须由其它簇接走 assigned = sorted(assigned, key=lambda m: rate_fn(m, h), reverse=True)[:MAX_MEMBERS] produced = sum(m[3] for m in assigned) delivered = sum(min(rate_fn(m, h), m[3]) for m in assigned) # 超出链路能力的部分不计入 score = delivered / max(produced, 1e-9) if score > best_score: best, best_score = (h, assigned), score return best, best_score

这段代码把抽象指标落成一个可算的比值，参数含义需要说清：E_MIN防止选出「马上就没电」的簇头，R_MIN决定成员的接入质量底线，MAX_MEMBERS是簇头的服务能力上限。rate_fn是这个模型里最重的一块，通常要包含视线概率项（高度越高、仰角越大，LOS 概率越高）和距离衰减项，参数不准会直接导致选出的簇头在实测里不成立。

截断那一步是分簇里最容易被忽略的公平性问题。被截断的成员并没有消失，它只是从这一轮分配里掉出来，如果下一轮还没有簇接它，它的数据就是永久丢失。工程实现里一般会给每个成员维护一个「未服务时长」计数，超过阈值就强制降低R_MIN或允许超员接入，用牺牲簇头吞吐换覆盖。

2.3 自愈时序：簇头掉线之后的那几百毫秒

集群号称有高度自愈能力和鲁棒性，这话只有在重选时序设计得当时才成立。重选的过程可以拆成四段，每一段都有固定时间开销。

检测段：成员按心跳周期 T_hb 收到簇头广播，连续丢失 k 个心跳判定失联。k 取 2 到 3 是常见值，k 太小会被一次突发干扰骗过去，误判会引发无谓的重选风暴；k 太大则中断时间被拉长。

候选段：成员入簇时就必须记下主簇头加两个备份簇头，按剩余能量、到成员的平均可达速率、簇内度数三项打分排序。备份是热维护的，不能等到主簇头掉线才开始算，否则重选窗口根本来不及。

退让段：这是防「分裂脑」的关键。如果两个候选同时宣布自己是簇头，簇会被切成两半，路由表互相冲突，上层任务看到的就是集群莫名分裂。常见解法是带权随机退避：分数越高退避窗口越短，先到者宣布，并携带一个任期号；后来者收到任期号不小于自己的广播就放弃。任期号只增不减，这个约束看着粗暴，但它在分布式选举里是最省事的一层后悔药。

收敛段：新簇头产生后，成员重新注册、上行功率分配表重算、簇间干扰协调参数更新。这一段经常被漏掉，尤其是 NOMA 上行场景——旧的功率分配表如果继续沿用，SIC 解码顺序会和实际信道状况错位，整簇的解码错误率会突然抬升，而现象看起来像是「突然变差」的玄学问题，排查起来非常费时间。

整个中断时间大致是「k 个心跳周期 + 退避窗口 + 重收敛时间」。如果任务允许的中断时间比这个总和还短，唯一的办法是缩短心跳间隔，代价是控制面开销上涨、能量预算变紧。这又回到了那个绕不开的取舍。

3. 物理层三件套：NOMA、RIS、协同波束各补哪块短板

组网把结构搭好之后，剩下的问题落在物理层：同一块频谱上怎么塞更多人，非视距链路断了怎么办，单机发射功率不够远怎么办。材料里给出的三样关键技术正好对应这三个问题，而且它们的适用边界非常清楚，混用会出问题。

3.1 NOMA：功率域叠加与 SIC，增益从哪来又到哪去

非正交多址的核心思想是利用发射机的叠加编码和接收机的连续干扰消除，让正交资源块在多个用户之间共享。落到功率域上，下行和上行的做法不一样。

下行链路里，簇头在同一个正交资源块上把多个成员的信号叠加发射，功率分配按信道状况反向给：信道差的成员分到更多功率，信道好的成员分到较少功率。接收端，弱用户把强用户的信号当成噪声，直接解自己的信号；强用户则先解弱用户的信号，重构出来减掉，再解自己的。上行链路反过来：成员各自在同一资源块上发，簇头按接收等效增益从强到弱依次做干扰消除。

在集群辅助的联邦学习场景里，这个特性被用得很直接：同一簇的成员在同一资源块上把本地模型参数同时发给簇头，簇头用连续干扰消除把共信道干扰剥掉，省掉了正交分割带来的调度开销和等待时延。

def sic_decode(rx, users, noise_var, rate_threshold): """按等效信道增益降序做连续干扰消除，返回成功解码的用户集合。 rx: 接收的叠加信号（复数基带） users: [{'gain': 等效信道增益, 'power': 发送功率, 'target': 目标速率bps}] noise_var: 噪声方差，含接收机噪声与残余干扰 rate_threshold: 判定解码成功的SINR门限 """ order = sorted(users, key=lambda u: u['gain'] * u['power'], reverse=True) decoded, residual = [], rx for i, u in enumerate(order): rest = order[i+1:] # 尚未解码的都视为干扰 interference = sum(o['gain'] * o['power'] for o in rest) sinr = (u['gain'] * u['power']) / (interference + noise_var) if sinr < rate_threshold: break # 解不动就停，后面的更解不动 decoded.append(u) residual = residual - u['gain'] * u['power'] * 1.0 # 重构并减掉该用户分量 return decoded

参数说明：gain是等效信道增益，包含大尺度衰落、阴影和波束增益；noise_var里要把残余干扰算进去，实际系统里 SIC 不可能完全消除，残余系数通常在 0.01 到 0.1 量级；rate_threshold由目标速率和带宽换算得到。代码里的break是有意为之——SIC 一旦在某个用户上失败，后续用户受到的干扰没有减少，继续解只会浪费算力。

真正需要记住的是增益的来源和边界。NOMA 的性能增益从根本上依赖用户之间的信道增益差异，差异越大，SIC 越容易把信号分层剥开；差异小的时候，解码顺序难以确定，残余干扰反而把增益吃掉。这也是为什么材料里提到把 NOMA 和 RIS 结合——用 RIS 的相位调控人为制造信道条件差异，等于给 SIC 重新造出可分性。

3.2 RIS：把非视距链路折叠成准视距，代价是相位同步

可重构智能表面由低成本元表面构成，通过调整无源反射元件的振幅和相位来优化信号反射。它在集群通信里的价值很明确：无人机在高度变化的飞行条件下，机间链路经常被建筑或地形挡住，出现非视距情况，RIS 可以把一条绕不过去的链路由「反射路径」重新拼起来。

机制上，相位对齐的条件不复杂。第 n 个反射单元要补偿的相位，等于发射端到该单元、该单元到接收端两段波程对应的相位之和，补偿到位后所有反射路径在接收端同相相加，等效于凭空多了一条可控的强路径。问题全部出在「补偿到位」这四个字上。

地面 RIS 装在建筑上，位置固定，相位配置可以缓变；空中 RIS 装在无人机上，情况完全不同。它的优势是部署灵活、空对地链路可靠、能做全景全角反射，但单机的有效载荷、电池容量和飞行灵活性限制了反射单元的数量，单机 RIS 的大孔径增益拿不到。这正是 RIS 与集群结合的理由：多架无人机各自携带一部分反射单元，同步飞行、协同反射，等效出一个分布式的大孔径。

代价也随之翻倍。第一是信道估计开销，反射单元数越多，需要发的导频越多，而集群本身链路变化就快，估计还没做完信道就变了。第二是相位量化误差，移相器的位数有限，量化噪声直接转化为相干合成的损失。第三是姿态抖动，无人机的航向、俯仰、横滚任何一个角度变化，都会让整套相位配置失配，而集群的飞行姿态恰恰是最不稳定的量。所以空中 RIS 的工程难点不在反射面本身，在于相位配置的更新频率能不能跟上飞行姿态的变化率。

3.3 协同波束形成：拿编队误差换天线孔径

单架无人机的发射功率和天线尺寸都受限，通信距离上不去。协同波束形成的思路是让多架独立分布的无人机同时同频发射同一份数据，构成一个虚拟天线阵列，用相干合成把能量压到一个窄波束里。

阵列因子决定了波束形状。设第 i 架无人机的位置为 p_i，激励权值为 w_i，观察方向单位向量为 u，波长为 λ，则归一化阵列因子为各单元相位项的相干求和：

import numpy as np def array_factor(pos, weights, u, lam=0.125): """计算虚拟天线阵列在给定方向上的归一化阵列因子。 pos: (N,3) 各无人机三维位置，单位 m weights: (N,) 复激励权值，|w|=1 表示等功率纯相位对齐 u: (3,) 远场观察方向的单位向量 lam: 波长，2.4 GHz 约 0.125 m """ phase = 2 * np.pi / lam * (pos @ u) # 各单元相对参考点的波程差相位 return np.abs(np.sum(weights * np.exp(1j * phase))) / len(pos)

归一化之后理想相干时阵列因子等于 1，对应的场强是单机的 N 倍，功率增益是 N²。相位对齐的条件是 w_i = exp(-j·2π/λ·p_i·u_0)，u_0 指向目标接收机。主瓣越窄、旁瓣电平越低，对非目标方向的干扰和窃听抑制就越好——材料里提到的低旁瓣水平能显著提高天线增益并抑制敏感信号，说的就是这件事。

真正有意思的地方在于误差的传播方式。无人机被风吹偏一点，位置误差沿视线方向的分量会直接转成相位误差：1 cm 的位置抖动在 0.125 m 波长下是 0.08 个波长，折合 0.5 rad 左右的相位偏差。独立高斯相位误差下，相干合成的平均场强按 exp(-σ_φ²/2) 衰减，σ_φ=0.5 时大概损失一成多的场强。听起来不严重，但旁瓣电平的抬升比主瓣的下降更敏感，而这恰恰是物理层安全最在意的地方——旁瓣抬高意味着原本被压住的窃听方向上多出了可解调的能量。

补救有两条路。一条是把位置拉回来，用轨迹控制在扰动后重建有效连接；另一条更现实：无人机不能立刻回位时，调整激励电流权值来抵消性能损失，本质上是把已知的位置误差吸收进权值设计里。后一条路的隐含前提是误差可估计——没有位置反馈，任何权值补偿都是盲调。

4. 四类应用的资源账：信号增强、MEC、联邦学习与物理层安全

同一个集群，在不同任务里要优化的东西完全不同。信号增强优化的是覆盖和汇聚率，边缘计算优化的是时延和能量，联邦学习优化的是每轮迭代时间和模型精度，物理层安全优化的是保密率。把它们放在一起看，会发现它们的资源账结构惊人地相似：都是拿能量换性能，拿时延换精度。

4.1 信号增强：轨迹与簇头选择的联合优化是个非凸问题

信号增强的典型场景是连通性差的区域或者基础设施受损的紧急情况。集群在这里充当移动中继：分布在不同空间位置的成员无人机各自接收信号，汇总到簇头，簇头再把汇聚结果发往远程基站。这个结构的好处是接收端的地理分集——单点被挡住，其它点还能收到。

要把它做好，需要同时动三组变量：成员的轨迹、簇头的选举、功率与频谱的分配。目标一般是最大化簇头的汇聚率，或者最小化端到端的中断概率。约束包括飞行速度、能量预算、簇规模上限和簇间干扰上限。整数变量加非凸速率函数，标准的混合整数非凸问题，工程上的常见解法是块坐标下降配合连续凸近似：先把整数变量松弛成连续量解一轮，再取整回代，反复交替到收敛。

这里有一个容易被忽略的耦合：轨迹决定了簇头能不能待在几何中位数附近，而簇头位置又决定了成员分配，成员分配反过来影响汇聚率目标。三者交替优化能收敛到局部最优，但初值选得差会掉进很糟糕的局部解。血泪经验是先用贪心给一个可行解，再开交替优化，比直接随机初始化稳定得多。

频谱层面还有一层：空中无人机与地面基站共享频谱，可以显著提高频谱利用率，但共享的前提是干扰协调做得住。这一层的复杂度往往被低估——集群在移动，干扰关系在变，静态的频谱划分方案在飞行过程中会迅速失效。

4.2 MEC 与联邦学习：计算能耗往往压过通信能耗

集群辅助的移动边缘计算，结构上是三层：用户设备、无人机、地面基站。用户设备因为阻塞或其它原因没法把计算任务直接卸载到地面服务器时，可以先卸到无人机，或者经无人机中继再卸到计算能力更强的地面服务器。材料里提到的细粒度卸载，指的是把任务拆成不同粒度的子任务，按各自的算力需求和数据量分别决定在哪执行。

能量账要拆成三项：推进能耗（悬停和飞行）、计算能耗、通信能耗。很多人下意识觉得通信是大头，实测里计算能耗经常更大，尤其是机上装了边缘服务器之后——载荷增加会推高悬停功率，计算本身又持续耗电，续航掉得比预期快得多。这就引出一个很实际的判据：一次卸载省下的时间，值不值得多花的那份能量。省 50 ms 但多耗 5% 电量，对长航时任务是亏的，对低时延任务可能是值的。

联邦学习这边，资源账换了个形式。云端服务器作为模型所有者下发训练任务，无人机群做中继或者直接做训练节点，地面设备用本地数据训练，把参数经无人机回传聚合。每轮迭代的时延可以粗略拆成四项：所有节点本地训练时间的最大值、上行传输时间的最大值、聚合时间、下行广播时间。优化变量就是计算速率、上行与下行传输时长、连接调度，材料里还提到用同时无线信息和功率传输的方式给节点补能，保证网络长时间运行。

联邦学习里还有两个权衡必须显式写出来：计算与通信时延同模型学习精度之间的权衡，以及执行本地训练所需的计算同节点能耗之间的权衡。轮数少、本地训练浅，每轮快但精度上不去；轮数多、本地训练深，精度好但能耗和总时延都涨。这两条曲线不是线性的，靠调参碰运气的成功率很低。

4.3 物理层安全：协作干扰的时序与零空间约束

物理层安全的思路是利用信道特性把信息藏起来，让窃听者即使收到信号也解不出足够的信息。集群在这里的角色分工很明确：一部分无人机当中继，把地面基站的消息转发给合法用户；另一部分当友好干扰机，向窃听者方向发送人工噪声。

保密率的定义是合法链路速率减去窃听链路速率的正值部分。从这个式子能直接看出两个抓手：抬高合法链路的分子，或者压低窃听链路的速率。协作波束形成把这两件事一次做完——主瓣对准合法接收机，旁瓣在窃听方向上压到最低。多架无人机组成虚拟天线阵列，通过精心设计位置和激励电流权值来优化波束模式，实现主波束指向目的地、无效或低强度信号指向窃听者。

人工噪声这条路上有个硬约束：噪声不能自伤。干扰信号必须落在合法信道的零空间里，否则合法接收机的信噪比会被自己发射的噪声拖下来。这要求干扰机知道合法链路的瞬时信道状态，而信道估计本身就有误差，误差越大，泄漏到合法方向的噪声越多。时序上，中继转发和干扰发射需要对时，干扰提前或滞后都会在合法接收端留下没有被压住的窗口。

材料里点出的局限很值得注意：现有研究大多停留在非动态场景，且假设窃听者的位置是已知的，信道模型也多是确定状态的。真实场景里窃听者位置未知、在移动、信道在变，这套静态假设下的最优解直接搬过去会失效。比较现实的延伸方向是把轨迹优化和在线学习结合，让集群在飞行中根据观测逐步修正对窃听者的估计。

5. 避坑清单：集群通信里最容易翻车的五件事

这一节的内容不是从公式里推出来的，是从「仿真很漂亮、上机就崩」的落差里攒出来的。下面五条按现象、原因、解决的顺序写，覆盖组网、能量、接入和安全四类问题。

5.1 组网与链路侧的两笔糊涂账

第一条：仿真吞吐很好，一加负载就塌。

现象是链路预算明明够，单节点点对点测试速率达标，集群一跑起来端到端吞吐只有预期的三成，延迟抖动大到无法做闭环控制。

原因是控制面流量被整体忽略了。心跳、拓扑广播、簇头选举消息在小规模测试里占比很小，规模上去之后这些消息的发送频率不变但节点数变多，每架无人机的邻域内消息量按度数增长，很快就吃掉了本该给业务数据的时隙。另一个常被漏掉的是重传：无线链路误包率在移动场景下比静态高一个量级，重传带来的额外占用没进预算。

解决办法是把控制面预算单独列出来，按照最坏情况的节点度数估算，通常要预留一到两成的时隙余量，再去做业务容量的规划。做完之后再做一次带背景流量的压测，不要用纯业务流验证容量。

第二条：换个簇头，整个集群抖几十秒。

现象是主簇头失联后，集群没有很快恢复，而是出现了两个簇头同时广播，成员在两套路由之间来回切换，业务中断时间远超预期。

原因是重选机制缺少防冲突设计。候选簇头各自按本地信息判断，都认为自己该接管，又没有任期号之类的单调量来裁决，结果就是分裂脑。路由协议在这种情况下的收敛行为非常糟糕，因为它会持续收到互相矛盾的拓扑更新。

解决办法是加两层保护：候选按分数做带权随机退避，先宣布者获得任期号；后来者收到任期号不小于自己的广播就无条件退让。同时备份簇头必须是热维护的，入簇时就算好，不能等失联再临时算。

5.2 能量与接入侧的两个陷阱

第三条：加装边缘服务器后续航断崖式下跌。

现象是同一机型、同一航线，只是机上多了计算模块，续航从四十分钟掉到二十多分钟，比按功耗估算的降幅大得多。

原因有两个叠加：载荷增加推高了悬停和巡航的推进功率，这部分是非线性的；计算能耗在任务高峰期远超通信能耗，而规划时往往只按平均功耗估算。两个因素一叠加，能量模型就彻底失准。

解决办法是把能量模型拆成推进、计算、通信三项分别建模，按任务阶段取峰值而不是平均值。卸载策略上加一个能量门限：只有当卸载省下的时间带来的收益，超过多消耗的能量折算成本时，才执行卸载。

第四条：NOMA 在实测里没有增益，反而不如正交分割。

现象是仿真里 NOMA 相对正交多址有可观的和速率提升，实测里增益消失甚至为负，误块率还更高。

原因是配对用户的信道增益差异不够大。SIC 解码顺序靠增益差来分层，差异小的时候解码顺序不稳定，残余干扰把增益吃掉。集群场景里成员无人机高度接近、距离接近，信道条件本来就相似，这个问题比地面蜂窝网络更严重。

解决办法是在用户配对时强制信道增益差异门限，差异不达标的成员不放在同一资源块。另一个思路是和 RIS 联动，用相位调控人为拉开信道差异，把可分性造出来。

5.3 安全与验证侧的一条硬伤

第五条：物理层安全仿真保密率很高，实测被旁瓣泄漏打脸。

现象是协作波束形成的仿真显示旁瓣压得很低，窃听方向上的信噪比可以忽略；实测里在某个角度上仍然能解出有效信息。

根本原因是仿真用的是理想位置。真实飞行中位置抖动引入相位误差，主瓣增益下降的同时旁瓣显著抬升，而窃听者恰好可能落在抬升后的旁瓣方向上。仿真里没建模抖动，就等于把最坏情况删掉了。

解决办法是把位置误差建模成误差椭球，做鲁棒波束设计，用蒙特卡洛扫最坏情况下的旁瓣电平而不是平均旁瓣电平。评估指标要从「平均保密率」换成「保密率的中断概率」，只有后者能反映实际可用性。

6. 取舍：没有一种调度能同时喂饱时延、精度和续航

把前面几章的东西摞在一起看，会发现所有方案最后都撞在同一堵墙上：时延、精度、续航这三个量构成一个三角，任意两个改善都要拿第三个换。

提高联邦学习每轮的模型精度，就得让节点多做本地训练、多发几轮参数，每轮时延和总能耗同步上涨。压缩每轮时延，本地训练轮数减少、上行传输时长压缩，模型精度立刻掉下来。延长续航最直接的办法是少悬停、快飞行，但轨迹一变快，链路质量波动加大，簇头汇聚率下降，重传变多，实际能耗未必真降。这三条曲线互相咬合，任何声称「三者兼顾」的方案，基本都是在某个不常见的工况下取了巧。

材料里给出的未来方向，本质上是把这个折中从设计期挪到运行期。静态设计阶段选定的参数组合，只能对某一类任务最优；而真实任务是分阶段的——起飞阶段在乎覆盖，巡航阶段在乎能耗，任务执行阶段在乎时延和精度。用深度强化学习之类的在线方法，根据当前观测动态调整轨迹、功率和调度策略，等于让系统在每个阶段自己选三角的一条边。

要验证这种动态策略是否真的有效，我的做法是先给三个量各写一条显式预算约束，然后做帕累托前沿扫描：固定其中两个的预算，看第三个能到多好，画出前沿再判断某个策略是不是真的在前沿上。很多看起来不错的策略，画完前沿会发现它落在前沿内侧，还不如一个简单的固定参数方案。这个验证步骤比调参本身更重要，因为它能区分「真的改进了」和「在一个更宽松的约束下比较」。

从那以后我每次评估集群通信方案，都强制先把时延、精度、续航三条预算写成显式约束跑一遍帕累托扫描，再谈算法优劣。这个习惯挡掉过好几个看起来很惊艳、实际只是偷换了约束的方案。希望帮到你。

本文还有配套的精品资源，点击获取