Ⅰ 四大網路分別指什麼
1、中國科技網（CSTNET
中國科技網實在中關村地區教育與科研示範網（NCFC）和中國科學院網（CASnet）的基礎上，建設和發展起來的覆蓋全國范圍的大型計算機網路，是我國最早建設並獲得國家正式承認具有國際出口的中國四大互聯網路之一。中國科技網的服務主要包括網路通信服務，信息資源服務，超級計算服務和域名注冊服務。中國科技網擁有科學資料庫，科技成果，科技管理，技術資料和文獻情報等特有的科技信息資源，向國內外用戶特工各種科技信息服務。中國科技網的網路中心還受國務院的委託，管理中國互聯網信息中心（CNNIC），負責提供中國頂級域"CN"的注冊服務。
2、中國教育和科研計算機網（CERNET）
CERNET是中國第一個覆蓋全國的、由國內科技人員自行設計和建設的國家級大型計則盯粗算機網路。該網路由教育部主管；由清華大學、北京大學、上海交通大學、西安交通大學、東南大學、華中理工大學、華南理工大學、北京郵電大學、東北大學和電子科技大學等十所高校承擔建設，於 1995年11月建成。全國網路中心設在清華大學，八個地區網點分別設立在北京、上海、南京、西安、廣州、武漢、成都、和沈陽。CERNET是為教育、科研和國際學術交流服務的非盈利性網路。
3、中國公用計算機互聯網（CHINANET）
中國公用計算機互聯網（簡稱"中國互聯網"），是1995年11月郵電部委託美國信亞有限公司和中訊亞信公司承建的國家級網路，並於1996年6月在全國正式開通。中國郵電部數據通信局是CHINANET直接的經營管理者。CHINANET是基於Internet網路技術的中國公用Internet網，是中國具有經營權的Internet國際信息出口的互聯單位，也是CNNIC最重要的成員之一。CHINANET不同於CSTNET和CERNET，它是孫鎮面向社會公開開放的、服務於社會公眾的大規模的網路基礎設施和信息資源的集合，它的基本建設就是要保證可靠的內聯外通，即保證大范圍的國內用戶之間的高質量的互通，進而保證國內則臘用戶與國際Internet的高質量互通。
4、國家公用經濟信息通信網（CHINAGBN）
金橋網以光纖、衛星、微波、無線移動等多種傳播方式，形成天、地一體的網路結構，它和傳統的數據網、話音網和圖象網相結合並與Internet相連。根據計劃，金橋網將建立一個覆蓋全國，與國內其他專用網路相聯接，並與30幾個省市自治區，500個中心城市，12000個大型企業，100個重要企業集團相聯接的國家公用經濟信息通信網。
Ⅱ 空天地一體化網路技術：探索與展望
姓名：任爽 學號：21011210089
轉自：http://www.infocomm-journal.com/wlw/article/2020/2096-3750/2096-3750-4-3-00003.shtml
【嵌牛導讀】隨著信息技術的不斷發展，信息服務的空間范疇不斷擴大，各種天基、空基、海基、地基網路服務不斷涌現，對多維綜合信息資源的需求也逐步提升。空天地一體化網路可以為陸海空天用戶提供無縫信息服務，滿足未來網路對全時全域全空通信和網路互聯互通的需求。首先，對空天地一體化網路技術及協議體系的發展趨勢進行了分析，探討了低軌衛星通信系統以及空地網路融合的研究進展。針對網路結構復雜、動態性高、資源高度約束等問題，提出了基於強化學習（RL,reinforcement learning）的空天地一體化網路設計與優化框架，以進行高效快速的網路設計、分析、優化與管控。同時給出了實例分析，闡明了利用深度強化學習（DRL,deep RL）進行空天地一體化網路智能接入選擇的方法。並通過搭建空天地一體化網路模擬平台，解決了網路觀測稀疏與訓練數據難以獲取的問題，極大地提升了RL的訓練效率。最後，對空天地一體化網路中的潛在研究方向進行了探討。
【嵌牛鼻子】空天地一體；強化學習；低軌衛星星座
【嵌牛提問】 強化學習方法在空天地一體化網路中的應用場景、方法以及潛在優勢？
【嵌牛正文】
作為機器學習領域最重要的研究方向之一，在過去20年中，RL[ 29 ]對 人工智慧 的發展產生了重大影響。RL 是一個學習過程，在該過程中，智能體（agent）可以定期做出決策，觀察結果，然後自動調整其策略以實現最佳策略。盡管這種學習過程的收斂性已經被證明，但要保證收斂到最佳策略，通常需要大量時間探索並獲得整個系統的知識。因此，簡單的 RL 並不適用於空天地一體化網路這種大規模、高復雜度的網路環境。為了克服RL的局限性，DRL 作為一種新的突破技術得到了越來越多的關注。不同於傳統RL通過Q表枚舉環境狀態與最佳策略動作之間的映射關系，DRL 採用深度神經網路（DNN,deep neural network）替代Q表，在理論上可以擬合任意特性的復雜映射關系，從而提高了學習速度和RL演算法的性能。在實踐中，深度學習已經成為機器人控制、計算機視覺、語音識別和自然語言處理等新興產業的理論支撐。最著名的應用當屬屢次擊敗人類的圍棋 人工智慧 AlphaGo Zero[ 30 ]。
在通信和網路領域，深度學習已被用作有效解決各種問題和挑戰的新興工具[ 31 ]。對於以空天地一體化網路為代表的未來網路，其內部包含多種異構且復雜的網路切片或元素，如 物聯網 設備、移動用戶、無人機（UAV,unmanned aerial vehicle）基站、低軌衛星節點等。這些異構網路實體需要通過集中或分布式的方式做出各種不同時空尺度上的決策，如網路和頻譜選擇訪問、數據速率和發射功率控制、基站和衛星切換等，以實現包括吞吐量在內的不同網路優化目標的最大化和網路能耗最小化[ 32 ]。在高度動態和不確定的網路環境下，大多數決策問題可以建模為馬爾可夫決策過程（MDP,Markov decision process）。盡管MDP在理論上可以採用動態規劃、啟發式演算法和 RL技術來解決，但考慮規模龐大且復雜的現代網路，動態規劃和啟發式演算法等技術會因計算量過於龐大而無法使用。因此，DRL已經發展成為克服該挑戰的核心解決方案[ 33 ]。在空天地一體化網路中應用DRL方法具有以下優點。