1.基于时空同步注意力机制的高动态战术网络链路预测方法，其特征在于，针对目标通信网络，执行如下步骤S1‑步骤S6，构建通信链路连通预测模型，执行如下步骤S7，完成未来时间步任意节点之间的通信链路连通状态的预测：步骤S1：获取目标通信网络的运行日志，提取其中各节点的特征向量，包括节点特征和通信链路特征，并基于预设的路径损耗阈值，生成作为通信链路连通性判据的通信链路状态二值标签；

步骤S2：设置由若干个时间步构成的历史观测窗口，提取连续若干个时间步的网络拓扑图，构建具有时序依赖关系的历史时空图序列；

步骤S3：针对所提取的节点特征和通信链路特征，进行标准化处理，针对历史时空图序列，进行正弦时间位置编码；将标准化处理后的节点特征与正弦时间位置编码融合；

步骤S4：提取历史观测窗口中各时间步的网络拓扑图，将节点映射为全局空间边；在相邻时间步的同一节点之间，构建双向时间边；基于全局空间边与双向时间边，形成时空统一的超级图；

步骤S5：将超级图输入图神经网络编码器，计算节点间的注意力权重，从图神经网络编码器的输出矩阵中，截取最后一个时间步所有节点的特征向量；

步骤S6：将超级图中任意两个待预测连通性的节点的特征向量拼接后，输入多层感知机解码器，获得节点间的通信链路连通概率；

步骤S7：对通信链路连通预测模型进行训练和测试，获得训练好的通信链路连通预测模型，应用通信链路连通预测模型，完成未来时间步任意节点之间的通信链路连通状态的预测。

2.根据权利要求1所述的基于时空同步注意力机制的高动态战术网络链路预测方法，其特征在于，步骤S1的具体步骤如下：步骤S1.1：提取目标通信网络的节点特征和通信链路特征，包括各节点的二维机动速度，作为节点特征；还包括节点间物理距离Distance、电磁波传播延迟PropDelay、以及路径损耗Pathloss，作为通信链路特征；

步骤S1.2：预设路径损耗阈值，若两节点间的路径损耗Pathloss低于预设的路径损耗阈值，则判定在当前时间步两节点间的通信链路连通，通信链路状态二值标签 ；否则，判定在当前时间步两节点间的通信链路断开，通信链路状态二值标签 ；其中，表示在时间步t节点i和节点j间的通信链路状态二值标签。

3.根据权利要求2所述的基于时空同步注意力机制的高动态战术网络链路预测方法，其特征在于，步骤S2的具体步骤如下：步骤S2.1：在时间步t，将目标通信网络表示为网络拓扑图 ，其中，为节点集合； 表示节点，N为节点数量； 表示节点特征矩阵，F表示节点特征的维度，对应节点的二维机动速度；节点特征矩阵的各行表示各节点在时间步t的二维机动速度：；

；

其中， 表示节点i在时间步t的二维机动速度， ，N为节点数量； 、分别表示节点i在时间步t沿x、y方向的机动速度；

为邻接矩阵，其中各元素定义如下：

；

其中，  表示在时间步t节点i和节点j的邻接矩阵， 表示在时间步t节点i和节点j的路径损耗，表示预设的路径损耗阈值；

步骤S2.2：设置历史观测窗口长度为T，将连续T个时间步的网络拓扑图构建为历史时空图序列 ：；

其中，T为历史观测窗口长度， 分别表示时间步 ，，…，的网络拓扑图。

4.根据权利要求3所述的基于时空同步注意力机制的高动态战术网络链路预测方法，其特征在于，步骤S3的具体步骤如下：步骤S3.1：基于节点特征与通信链路特征所构成的特征向量，针对其中第k维特征 ，进行零均值标准化，标准化公式如下：；

其中， 为第k维特征 在全量训练集上的均值， 为第k维特征 的标准差； 为标准化后的第k维特征；

步骤S3.2：针对历史时空图序列，动态生成维度为 的正弦时间位置编码；编码公式如下：；

；

其中，k为编码维度的索引，k=0，1，...， ； 和 分别表示正弦时间位置编码在第2k维和第2k+1维上的分量；

步骤S3.3：将正弦时间位置编码通过广播机制，与各时间步内节点的二维机动速度进行矩阵级联；矩阵级联后，节点特征的维度扩展为18维。

5.根据权利要求4所述的基于时空同步注意力机制的高动态战术网络链路预测方法，其特征在于，步骤S4的具体步骤如下：步骤S4.1：提取历史观测窗口中各时间步的网络拓扑图，将时间步t的节点映射为全局空间边，映射公式为：；

其中， 表示时间步t的节点i， 为时间步t的节点i映射的全局空间边，N为节点数量；

步骤S4.2：在相邻时间步的同一节点之间，强制构建前向与后向的双向时间边，同时，初始化一个服从标准正态分布的3维可学习张量，作为双向时间边的边特征；

步骤S4.3：将全局空间边与双向时间边进行拓扑关联拼接，形成时空统一的超级图；其中， 表示超级图的节点集合，包含所有时间步的节点实例， 表示超级图的边集合，由全局空间边与双向时间边共同组成。

6.根据权利要求5所述的基于时空同步注意力机制的高动态战术网络链路预测方法，其特征在于，步骤S5的具体步骤如下：步骤S5.1：将超级图输入图神经网络编码器；对于节点i及其时空邻居节点j，， 表示节点i的时空邻居节点合集，基于单头注意力的节点的特征向量更新公式为：；

其中， 和 分别为节点i和节点j在当前层的输入特征向量， 为节点i经注意力聚合后更新的特征向量， 和 为可学习的权重矩阵； 为节点i和节点j之间的注意力权重；

注意力权重 的计算如下：

；

其中， 、 、 、 、 均为可学习的权重矩阵， 为键向量的维度； 为节点i和节点j之间的链路特征向量； 表示softmax函数处理；

步骤S5.2：从图神经网络编码器的输出矩阵中，截取高维隐藏层输出的最后一个时间步所有节点的特征向量。

7.根据权利要求6所述的基于时空同步注意力机制的高动态战术网络链路预测方法，其特征在于，步骤S6的具体步骤如下：步骤S6.1：将任意两个待预测连通性的节点u和节点v的特征向量拼接后，输入至多层感知机解码器：；

其中， 表示多层感知机解码器操作； 和 分别为节点u和节点v的最终隐藏层特征向量；表示向量拼接； 为拼接后的特征向量经多层感知机解码器处理得到的中间输出向量；

步骤S6.2：多层感知机解码器包含三层线性映射，以及ReLU激活与Dropout正则化，最终通过Sigmoid激活函数 将输出转化为(0,1)区间的链路连通概率 ：；

其中， 表示以自然常数e为底的指数函数。

8.根据权利要求7所述的基于时空同步注意力机制的高动态战术网络链路预测方法，其特征在于，步骤S7的具体步骤如下：步骤S7.1：在训练阶段，构建真实标签与预测的链路连通概率之间的损失函数 如下式：；

其中，M为当前批次的通信链路样本总数， 为第k条通信链路的真实的通信链路状态二值标签， 为第k条通信链路的预测的链路连通概率；

采用Adam优化器反向更新参数，结合验证集早停机制，进行预设次数的迭代；

步骤S7.2：在测试阶段，将预测的链路连通概率 通过预设阈值进行判决，得到最终的链路状态预测结果如下：；

其中， 表示第k条通信链路的链路状态预测结果；

对所有节点进行预测，得到时间步t+1的完整网络拓扑预测矩阵 ，中每个元素 表示节点 与 之间的链路状态预测结果，N为节点数量。