[論文レビュー] Routing in Small Satellite Networks: A GNN-based Learning Approach

Mengjie Liu, Jian Li+1 more|arXiv (Cornell University)|Aug 19, 2021

Satellite Communication Systems参考文献 14被引用数 7

ひとこと要約

本稿では、トポロジーに配慮した特徴抽出を活用して、近似的に最適な性能を達成しつつ計算コストを低減する、小型衛星ネットワーク（SSNs）向けのグラフニューラルネットワークベースの学習ルーティング（GLR）手法を提案する。通信距離を連続ラベルとして用いる回帰問題として次ホップ選択を定式化することで、動的かつ未観測のトポロジーに対しても優れた一般化性能を発揮し、従来のアルゴリズムと比較して計算コストを顕著に低減する。

ABSTRACT

Small satellite networks (SSNs), which are constructed by large number of small satellites in low earth orbits (LEO), are considered as promising ways to provide ubiquitous Internet access. To handle stochastic Internet traffic, on-board routing is necessary in SSNs. However, large-scale, high dynamic SSN topologies and limited resources make on-board routing in SSNs face great challenges. To address this issue, we turn to graph neural network (GNN), a deep learning network inherently designed for graph data, motivated by the fact that SSNs can be naturally modeled as graphs. By exploiting GNN's topology extraction capabilities, we propose a GNN-based learning routing approach (GLR) to achieve near-optimal on-board routing with low complexity. We design high-order and low-order feature extractor and cross process to deal with high dynamic topologies of SSNs, even those topologies that have never been seen in training. Simulation results demonstrate that GLR results in a significant reduction in routing computation cost while achieves near-optimal routing performance in SSNs with different scales compared with typical existing satellite routing algorithms.

研究の動機と目的

• 限られたオンボードリソースを有する大規模かつ高動的な小型衛星ネットワーク（SSNs）におけるオンボードルーティングの課題に対処すること。
• 大規模で急速に変化するトポロジーにおいて高い計算コストを要する、ブルートフォースやダイクストラに基づく従来のルーティングアルゴリズムの限界を克服すること。
• 未観測のネットワークトポロジーやリンク障害に対しても良好に一般化する学習ベースのルーティング手法を開発すること。
• 遅延およびパケット損失の観点で近似的に最適な性能を維持しつつ、オンボードルーティングの計算複雑性を低減すること。

提案手法

• 衛星（ノード）と衛星間リンク（エッジ）からなる動的グラフとしてSSNをモデル化し、予測可能なノード間遅延をエンコードするリンク特徴を用いる。
• 通信距離を次ホップノードへの予測値として用いる回帰問題としてルーティングを定式化することで、二値分類よりも豊かな監視信号を提供する。
• グラフ内の局所的およびグローバルなトポロジカル情報を両方捉えるために、高次および低次特徴抽出器を設計する。
• 多様でかつ未観測のトポロジーにわたる特徴表現の向上と一般化性能の強化を目的として、クロスプロセッシングモジュールを導入する。
• 合成トポロジーを用いて事前学習したGNNモデルを用い、リアルタイムかつ低複雑性のオンボード推論を実現する。
• モデル最適化に平均二乗誤差損失とL2正則化を用いる：$ L = \frac{1}{n}\sum_{i=1}^{n}(y_i - y_i^p)^2 + \beta||\theta||_2 $。

実験結果

リサーチクエスチョン

• RQ1 GNNベースの手法は、再トレーニングなしに未観測で高動的なSSNトポロジーに一般化可能か？
• RQ2 リンク障害が発生する条件下で、提案手法GLRは従来のルーティングアルゴリズムと比較して、エンドツーエンド遅延およびパケットドロップ率においてどのように差をつけるか？
• RQ3 大規模SSNにおいて、ブルートフォースやダイクストラベースのルーティングと比較して、GLRは計算コストをどの程度低減するか？
• RQ4 次ホップ分類とは対照的に、通信距離を回帰ラベルとして用いることで、ルーティング性能およびモデルの一般化性能が向上するか？

主な発見

• GLRはエンドツーエンド遅延およびパケットドロップ率の観点で近似的に最適なルーティング性能を達成し、特に高リンク障害確率下でTSR、TBR、CGRを上回る。
• 4%のリンク障害確率下でも、ネットワーク規模が132から396衛星に拡大しても安定した性能を維持し、エンドツーエンド遅延が低下する。
• GLRの計算コストはゆっくりと増加し、低水準を維持するが、TBRおよびCGRはネットワークサイズの増大に伴い実行時間に急激な増加を示す。
• 通信距離予測という回帰ベースのラベル設計により、従来の分類ベースの次ホップ選択よりも強力な監視信号と優れた一般化性能が得られる。
• トポロジーに配慮した特徴学習とクロスプロセッシング機構のおかげで、GLRはランダムなリンク障害に対しても耐性を示す。