[논문 리뷰] Routing in Small Satellite Networks: A GNN-based Learning Approach

Mengjie Liu, Jian Li외 1명|arXiv (Cornell University)|2021. 08. 19.

Satellite Communication Systems참고 문헌 14인용 수 7

한 줄 요약

이 논문은 소형 위성 네트워크(SSNs)에서 저복잡도의 실시간 라우팅을 가능하게 하기 위해 위상 인식 특징 추출 기반의 그래프 신경망 기반 학습 라우팅(GLR) 기법을 제안한다. 통신 거리를 연속적인 레이블로 사용하여 다음 홉 선택 문제를 회귀 문제로 공식화함으로써, 동적이고 예측 불가능한 위상 구조에 대해 강력한 일반화 성능을 확보하며, 기존 알고리즘 대비 높은 계산 비용 절감 효과를 얻는다.

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.

연구 동기 및 목표

• 제한된 온보드 자원을 가진 대규모, 고도로 동적인 소형 위성 네트워크(SSNs)에서의 온보드 라우팅 문제 해결
• 폭발적 증가하는 위상 변화에서 높은 계산 비용을 유발하는 전통적 라우팅 알고리즘(예: 브루트 포스 또는 다익스트라 기반 방법)의 한계 극복
• 예측 불가능한 네트워크 위상과 링크 장애 상황에서도 잘 일반화되는 학습 기반 라우팅 접근법 개발
• 지연 및 패킷 손실 측면에서 거의 최적의 성능를 유지하면서도 온보드 라우팅 계산 복잡도를 최소화

제안 방법

• 위성(노드)과 위성 간 링크(에지)로 구성된 동적 그래프로 SSN 모델링하고, 예측 가능한 노드 간 지연을 표현하기 위해 링크 특징 사용
• 다음 홉 노드까지의 통신 거리를 예측하여 회귀 문제로 공식화함으로써, 이진 분류 대비 더 풍부한 지도 학습 가능
• 그래프 내 국소적 및 전반적 위상 정보를 모두 포착하기 위해 고차수 및 저차수 특징 추출기 설계
• 다양하고 사전에 경험하지 못한 위상 구조 간의 일반화 성능 향상을 위해 특징 표현을 강화하는 크로스 처리 모듈 도입
• 실시간 온보드 추론을 가능하게 하기 위해 합성 위상 구조를 사용해 사전에 GNN 모델 학습
• 모델 최적화를 위해 평균 제곱오차 손실과 L2 정규화를 사용: $ L = \frac{1}{n}\sum_{i=1}^{n}(y_i - y_i^p)^2 + \beta||\theta||_2 $

실험 결과

연구 질문

• RQ1 GNN 기반 접근법이 재학습 없이도 예측 불가능하고 고도로 동적인 SSN 위상에 일반화 가능한가?
• RQ2 링크 장애 상황에서 전통적 라우팅 알고리즘 대비 제안된 GLR 방법의 종단 간 지연 및 패킷 손실률은 어떻게 비교되는가?
• RQ3 대규모 SSNs에서 브루트 포스 또는 다익스트라 기반 라우팅 대비 GLR는 계산 비용을 얼마나 절감하는가?
• RQ4 통신 거리 예측을 회귀 레이블로 사용할 경우, 기존의 다음 홉 분류 기반 방법에 비해 라우팅 성능 향상과 모델 일반화 능력 향상이 이루어지는가?

주요 결과

• GLR는 종단 간 지연 및 패킷 손실률 측면에서 거의 최적의 라우팅 성능를 확보하며, 특히 높은 링크 장애 확률 상황에서 TSR, TBR, CGR를 능가한다.
• 4%의 링크 장애 확률 조건에서 네트워크 규모가 132에서 396 위성으로 증가함에 따라도 GLR는 안정된 성능 유지를 보이며 종단 간 지연이 감소하는 경향을 보인다.
• GLR의 계산 비용은 느리게 증가하며 낮은 수준을 유지하지만, TBR 및 CGR는 네트워크 크가 증가함에 따라 실행 시간이 급격히 증가한다.
• 통신 거리 예측을 기반으로 한 회귀 레이블 설계 방식이 기존의 분류 기반 다음 홉 선택 방식보다 더 강력한 지도 학습과 더 나은 일반화 성능 제공
• 위상 인식 특징 학습 및 크로스 처리 메커니즘 덕분에 GLR는 랜덤 링크 장애 상황에서도 강건성을 확보한다.