[论文解读] 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 7

一句话总结

本文提出了一种基于图神经网络的路由学习（GLR）方法，用于小型卫星网络（SSNs），通过利用拓扑感知特征提取，实现在有限计算资源下低复杂度、近似最优的星上路由。通过将下一跳选择建模为回归问题，并使用通信距离作为连续标签，GLR 在动态且未见过的网络拓扑中展现出强大的泛化能力，与传统算法相比显著降低了计算成本。

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.

研究动机与目标

• 解决大规模、高度动态的小型卫星网络（SSNs）在有限星上资源条件下面临的星上路由挑战。
• 克服传统路由算法（如暴力搜索或基于 Dijkstra 的方法）在大规模、快速变化的网络拓扑中计算成本过高的局限性。
• 开发一种基于学习的路由方法，使其能良好泛化至未见过的网络拓扑及链路中断场景。
• 在保持接近最优性能（延迟和丢包率）的前提下，降低星上路由的计算复杂度。

提出的方法

• 将 SSN 建模为动态图，其中节点（卫星）和边（星间链路）构成网络结构，利用链路特征编码可预测的节点间延迟。
• 通过预测下一跳节点的通信距离，将路由问题建模为回归问题，相比二分类方法提供更丰富的监督信号。
• 设计高阶与低阶特征提取器，以捕捉图中的局部与全局拓扑信息。
• 引入交叉处理模块，增强特征表示能力，提升在多样化且此前未见的拓扑中的泛化性能。
• 在离线阶段使用合成拓扑训练 GNN 模型，从而实现实时、低复杂度的星上推理。
• 采用均方误差损失结合 L2 正则化优化模型：$ L = \frac{1}{n}\sum_{i=1}^{n}(y_i - y_i^p)^2 + \beta||\theta||_2 $。

实验结果

研究问题

• RQ1 基于 GNN 的方法是否能在无需微调的情况下泛化至未见过的、高度动态的 SSN 拓扑？
• RQ2 在链路中断条件下，所提出的 GLR 方法与传统路由算法相比，在端到端延迟和丢包率方面表现如何？
• RQ3 与暴力搜索或基于 Dijkstra 的路由相比，GLR 在大规模 SSNs 中能将计算成本降低多少？
• RQ4 使用通信距离作为回归标签是否相比标准的下一跳分类方法，能提升路由性能与模型泛化能力？

主要发现

• GLR 在端到端延迟和丢包率方面实现了接近最优的路由性能，优于 TSR、TBR 和 CGR，尤其在高链路中断概率下表现更优。
• 在 4% 链路中断概率下，随着网络规模从 132 颗卫星增至 396 颗卫星，GLR 保持稳定性能，且端到端延迟持续下降。
• GLR 的计算成本增长缓慢，始终保持在较低水平，而 TBR 和 CGR 的执行时间随网络规模增加而急剧上升。
• 基于回归的标签设计（即通信距离预测）相比传统基于分类的下一跳选择，提供了更强的监督信号和更优的泛化能力。
• 由于具备拓扑感知的特征学习能力和交叉处理机制，GLR 展现出对随机链路中断的强鲁棒性。