[论文解读] T3P: Demystifying Low-Earth Orbit Satellite Broadband

Shubham Tiwari, Saksham Bhushan+9 more|arXiv (Cornell University)|Oct 18, 2023

Satellite Communication Systems被引用 4

一句话总结

本文提出T3P，一个用于测量和优化近地轨道（LEO）卫星宽带网络性能的测试平台与分析框架，特别针对SpaceX Starlink网络。通过在欧洲多个地点部署的分布式测试平台LEOScope，作者量化了延迟波动，建立了针对延迟和吞吐量的预测模型（实现3.65%的MAPE），并优化了BBRv2拥塞控制机制，使吞吐量最高提升115%，延迟增加极少。

ABSTRACT

The Internet is going through a massive infrastructural revolution with the advent of low-flying satellite networks, 5/6G, WiFi7, and hollow-core fiber deployments. While these networks could unleash enhanced connectivity and new capabilities, it is critical to understand the performance characteristics to efficiently drive applications over them. Low-Earth orbit (LEO) satellite mega-constellations like SpaceX Starlink aim to offer broad coverage and low latencies at the expense of high orbital dynamics leading to continuous latency changes and frequent satellite hand-offs. This paper aims to quantify Starlink's latency and its variations and components using a real testbed spanning multiple latitudes from the North to the South of Europe. We identify tail latencies as a problem. We develop predictors for latency and throughput and show their utility in improving application performance by up to 25%. We also explore how transport protocols can be optimized for LEO networks and show that this can improve throughput by up to 115% (with only a 5% increase in latency). Also, our measurement testbed with a footprint across multiple locations offers unique trigger-based scheduling capabilities that are necessary to quantify the impact of LEO dynamics.

研究动机与目标

• 为了理解真实世界LEO卫星网络的性能特征，特别是Starlink网络中动态延迟与吞吐量行为的特性。
• 识别尾部延迟作为影响LEO网络应用性能的关键瓶颈。
• 基于遥测数据与轨道数据，为LEO动态特性量身定制延迟与吞吐量的预测模型。
• 优化端到端传输协议（如BBRv2）以提升LEO网络中的吞吐量与鲁棒性。
• 构建一个可扩展的分布式测试平台（LEOScope），并采用触发式调度机制，以捕捉LEO特有的网络动态特性。

提出的方法

• 在两个国家部署了包含5个测量客户端的分布式测试平台LEOScope，使用Starlink终端与Azure服务器。
• 通过gRPC API实时收集来自Starlink终端的遥测数据，包括终端朝向与来自Celestrak的卫星位置信息。
• 利用XGBoost与LSTM构建时间序列预测模型，基于轨道动力学与历史数据预测延迟与吞吐量。
• 将吞吐量预测结果集成到自适应码率（ABR）视频流算法（RobustMPC）中，以提升用户体验质量（QoE）。
• 对BBRv2进行二维参数空间搜索，以识别在RTT波动大、丢包模式频繁的LEO网络中最佳的拥塞控制配置。
• 在LEOScope中启用触发式调度与抢占模式，以高效捕捉瞬态卫星切换过程并扩展实验规模。

Figure 7 . CDFs of BBRv $2$ throughput for BCN- $1$ uplink when triggers fire randomly versus on sensing inflated latency. The difference in median throughput is $43\%$ , underscoring the utility of trigger-based scheduling in capturing LEO-specific events that impact the end-to-end performance of c

实验结果

研究问题

• RQ1 在Starlink的LEO网络中，延迟与吞吐量在不同地理位置与轨道动力学下如何变化？
• RQ2 尾部延迟（例如，为中位数的11–16倍）在多大程度上影响LEO网络中的应用性能？
• RQ3 基于遥测与轨道数据的预测模型能否准确预测LEO网络中的延迟与吞吐量？
• RQ4 如何利用LEO感知的预测机制提升应用层性能（如视频流QoE）？
• RQ5 在RTT变化剧烈且频繁发生切换的LEO网络中，BBRv2的哪些参数配置能最优地提升吞吐量与延迟表现？

主要发现

• Starlink表现出高平均吞吐量与低平均延迟，但尾部延迟可高达中位数的11–16倍，显著影响性能表现。
• 表现最佳的延迟预测模型实现3.65%的平均绝对百分比误差（MAPE），吞吐量预测模型则实现19.2%的MAPE。
• 将吞吐量预测集成至RobustMPC ABR算法后，视频流用户体验质量（QoE）最高提升25%。
• 经优化的BBRv2配置相比默认设置使吞吐量提升115%，延迟仅增加5%。
• LEOScope测试平台成功捕捉了真实的LEO动态特性，并生成了适用于仿真与仿真的真实链路配置。
• 本研究证明，基于LEO特性的传输与应用层优化可显著提升动态卫星网络的性能表现。

Figure 8 . The LEO-aware T $3$ P stack could offer rich signals to applications.