基于异构图神经网络的LEO卫星网络编排

低地球轨道（LEO）卫星星座对于扩大全球互联网接入，特别是在偏远和服务不足地区，正变得至关重要。然而，由网络移动性引起的高度动态特性，给动态卫星与地面节点（网关和地面设备）之间的协调带来了复杂的挑战。有限的卫星可见窗口和空间上不平衡的用户流量需求加剧了这一问题。局部关联（小区-卫星-网关）策略，如最近卫星或基于贪婪负载的选择，会导致部分地面覆盖或负载不平衡，从而影响流量需求的满足。通过集中优化进行的网络驱动编排可以在这两个关键目标之间取得有效平衡，但对于周期性操作和实时部署而言，计算量通常很大。这项工作提出了一个基于学习的网络编排框架NEO-GNN，将卫星-地面网络建模为动态时空图。与先前工作不同，它采用异构图神经网络（GNN），其中卫星、网关和地面小区被建模为不同的节点类型，以捕获它们不同的可见性和网络能力。它们使用定制的损失函数以无监督方式进行训练，以平衡覆盖和利用的双重要求，并在推理期间产生高效的实时关联决策。评估表明，NEO-GNN提供完整的地面小区覆盖，通过平衡的卫星和网关使用提高流量需求满意度，并在动态可见性和部分卫星故障下保持鲁棒性。NEO-GNN为弯管LEO卫星系统中的实时网络编排提供了一种可扩展且高效的替代传统优化方法。