基于深度强化学习的光学 LEO 卫星网络中面向 QoS 与物理的路由
信号处理
2025-12-25 v1
摘要
光学卫星间链路 (ISL) 正逐渐成为现代大规模 LEO 星座中主要的通信骨干网络，提供多 Gb/s 容量和接近光速的时延。然而，光学束对相对卫星运动、指向抖动以及快速变化的几何构型极其敏感，这使得路由比射频系统更具挑战性。特别是，星内 ISL 和星间 ISL 在稳定性和可行范围特征上表现明显不同，产生一种动态且部分受约束的连通性结构，必须被任何物理一致的路由策略所尊重。本文提出了一种轻量级的几何感知和 QoS aware 的路由框架，用于光学 LEO 网络， incorporates 类相关的可行性约束，这些约束源自考虑抖动的高斯光束模型。这些解析计算得到的阈值直接嵌入时变 ISL 图中，并通过可行动作遮蔽在深度强化学习 (DRL) 智能体中实现。该方法利用局部几何进展、可行邻居结构和拥塞指示符，在无需全局重新计算的情况下选择下一跳中继。仿真结果表明，在类似 Starlink 的星座上，所学习到的路径是物理一致的，利用星内稳定性，适应抖动受限的星间连通性，在动态拓扑演化下保持稳健的端到端时延。
引用
@article{arxiv.2512.20835,
title = {QoS- and Physics-Aware Routing in Optical LEO Satellite Networks via Deep Reinforcement Learning},
author = {Mohammad Taghi Dabiri and Rula Ammuri and Mazen Hasna and Khalid Qaraqe},
journal= {arXiv preprint arXiv:2512.20835},
year = {2025}
}