面向LEO卫星网络服务的区域资源管理：基于拓扑特征的深度强化学习方法
网络与互联网体系结构
2026-01-07 v1
摘要
低轨道卫星网络因其宽广覆盖范围，被视为陆地网络的自然延伸，以实现远程终到端（E2E）服务 provisioning。然而，卫星网络的固有拓扑动态以及不确定的网络规模，使得资源链用于E2E服务 provisioning 必然需要高效地重新规划。因此，实现高度自适应的资源管理在实际部署应用中具有重要意义。本文首先设计了区域资源管理（RRM）模式，并进一步构建了该RRM问题，可提供独立于网络规模的统一决策空间。随后，基于RRM模式和深度强化学习框架，我们开发了一种基于拓扑特征的动态自适应资源管理算法，以应对不同网络规模的变化。该算法成功考虑了神经网络固定输出维度以及E2E服务 provisioning 中不断变化的资源链。服务导向信息与相位奖励函数的匹配设计，有效提高了该算法在RRM模式下的服务性能。数值结果表明，所提出的算法在收敛性能和收敛速度方面均表现出最佳水平，显著提升了不同网络规模下的服务性能，分别相较于对比算法提升了2.7%、11.9%和10.2%。
引用
@article{arxiv.2601.02387,
title = {Regional Resource Management for Service Provisioning in LEO Satellite Networks: A Topology Feature-Based DRL Approach},
author = {Chenxi Bao and Di Zhou and Min Sheng and Yan Shi and Jiandong Li and Zhili Sun},
journal= {arXiv preprint arXiv:2601.02387},
year = {2026}
}
备注
This paper has been accepted by IEEE GLOBECOM