为 LEO 星座网络评估学习型拥塞控制方案
机器学习
2026-02-02 v3
摘要
低轨道（LEO）卫星网络因频繁切换、快速变化的往返时间（RTT）和非拥塞丢包，引入独特的拥塞控制（CC）挑战。本文提供了 LEO 网络中 CC 方案的首个全面、仿真驱动的评估，结合通过 LeoEM 框架实现的真实轨道动力学和针对性的 Mininet 微基准测试。我们评估了来自三个类别的代表性 CC 算法：基于丢包的（Cubic、SaTCP）、基于模型的（BBRv3）和基于学习的（Vivace、Sage、Astraea），在多样化的单流和多流场景中进行评估，包括与主动队列管理（AQM）的交互。我们的发现表明：（1）面向切换的基于丢包的方案可恢复带宽，但以延迟为代价；（2）BBRv3 在延迟惩罚适中的情况下保持高吞吐量，但对突发 RTT 变化反应缓慢；（3）基于强化学习的方案在动态条件下严重表现不佳，尽管对非拥塞丢包表现突出；（4）在 RTT 非对称和多个瓶颈的情况下，公平性显著下降，尤其在人类设计的 CC 方案中；（5）瓶颈处的 AQM 可恢复公平性并提升效率。这些结果揭示了当前 CC 方案的关键局限性，为设计针对 LEO 的特定数据传输协议提供了见解。
引用
@article{arxiv.2510.25497,
title = {Right for the Right Reasons: Avoiding Reasoning Shortcuts via Prototypical Neurosymbolic AI},
author = {Luca Andolfi and Eleonora Giunchiglia},
journal= {arXiv preprint arXiv:2510.25497},
year = {2026}
}