面向低轨巨型星座的可扩展 SDN：一种图学习方法
机器学习
2026-05-01 v1 系统与控制
系统与控制
摘要
地面网络的局限性推动了非地面网络（NTN）的整合，特别是由数千颗低地球轨道（LEO）卫星组成的巨型星座。虽然这些卫星通过星间链路（ISL）充当互联的网络交换机，但其庞大的规模给网络管理带来了严重的瓶颈。为解决此问题，我们提出一个可扩展的、分层的软件定义网络（SDN）框架。我们的架构利用图神经网络（GNN）来紧凑地表示星座拓扑，并利用库普曼理论来线性化非线性动力学。具体而言，一个图库普曼自编码器（GKAE）在每个轨道壳层的线性子空间内预测时空行为。然后，一个中央 SDN 控制器聚合这些壳层级预测，以实现全局协调控制。在星链星座上的仿真表明，与现有基线相比，我们的方法在空间压缩方面实现了至少 42.8% 的改进，在时间预测方面实现了 10.81% 的改进，同时使用的模型占用空间显著更小。
引用
@article{arxiv.2604.27478,
title = {Toward Scalable SDN for LEO Mega-Constellations: A Graph Learning Approach},
author = {Sivaram Krishnan and Bassel Al Homssi and Zhouyou Gu and Jihong Park and Sung-Min Oh and Jinho Choi},
journal= {arXiv preprint arXiv:2604.27478},
year = {2026}
}