論文の概要: Toward Scalable SDN for LEO Mega-Constellations: A Graph Learning Approach

• arxiv url: http://arxiv.org/abs/2604.27478v1
• Date: Thu, 30 Apr 2026 06:19:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.9533
• Title: Toward Scalable SDN for LEO Mega-Constellations: A Graph Learning Approach
• Title（参考訳）: LEO Mega-ConstellationsのためのスケーラブルSDNに向けて:グラフ学習アプローチ
• Authors: Sivaram Krishnan, Bassel Al Homssi, Zhouyou Gu, Jihong Park, Sung-Min Oh, Jinho Choi,
• Abstract要約: 非地球ネットワーク(NT)を管理するためのスケーラブルで階層的なソフトウェア定義ネットワーク(SDN)フレームワークを提案する。 我々のアーキテクチャはグラフニューラルネットワーク(GNN)を利用して星座位相をコンパクトに表現し、クープマン理論は非線形力学を線形化する。 スターリンク星座のシミュレーションでは、我々の手法は少なくとも空間圧縮が42.8%改善し、時間予測が10.81N%改善していることが示されている。
• 参考スコア（独自算出の注目度）: 15.311089839090203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Terrestrial network limitations drive the integration of non-terrestrial networks (NTNs), notably mega-constellations comprising thousands of low Earth orbit (LEO) satellites. While these satellites act as interconnected network switches via inter-satellite links (ISLs), their massive scale creates severe bottlenecks for network management. To address this, we propose a scalable, hierarchical software-defined networking (SDN) framework. Our architecture leverages graph neural networks (GNNs) to compactly represent the constellation topology, and Koopman theory to linearize nonlinear dynamics. Specifically, a Graph Koopman Autoencoder (GKAE) forecasts spatio-temporal behavior within a linear subspace for each orbital shell. A central SDN controller then aggregates these shell-level predictions for globally coordinated control. Simulations on the Starlink constellation demonstrate that our approach achieves at least a 42.8\% improvement in spatial compression and a 10.81\% improvement in temporal forecasting compared to established baselines, all while utilizing a significantly smaller model footprint.
• Abstract（参考訳）: 地上ネットワークの制限は、地球外ネットワーク(NTN)の統合を促進する。 これらの衛星は、衛星間リンク(ISL)を介して相互接続されたネットワークスイッチとして機能するが、その大規模なスケールはネットワーク管理に深刻なボトルネックをもたらす。 これを解決するために,スケーラブルで階層的なソフトウェア定義ネットワーク(SDN)フレームワークを提案する。 我々のアーキテクチャはグラフニューラルネットワーク(GNN)を利用して星座位相をコンパクトに表現し、クープマン理論は非線形力学を線形化する。 具体的には、グラフクープマンオートエンコーダ(GKAE)は、各軌道シェルの線形部分空間内の時空間的挙動を予測する。 中央のSDNコントローラがこれらのシェルレベルの予測を集約し、グローバルな協調制御を行う。 スターリンク・コンステレーションのシミュレーションでは,提案手法は空間圧縮の少なくとも42.8倍の改善,時間予測の10.81倍の改善を実現し,モデルフットプリントを大幅に小さくした。

関連論文リスト

• Bringing Federated Learning to Space [3.058685580689604]
  Federated Learningは、衛星ネットワーク間で協調的なモデルトレーニングを行うための、有望なフレームワークを提供する。 我々は、地球上のアルゴリズムを軌道制約下での動作に適応させる包括的「宇宙化」フレームワークを導入する。 解析により、宇宙適応FLアルゴリズムは、最大100個の衛星の星座に効率よくスケールできることが示されている。
  論文  参考訳（メタデータ） (2025-11-18T20:16:07Z)
• Space-O-RAN: Enabling Intelligent, Open, and Interoperable Non Terrestrial Networks in 6G [16.472121677010268]
  本稿では,Open RANの原理を階層的な閉ループ制御により衛星コンステレーションに拡張する分散制御アーキテクチャであるSpace-O-RANを紹介する。 軽量のglspldappは衛星をオンボードで運用し、恒久的な地上アクセスに頼ることなく、スケジューリングやビームステアリングなどのリアルタイム機能を実現できる。 鍵となるイネーブルは、O-RANインタフェースを衛星リンクに動的にマッピングし、様々な条件下で適応的なシグナリングをサポートすることである。
  論文  参考訳（メタデータ） (2025-02-21T21:03:37Z)
• Hierarchical Learning and Computing over Space-Ground Integrated Networks [40.19542938629252]
  地上IoTデバイス上で,局所的に訓練されたモデルに対してグローバルアグリゲーションサービスを提供するための階層的学習・計算フレームワークを提案する。 モデルアグリゲーションのネットワークエネルギー問題を定式化し、これはDST問題であることが判明した。 代用有向グラフ上で最小スパンニングアーボラッセンスを求めることでDST問題を解決するためのトポロジカル・アウェア・エネルギ効率・ルーティング(TAEER)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-26T09:05:43Z)
• Satellite Federated Edge Learning: Architecture Design and Convergence Analysis [47.057886812985984]
  本稿では,FEDMEGAという新しいFEELアルゴリズムを提案する。 軌道内モデルアグリゲーションのための衛星間リンク(ISL)を統合することにより、提案アルゴリズムは低データレートと断続的なGSLの使用を著しく削減する。 提案手法は,環全リデューサに基づく軌道内アグリゲーション機構と,グローバルモデルアグリゲーションのためのネットワークフローベースのトランスミッションスキームを組み合わせたものである。
  論文  参考訳（メタデータ） (2024-04-02T11:59:58Z)
• FedSN: A Federated Learning Framework over Heterogeneous LEO Satellite Networks [18.213174641216884]
  多数の低軌道軌道(LEO)衛星が打ち上げられ、SpaceXなどの商業企業によって宇宙に投入された。 LEO衛星が搭載するマルチモーダルセンサにより、通信だけでなく、空間変調認識やリモートセンシング画像分類など、さまざまな機械学習アプリケーションにも機能する。 本稿では,これらの課題に対処するための一般FLフレームワークとしてFedSNを提案し,LEO衛星上でのデータ多様性について検討する。
  論文  参考訳（メタデータ） (2023-11-02T14:47:06Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)
• Learning Emergent Random Access Protocol for LEO Satellite Networks [51.575090080749554]
  創発的ランダムアクセスチャネルプロトコル(eRACH)と呼ばれるLEO SATネットワークのための新しい許可なしランダムアクセスソリューションを提案する。 eRACHは、非定常ネットワーク環境との相互作用によって生じるモデルフリーなアプローチである。 RACHと比較して,提案するeRACHは平均ネットワークスループットが54.6%向上することを示す。
  論文  参考訳（メタデータ） (2021-12-03T07:44:45Z)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• On the spatial attention in Spatio-Temporal Graph Convolutional Networks for skeleton-based human action recognition [97.14064057840089]
  カルチャーネットワーク(GCN)は、スケルトンをグラフとしてモデル化することで、スケルトンに基づく人間の行動認識の性能を約束する。 最近提案されたG時間に基づく手法のほとんどは、ネットワークの各層におけるグラフ構造を学習することで、性能を向上させる。
  論文  参考訳（メタデータ） (2020-11-07T19:03:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。