論文の概要: STR-Agent: An LLM-Driven Agent for QoS-Aware Routing in LEO Satellite Networks
- arxiv url: http://arxiv.org/abs/2609.20347v1
- Date: Thu, 17 Sep 2026 13:12:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.285132
- Title: STR-Agent: An LLM-Driven Agent for QoS-Aware Routing in LEO Satellite Networks
- Title（参考訳）: STR-Agent:LEO衛星ネットワークにおけるQoS対応ルーティングのためのLCM駆動エージェント
- Abstract要約: STR-AgentはLEO衛星ネットワークにおける適応ルーティングのためのフレームワークである。
知覚モジュールは自然言語要求を構造化されたルーティングセマンティクスに変換する。
リフレクションモジュールは、リアルタイムの混雑条件に応じて、サービス間ポリシーマッピングを動的に調整します。
- 参考スコア（独自算出の注目度）: 24.337002119649327
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: LEO satellite networks feature dynamic topologies, time-varying links, and diverse service requirements, which make conventional routing schemes difficult to support fine-grained quality-of-service (QoS) provisioning. Existing studies mainly optimize routing over network states with predefined objectives, but rarely address the practical challenge of translating unstructured natural-language service requests into adaptive routing decisions. To bridge this gap, we propose STR-Agent, an LLM-driven framework for QoS-aware routing in LEO satellite networks. The key innovation of STR-Agent lies in unifying intent perception, tool-based execution, experience accumulation, and reflection-based policy adaptation within a single agent architecture. Specifically, the Perception Module converts natural-language requests into structured routing semantics, while the Reflection Module dynamically adjusts the service-to-routing-policy mapping according to real-time congestion conditions and historical routing outcomes, rather than relying on a fixed routing objective. In addition, we develop a specialized perception model, and construct a domain-specific supervised fine-tuning dataset for LEO service understanding. Simulation results in a Walker-Delta constellation show that STR-Agent significantly outperforms conventional baselines: it reduces end-to-end delay by up to 60% compared with DQ-Dijkstra, improves average intent-understanding accuracy from 45.4% to 92.45% after supervised fine-tuning, and the Reflection Module further reduces the delay by 120 ms at 600 Mbps. These results demonstrate the potential of LLM-driven agent architectures to enable service-aware and adaptive QoS routing in future LEO satellite networks.
- Abstract（参考訳）: LEO衛星ネットワークは、動的トポロジ、時間変化リンク、および多様なサービス要件を備えており、これにより従来のルーティングスキームは、きめ細かいQoS(Quality-of-Service)のプロビジョニングを困難にしている。
既存の研究は主に、あらかじめ定義された目的を持ったネットワーク状態上のルーティングを最適化するが、構造化されていない自然言語サービス要求を適応的なルーティング決定に変換するという現実的な課題に対処することは滅多にない。
このギャップを埋めるために、LEO衛星ネットワークにおけるQoS対応ルーティングのためのLLM駆動フレームワークSTR-Agentを提案する。
STR-Agentの重要なイノベーションは、意図認識の統合、ツールベースの実行、エクスペリエンスの蓄積、単一のエージェントアーキテクチャ内のリフレクションベースのポリシー適応である。
具体的には、パーセプションモジュールは自然言語要求を構造化されたルーティングセマンティクスに変換するが、リフレクションモジュールは、固定されたルーティング目標に頼るのではなく、リアルタイムの混雑条件や履歴ルーティング結果に応じて、サービス間ルーティングマッピングを動的に調整する。
さらに、特殊認識モデルを開発し、LEOサービス理解のためのドメイン固有教師付き微調整データセットを構築する。
シミュレーションの結果、STR-AgentはDQ-Dijkstraと比較してエンドツーエンドの遅延を最大60%削減し、微調整後45.4%から92.45%に改善し、リフレクションモジュールは600Mbpsで120msの遅延をさらに低減した。
これらの結果は、将来のLEO衛星ネットワークにおけるサービス認識および適応QoSルーティングを可能にするLLM駆動エージェントアーキテクチャの可能性を示している。
関連論文リスト
- Agentic AI Networking for Heterogeneous Unmanned Aerial Systems in Low-Altitude Wireless Networks [51.122913904076505]
低高度無線ネットワーク(LAWN)は、異種無人航空システムの鍵となる基盤として浮上している。
本稿では,マルチエージェント強化学習(MARL)アーキテクチャを二重ループ構造として,階層型ハイブリッド型大規模言語モデル(LLM)を提案する。
具体的には、外部適応ループはLLMによるゲームオーケストレーションを使用して、サービス要件とオペレータの意図を解釈し、目的とリソースの優先順位を再設定する。
物流監視ケーススタディは、提案したフレームワークが異種サービス間の協調共存をどのように促進するかを示す。
論文 参考訳（メタデータ） (2026-09-17T01:04:27Z) - Reinforcement Learning-Guided Evolutionary Policy Optimization for Preference-Adjustable Heterogeneous Agile Earth Observation Satellite Scheduling [50.176885352114674]
異質なアジャイル地球観測衛星(AEOS)のスケジューリングには、タスクの選択、衛星の割り当て、および観測シークエンシングが必要である。
本稿では、優先調整可能な重み付け目的を用いた異種AEOSスケジューリングのための進化的ポリシー最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-25T12:16:28Z) - Spatial-Temporal Learning-Based Distributed Routing for Dynamic LEO Satellite Networks [0.2994333558834796]
本稿では,低地球軌道(LEO)衛星ネットワークのための時空間学習に基づく分散ルーティングフレームワークを提案する。
提案手法は,グリーンAIの観点から,炭素排出量の無視による計算オーバーヘッドを低く抑え,その効率性を実証する。
論文 参考訳（メタデータ） (2026-05-04T10:05:43Z) - Efficient and Interpretable Multi-Agent LLM Routing via Ant Colony Optimization [58.59491516762626]
マルチエージェントシステム(MAS)のための効率的かつ解釈可能なルーティングフレームワークAMRO-Sを提案する。
AMRO-Sは、意味条件付き経路選択問題としてMASルーティングをモデル化し、3つのキーメカニズムを通してルーティング性能を向上させる。
5つの公開ベンチマークと高速ストレステストによる大規模な実験により、AMRO-Sは強いルーティングベースラインに対する品質-コストトレードオフを一貫して改善することを示した。
論文 参考訳（メタデータ） (2026-03-13T12:26:05Z) - Reinforcement Learning for Opportunistic Routing in Software-Defined LEO-Terrestrial Systems [16.049887428366333]
大型の低地球軌道(LEO)衛星コンステレーションはインテリジェントなルーティング戦略を必要としている。
固定宛先ではなく,現在利用可能な地上ゲートウェイにパケットを転送することで,配送遅延を最小限に抑える。
論文 参考訳（メタデータ） (2026-01-20T07:01:14Z) - Wireless Traffic Prediction with Large Language Model [54.07581399989292]
TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。
TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。
この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
論文 参考訳（メタデータ） (2025-12-19T04:47:40Z) - Dr.LLM: Dynamic Layer Routing in LLMs [55.11953638340419]
Dr.LLMは、事前訓練されたモデルに軽量な層ごとのルータを装備し、ブロックをスキップ、実行、繰り返すように決定する、適合性のあるフレームワークである。
ARC(logic)とDART(math)では、Dr.LLMは平均で5つのレイヤを保存しながら、最大3.4%の精度向上を実現している。
論文 参考訳（メタデータ） (2025-10-14T17:51:26Z) - AURA: Adaptive Unified Reasoning and Automation with LLM-Guided MARL for NextG Cellular Networks [5.20555845228727]
次世代(NextG)セルネットワークは,高性能を保ちながら動的トラフィックを管理することが期待されている。
LLMは6G計画のための戦略的推論を提供するが、計算コストと遅延はリアルタイムの使用を制限する。
AURAは、クラウドベースのLCMを高レベルプランニングのためのフレームワークであり、MARLエージェントをモデルとしたローカル意思決定のためのベースステーションである。
論文 参考訳（メタデータ） (2025-10-02T22:43:47Z) - Hierarchical Evolutionary Optimization with Predictive Modeling for Stable Delay-Constrained Routing in Vehicular Networks [6.449894994514711]
Vehicular Ad Hoc Networks (VANETs) はインテリジェントトランスポートシステムの基盤であり、車両とインフラ間のリアルタイム通信を促進する。
本稿では,車載ネットワークにおける遅延制約付きルーティングのための階層的進化最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-15T08:51:06Z) - Confident or Seek Stronger: Exploring Uncertainty-Based On-device LLM Routing From Benchmarking to Generalization [61.02719787737867]
大規模言語モデル(LLM)はますますエッジデバイスにデプロイされ、民主化されている。
1つの有望な解決策は不確実性に基づくSLMルーティングであり、SLM上での低信頼応答が発生すると、高い要求を強いLCMにオフロードする。
我々は1500以上の設定でSLMからLLMへの不確実性駆動型ルーティング戦略のベンチマークと一般化を包括的に調査する。
論文 参考訳（メタデータ） (2025-02-06T18:59:11Z)
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。