論文の概要: StarRTT: An End-to-End Real-Time Framework for Blind Zone-Free RTT Prediction in Starlink LEO Satellite Networks

• arxiv url: http://arxiv.org/abs/2610.32540v1
• Date: Fri, 23 Oct 2026 12:20:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.512793
• Title: StarRTT: An End-to-End Real-Time Framework for Blind Zone-Free RTT Prediction in Starlink LEO Satellite Networks
• Title（参考訳）: StarRTT:Starlink LEO衛星ネットワークにおけるブラインドゾーンフリーRTT予測のためのエンドツーエンドリアルタイムフレームワーク
• Abstract要約: 低軌道軌道(LEO)衛星は、スターリンクのような高軌道速度のために頻繁にハンドオーバを必要とする。 正確なRTT予測はこれらの変動を緩和するが、継続的に更新されたサーブサテライト情報に依存する。 我々は,RTT予測に秒単位のサーブサテライト識別を統合することで,ブラインドゾーンを排除したエンドツーエンドリアルタイムフレームワークであるStarRTTを開発した。
• 参考スコア（独自算出の注目度）: 7.888511453284852
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Low Earth Orbit (LEO) satellite mega-constellations such as Starlink require frequent handovers due to high orbital velocities, resulting in substantial Round-Trip Time (RTT) fluctuations. Accurate RTT prediction can mitigate these fluctuations, yet it fundamentally relies on continuously updated serving- satellite information. Existing serving-satellite identification methods typically complete identification only at the end of each scheduling cycle, creating an identification blind zone that limits real-time prediction. To overcome this limitation, we develop StarRTT, an end-to-end real-time framework that eliminates the blind zone by integrating per-second serving-satellite identification with RTT prediction. Within this framework, we propose Real-Time Long Short-Term Memory (RT-LSTM), an LSTM-based RTT prediction model designed to capture both non-stationary RTT evolution and time-varying geometric relationships among the serving satellite, user terminal, and gateways. Specifically, a historical LSTM encodes historical RTT observations and real-time serving-satellite and gateway-relative features, while a future LSTM processes Two-Line Element (TLE)-propagated future features of the identified serving satellite up to the next scheduling instant. Under strict real-time back-testing, RT-LSTM achieves a Mean Absolute Error (MAE) of 1.405 ms averaged over all 15 prediction horizons and 15 reference time-slot indices, reducing the error by 4.3 %, 11.6 %, and 22.1 % compared with the existing baseline models, LSTM, StarNet, and Attention-based Spatiotemporal Model (ASTM), respectively. Notably, the reduction over LSTM reaches 12.5 % at the scheduling instant, highlighting the benefit of real-time serving-satellite information when recent RTT observations are limited.
• Abstract（参考訳）: スターリンクのような低軌道軌道(LEO)衛星の巨星は、高い軌道速度のために頻繁にハンドオーバを必要とするため、ラウンド・トリップ・タイム(RTT)のかなりの変動が生じる。 正確なRTT予測はこれらの変動を緩和することができるが、基本的には継続的に更新される衛星情報に依存している。 既存のサーブサテライト識別手法は、通常、各スケジューリングサイクルの終了時にのみ識別を完了し、リアルタイムの予測を制限する識別盲点を生成する。 この制限を克服するために、秒単位のサーブサテライト識別とRTT予測を統合することで、ブラインドゾーンを排除したエンドツーエンドのリアルタイムフレームワークであるStarRTTを開発した。 本フレームワークでは,非定常RTTの進化と,サービス衛星,ユーザ端末,ゲートウェイ間の時変幾何学的関係を捉えることを目的として,LSTMに基づくRTT予測モデルであるRT-LSTMを提案する。 具体的には、歴史的LSTMは歴史的RTT観測とリアルタイムのサーブサテライトおよびゲートウェイ相対的な特徴を符号化し、一方将来のLSTMプロセスはTLE(Two-Line Element)により、特定されたサーブサテライト衛星の将来的な特徴を次のスケジュールまで予測する。 RT-LSTMは厳密なリアルタイムバックテストの下で、15の予測地平線と15の基準タイムスロット指標で平均1.405msの平均絶対誤差(MAE)を達成し、既存のベースラインモデルであるLSTM、StarNet、Attention-based Spatiotemporal Model(ASTM)と比較して誤差を4.3%、11.6%、22.1%削減した。 特に,最近のRTT観測が限定された場合のリアルタイムサーブサテライト情報の利点を浮き彫りにして,LSTMよりも12.5 %の削減を実現した。

関連論文リスト

• Temporal Hyperbolic Graph Representation Learning for Scale-Free Internet Routing and Delay Prediction [0.0]
  HERMITは、双曲多様体保存時GNNとランダムフォレスト回帰器を組み合わせたハイブリッドフレームワークで、リンク予測とRTT予測を行う。 我々は,2015-2024年における大規模実インターネットデータセット上でのHERMITの評価を行った。
  論文  参考訳（メタデータ） (2026-05-27T08:39:47Z)
• ASTREA: Introducing Agentic Intelligence for Orbital Thermal Autonomy [51.56484100374058]
  ASTREAは、自律的な宇宙船運用のためのフライト・ヘリテージ・ハードウェア上で実行される最初のエージェント・システムである。 我々は,資源制約付き大規模言語モデル(LLM)エージェントと強化学習コントローラを,空間対応プラットフォームに適した非同期アーキテクチャに統合する。
  論文  参考訳（メタデータ） (2025-09-16T08:52:13Z)
• 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)
• PreRoutGNN for Timing Prediction with Order Preserving Partition: Global Circuit Pre-training, Local Delay Learning and Attentional Cell Modeling [84.34811206119619]
  本稿では,事前のタイミング予測に対する2段階のアプローチを提案する。 まず、回路網リストからグローバルグラフ埋め込みを学習するグラフオートエンコーダを事前学習するためのグローバル回路トレーニングを提案する。 第2に、GCN上のメッセージパッシングのための新しいノード更新方式を、学習したグラフ埋め込みと回路グラフのトポロジ的ソートシーケンスに従って使用する。 21個の実世界の回路の実験では、スラック予測のための新しいSOTA R2が0.93で達成され、以前のSOTA法では0.59をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-27T02:23:07Z)
• Scheduling for On-Board Federated Learning with Satellite Clusters [39.78458023920483]
  オンボードのフェデレーション学習により、衛星は機械学習モデルを協調的に訓練することができる。 本稿では,衛星間リンクに接続された星座のFLのスケジューリング手法を提案する。
  論文  参考訳（メタデータ） (2024-02-14T11:26:30Z)
• Optimizing Federated Learning in LEO Satellite Constellations via Intra-Plane Model Propagation and Sink Satellite Scheduling [3.096615629099617]
  衛星エッジコンピューティング(SEC)は、各衛星がMLモデルをオンボードで訓練し、モデルのみを地上局にアップロードすることを可能にする。 本稿では、既存のFLベースのソリューションの制限(緩やかな収束)を克服する新しいFLフレームワークであるFedLEOを提案する。 以上の結果から,FedLEO は FL の収束を著しく促進するが,実際にモデル精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-02-27T00:32:01Z)
• Neural Laplace Control for Continuous-time Delayed Systems [76.81202657759222]
  本稿では,ニューラルラプラス力学モデルとモデル予測制御(MPC)プランナを組み合わせた連続時間モデルに基づくオフラインRL法を提案する。 専門家の政策性能に近い連続的な遅延環境を実験的に示す。
  論文  参考訳（メタデータ） (2023-02-24T12:40:28Z)
• AsyncFLEO: Asynchronous Federated Learning for LEO Satellite Constellations with High-Altitude Platforms [3.096615629099617]
  FL(Federated Learning)は、データを(衛星を離れることなく)その場に保管することを可能にする FLは衛星通信の文脈で単一のFLモデルを訓練するのに数日かかる(Satcom)。 本稿では,Satcom の FL 効率を改善するために AsyncFLEO という LEO コンステレーション用の非同期FL フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-22T07:52:30Z)
• 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)

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。