Distributed Routing and Data Scheduling in IPNs With GNN-Based Multiagent DRL
Notice bibliographique
Résumé
As deep space exploration missions grow in complexity, efficient data transfer in interplanetary networks (IPNs) becomes paramount. However, the vast distances, limited bandwidth, and dynamic nature of IPNs pose significant challenges for the routing and data scheduling of interplanetary data transfers (IP-DTs). To address these challenges, this work proposes a novel distributed, graph neural network (GNN) based multiagent deep reinforcement learning (DRL) approach that can jointly optimize the routing and scheduling of IP-DTs. Our proposal is based on the proximal policy optimization (PPO) framework along with the graph attention networks (GATs). We make the DRL agents for IPN nodes in each subnetwork around a celestial body learn and operate independently, for making intelligent routing and scheduling decisions to properly tradeoff between average end-to-end (E2E) latency and delivery ratio of IP-DTs while ensuring good scalability. Extensive simulations confirm that our proposal handles the routing and scheduling of IP-DTs much better than existing benchmarks. Further, by modifying the interplanetary overlay network (ION) software platform developed by NASA, we build a semi-physical IPN emulator based on Raspberry Pi boards, implement our proposal in it, and conduct experiments with real data transfers between IPN nodes. Experimental results verify that our proposal can work for practical IPNs without causing excessive overheads and prove its advantages.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».