FlexSATE: Flexible and Distributed Traffic Engineering with Supervised Learning in Ultra-Dense Low-Earth-Orbit Satellite Networks
Notice bibliographique
Résumé
The ultra-dense low earth orbit (UD-LEO) satellite network is being vigorously developed due to its great potential in providing global coverage and services. For the sake of improved network performance in resource-constrained satellite networks, multipath schemes are being explored. However, state-of-the-art multipath routing algorithms face the challenge when dealing with highly dynamic satellite network features (i.e., frequent traffic variation, link failures) and fail to exploit the simple grid topology to design fast yet efficient traffic engineering (TE) approaches. In this paper, we propose a novel distributed TE scheme called Flexible Satellite Traffic Engineering (FlexSATE), which leverages global path computation coupled with distributed local routing decisions to improve the overall load balancing performance for ultra-dense LEO satellite networks. By constructing a minimum-hop binary tree (MHBT), we propose an MHBT-based k-segment Routing algorithm, which is capable of promptly discovering routing paths with low latency, high diversity, and good load balancing. To further enhance network transmission performance, we employ supervised learning into dynamic rate adaption, where FlexSATE employs centralized offline learning to derive insights from the globally optimal routing strategy and utilizes distributed deployment to predict the optimal distribution of traffic in real time. Our simulation results on a real-world typical Walker-delta type LEO constellation with 720 satellites show that FlexSATE outperforms some existing approaches with superior robustness and flexibility.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».