Visibility-Aware User Association and Resource Allocation in Multi-Slice LEO Satellite Networks
Notice bibliographique
Résumé
The low Earth orbit (LEO) satellite megaconstellation can provide ubiquitous coverage and high-performance connectivity, supporting multi-slice applications with various key performance indicator (KPI) requirements. However, due to the dynamic nature of LEO satellites, limited resources, and the diverse demands of different slices, managing user association (UA) and resource allocation becomes an increasingly challenging task in areas with overlapping satellite coverage. This paper proposes a joint optimization model for UA and resource allocation in satellite networks (SLSNs). Based on mixed-integer non-linear programming (MILP), our model minimizes the total propagation delay and optimizes the demand satisfaction ratio (DSR) using a Max-Min approach to ensure each slice meets its unique throughput requirements. In addition, a visibility-aware component is incorporated to prioritize longer satellite visibility, reduce handovers, and improve network stability. Due to the computational complexity of the MILP model, we propose a heuristic-based balanced association with delay-aware bandwidth distribution (B-DAD) approach. B-DAD operates in two phases: the initial UA phase selects satellites based on a combined metric of delay, load, and visibility duration, while the residual bandwidth distribution phase reallocates unused bandwidth among associated users proportionally. Extensive simulations demonstrate that our approaches significantly improve DSR, propagation delays, transmission delays, and network stability compared to the widely adopted benchmark maximum sum of data rate (Max-SR) and Greedy methods under varying elevation angles. Our findings highlight the effectiveness of the MILP model in achieving optimal solutions and the efficiency of B-DAD as a scalable alternative for large-scale scenarios.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».