Dynamische, integrierte Mobilitätsmanagementstrategie für Mega-LEO-Satellitenkonstellationen

Um die Herausforderungen im Mobilitätsmanagement von Mega-Low-Earth-Orbit (LEO) Satellitenkonstellationen mit langen Managementverzögerungen und hohem Signalisierungsaufwand zu bewältigen, insbesondere unter den bestehenden festen und begrenzten Einsätzen von mobilen Bodenmanagement-Einheiten, hat sich der kooperative Mobilitätsmanagement-Modus von mittleren Erdorbit (MEO) Satelliten und Bodenstationen (GSs) zu einem attraktiven Trend entwickelt. In diesem Papier, unter Berücksichtigung der global ungleichmäßigen Nutzerverteilung und der eingeschränkten Satellitenspeicherressourcen, schlagen wir eine dynamische satelliten-gestützte integrierte Mobilitätsmanagementstrategie (DSG-MMS) vor, um mit der relativen Mobilität zwischen Nutzern, GSs und Satelliten umzugehen, die dynamisch den optimalen GS/MEO-Managementknoten mit minimalen Übergabe- und Migrationsverzögerungen bestimmen kann. Insbesondere wird das DSG-MMS-Optimierungsproblem als verteilte Markov-Entscheidungsprozesse modelliert, und eine auf Verstärkendes Lernen (RL) basierende Methode zur Auswahl des Managementknotens wird vorgestellt, bei der jeder LEO-Satelliten-Agent dynamisch seinen eigenen Managementknoten entscheidet. Um den RL-Algorithmus auf den ressourcenbeschränkten LEO-Satelliten-Agenten weiter umzusetzen, wird ein neuartiger tensorbasierter RL-Algorithmus für DSG-MMS mittels der streambaren niedrig-rangigen Tensorzerlegung vorgeschlagen, bei der nur der kleinformatige Kern-Tensor und die Faktormatrizen im strategischen Optimierungsprozess gespeichert und aktualisiert werden, um so niedrige Speicher- und Rechenaufwände sowie eine schnelle Konvergenz zu erreichen. Wir führen Simulationen für das vorgeschlagene DSG-MMS mit Parameterkonfigurationen tatsächlicher Telesat-, Kuiper- und Starlink-Satellitensysteme durch, um die Mobilitätsmanagementverzögerung und die Aufwandsleistungen sowie die erforderliche Satellitenspeichergröße für das Mobilitätsmanagement zu bewerten. Darüber hinaus werden eine Fallstudie und ein architektonischer Vergleich präsentiert, um die Überlegenheit des vorgeschlagenen DSG-MMS gegenüber bestehenden Methoden zu demonstrieren.