Key points are not available for this paper at this time.
Das rasante Wachstum von Satelliten in niedriger Erdumlaufbahn hat zukünftige Dienstbereitstellungen mit neuer Vitalität belebt. Angesichts der inhärenten Volatilität des Netzwerkverkehrs bleibt die Gewährleistung eines differenzierten Qualitätsservice in hochdynamischen Netzwerken eine erhebliche Herausforderung. In dieser Arbeit schlagen wir ein auf Online-Lernen basierendes Ressourcenscheduling-Schema für satellit-terrestrische integrierte Netzwerke (STINs) vor, das darauf abzielt, bedarfsorientierte Dienste mit minimalem Ressourcenverbrauch bereitzustellen. Insbesondere konzentrieren wir uns auf: ① die genaue Charakterisierung des STIN-Kanals, ② die Vorhersage der Ressourcennachfrage mit Unsicherheitsgarantien und ③ die Implementierung von gemischtem Zeitskalenscheduling. Für den STIN-Kanal verwenden wir die Modelle des 3rd Generation Partnership Project für Kanäle und Antennen nicht-terrestrischer Netzwerke. Wir nutzen eine eindimensionale Faltung und eine auf Attention basierende Architektur für die Vorhersage des durchschnittlichen Bedarfs, während wir konforme Vorhersagen einführen, um Unsicherheiten zu mindern, die aus burstigem Verkehr entstehen. Zusätzlich entwickeln wir einen Dual-Zeitskalennoptimierungsrahmen, der die Reservierung von Ressourcen auf einer größeren Zeitskala und die Anpassung von Ressourcen auf einer kleineren Zeitskala umfasst. Wir haben auch einen Online-Ressourcenscheduling-Algorithmus entworfen, der auf Online-konvexer Optimierung basiert, um eine langfristige Leistung mit begrenztem Wissen über zeitvariierende Netzwerkinformationen zu gewährleisten. Basierend auf der Implementierung des STIN-Kanals im Network Simulator 3 unter unserer hochgenauen Satelliten-Internet-Simulationsplattform zeigen numerische Ergebnisse mit einem realen Datensatz die Genauigkeit und Effizienz der Vorhersagealgorithmen und des online Ressourcenscheduling-Schemas.
Qin et al. (Wed,) haben diese Frage untersucht.