大規模LEOメガコンステレーションのためのスケーラブルSDNに向けて：グラフ学習アプローチ

Abstract

地上ネットワークの制約が非地上ネットワーク（NTN）の統合を促しており、とりわけ何千もの低軌道（LEO）衛星からなるメガコンステレーションが注目されています。これらの衛星は、衛星間リンク（ISL）を介して相互接続されたネットワークスイッチとして機能する一方、その巨大な規模はネットワーク管理に対する深刻なボトルネックを生み出します。そこで本研究では、スケーラブルな階層型ソフトウェア定義ネットワーキング（SDN）フレームワークを提案します。我々のアーキテクチャは、コンステレーションのトポロジをコンパクトに表現するためのグラフニューラルネットワーク（GNN）と、非線形ダイナミクスを線形化するためのKoopman理論を活用します。具体的には、Graph Koopman Autoencoder（GKAE）により、各軌道シェルごとに線形部分空間上で時空間挙動を予測します。続いて、中央集権型のSDNコントローラが、シェルレベルの予測を集約して、グローバルに協調した制御を実現します。Starlinkコンステレーションでのシミュレーションにより、本手法は既存のベースラインと比較して、空間圧縮で少なくとも42.8%、時間的予測で10.81%の改善を達成することが示されました。さらに、モデルのフットプリントが大幅に小さいことも同時に確認されています。