研究人员开发了一种新颖的、基于时空学习的分布式路由框架，专为动态低地球轨道（LEO）卫星网络设计。该框架将图注意力网络（GAT）和长短期记忆（LSTM）集成在深度Q网络（DQN）架构中，能够基于局部观测做出自适应路由决策。该系统被构建为一个部分可观察马尔可夫决策过程（POMDP），以处理动态网络条件和流量变化。仿真结果表明，与现有方法相比，吞吐量、丢包率、队列长度和端到端延迟均有显著改善，队列长度减少高达23.26%。此外，该方法还因其低计算开销和最小碳排放而受到关注，符合绿色AI原则。 AI
影响 这种新的路由框架可以提高卫星通信网络的效率并降低延迟，可能对未来的天基互联网服务产生影响。
排序理由 这是一篇发表在arXiv上的研究论文，详细介绍了一种用于卫星网络的新型路由框架。
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →
arXiv:2605.02413v1 Announce Type: cross Abstract: In this paper, we propose a spatial-temporal learning-based distributed routing framework for dynamic Low Earth Orbit (LEO) satellite networks, where graph attention networks (GAT) and long short-term memory (LSTM) are integrated …
In this paper, we propose a spatial-temporal learning-based distributed routing framework for dynamic Low Earth Orbit (LEO) satellite networks, where graph attention networks (GAT) and long short-term memory (LSTM) are integrated within a deep Q-network (DQN)-based architecture t…
In this paper, we propose a spatial-temporal learning-based distributed routing framework for dynamic Low Earth Orbit (LEO) satellite networks, where graph attention networks (GAT) and long short-term memory (LSTM) are integrated within a deep Q-network (DQN)-based architecture t…