iSatCR: Graph-Empowered Joint Onboard Computing and Routing for LEO Data Delivery

Die Arbeit stellt iSatCR vor, einen verteilten, graphbasierten Ansatz, der durch die gemeinsame Optimierung von Onboard-Computing und Routing die Übertragungseffizienz von Erdbeobachtungsdaten in LEO-Satellitenkonstellationen unter Berücksichtigung von Speicherbeschränkungen signifikant verbessert.

Das Wesentliche

Stellen Sie sich das Weltraumnetzwerk aus tausenden von niedrigen Erdumlaufbahnen (LEO) wie einen riesigen, sich ständig bewegenden Postdienst vor. Diese Satelliten sind wie unzählige kleine Postboten, die riesige Mengen an Fotos und Daten von der Erde aufnehmen.

Das Problem ist: Die Postboten haben nur sehr kleine Rucksäcke (Bandbreite), um die Daten zur Erde zu bringen. Wenn jeder Postbote versucht, das ganze Originalfoto (die Rohdaten) mitzubringen, staut sich der Verkehr, die Post kommt zu spät oder geht verloren.

Hier kommt iSatCR ins Spiel. Es ist wie ein intelligenter, dezentraler Verkehrsleitsystem, das zwei Dinge gleichzeitig optimiert: Was bearbeitet wird und wie es transportiert wird.

Hier ist die Erklärung in einfachen Schritten:

1. Das Problem: Der Stau im Weltraum

Stellen Sie sich vor, Sie müssen 1.000 Fotos von einem Urlaub machen. Wenn Sie alle 1.000 Originalfotos per E-Mail an Ihre Familie schicken wollen, dauert es ewig und kostet viel Geld.

• Die alte Lösung: Man versuchte nur, den schnellsten Weg für die E-Mails zu finden (Routing). Aber das hilft nicht, wenn die E-Mails selbst zu groß sind.
• Die neue Idee (iSatCR): Warum nicht die Fotos schon auf dem Weg bearbeiten? Wenn Sie nur die besten 10 Bilder aussuchen und den Rest löschen, ist die E-Mail viel kleiner und kommt sofort an. Aber: Welcher Satellit soll das tun? Und wohin muss das Bild dann weiter?

2. Die Lösung: Ein Team von "intelligenten Postboten"

iSatCR ist ein System, bei dem jeder Satellit für sich selbst entscheidet, was er tut. Es gibt keinen großen Chef im Kontrollraum, der alle Befehle gibt (das wäre zu langsam). Stattdessen ist jeder Satellit ein kleiner, schlauer Agent.

A. Die "3-Hop-Brille" (Graph-Embedding)

Normalerweise wissen Postboten nur, was ihr direkter Nachbar tut. Das ist wie in einer Menschenmenge, wo man nur sieht, wer direkt vor einem steht.

• iSatCRs Trick: Jeder Satellit trägt eine spezielle "Brille" (Graph-Embedding). Mit dieser Brille sieht er nicht nur seinen direkten Nachbarn, sondern auch die Nachbarn seiner Nachbarn (bis zu 3 Schritte weit).
• Die Analogie: Stellen Sie sich vor, Sie stehen in einer Schlange. Normalerweise sehen Sie nur die Person vor Ihnen. Mit der iSatCR-Brille sehen Sie aber auch, ob die Person vor dem Nächsten schon einen leeren Platz hat. So kann der Satellit entscheiden: "Hey, mein direkter Nachbar ist voll, aber der Nachbarnachbar hat Platz! Ich schicke das Bild dorthin."
• Shifted Feature Aggregation: Das ist der technische Name dafür, wie diese Informationen sortiert werden, damit der Satellit genau weiß, wo der Platz ist und wer gerade Arbeit hat.

B. Der "Schlau-Entscheider" (D3QN)

Sobald der Satellit weiß, wer wo ist, muss er entscheiden: "Mache ich das Bild selbst (Computing) oder schicke ich es weiter (Routing)?"

• Dafür nutzt iSatCR eine Art künstliches Gehirn (Deep Reinforcement Learning), das durch viel Übung lernt.
• Das Training: Stellen Sie sich vor, ein Satellit spielt ein Videospiel. Jedes Mal, wenn er eine gute Entscheidung trifft (schnelle Lieferung, wenig Speicherplatz verbraucht), bekommt er Punkte. Wenn er einen Fehler macht (Daten verloren, zu lange Wartezeit), verliert er Punkte.
• Die Heuristik: Um schneller zu lernen, gibt es eine kleine Regelhilfe: Wenn ein Bild schon bearbeitet wurde, sucht der Satellit automatisch den kürzesten Weg zur Erde, statt nochmal zu überlegen, ob er es bearbeiten soll.

3. Warum ist das besser als die alten Methoden?

• Gegenüber dem "Zentralen Chef" (ICS): Ein zentraler Computer, der alles berechnet, ist wie ein Verkehrsleitsystem, das den gesamten Verkehr auf einmal steuern will. Wenn ein Unfall passiert (ein Satellit fällt aus), braucht der Chef zu lange, um die Umleitung zu berechnen. iSatCR ist wie ein Schwarm von Bienen: Wenn eine Blume weg ist, findet die nächste Biene sofort eine andere, ohne auf einen Befehl zu warten.
• Gegenüber einfachen Methoden: Andere Systeme schauen nur auf den direkten Nachbarn. iSatCR schaut weiter voraus und findet bessere Wege, besonders wenn es sehr voll ist (hohe Last).

4. Das Ergebnis im Test

Die Forscher haben das System in einer riesigen Simulation getestet (mit tausenden Satelliten und vielen Fehlern).

• Ergebnis: iSatCR war schneller, verlor weniger Daten und war fairer im Verteilen der Arbeit.
• Die Metapher: Wenn die anderen Systeme in einem Stau stehen und panisch werden, bleibt iSatCR ruhig, schaut sich die 3 Straßen weiter voraus an und findet immer eine freie Abfahrt.

Zusammenfassung

iSatCR ist wie ein Schwarm intelligenter Postboten, die sich gegenseitig helfen. Sie tragen eine Brille, mit der sie den Verkehr ein paar Straßen weiter sehen können, und haben ein Gehirn, das lernt, wann sie selbst arbeiten sollen und wann sie die Arbeit weitergeben. Das Ergebnis: Die Daten kommen schneller und sicherer von den Satelliten zur Erde, auch wenn der Weltraumverkehr extrem dicht ist.

Technische Zusammenfassung

1. Problemstellung

Niedrigfliegende Erdumlaufbahnsatelliten (LEO) generieren durch fortschrittliche Sensortechnologien (z. B. hyperspektrale Bildgebung) enorme Datenmengen (ca. 1 TB pro Tag und Satellit). Das reine Übertragen dieser Rohdaten zur Erde führt zu Engpässen bei der Bandbreite und hohen Latenzen, insbesondere da die Bodenstationen ungleichmäßig verteilt sind und die Verbindungen oft unterbrochen werden.

Bisherige Ansätze konzentrierten sich hauptsächlich auf Routing-Optimierung, was das Datenvolumen jedoch nicht reduziert. Zwar ermöglicht Onboard-Computing (z. B. Datenkompression oder Inferenz für Objekterkennung) eine drastische Reduktion der zu übertragenden Datenmenge, stellt jedoch neue Herausforderungen:

• Hoher Overhead: Die Erfassung globaler Netzwerkzustände in dynamischen Topologien (durch hohe Geschwindigkeit, Sonnenstürme etc.) ist ineffizient.
• Ressourcenverteilung: Onboard-Rechenkapazitäten sind begrenzt und ungleich verteilt. Eine lokale Verarbeitung ist oft nicht möglich, was ein Offloading zu anderen Satelliten erfordert.
• Komplexität: Die gleichzeitige Optimierung von Routing und Computing in großen Konstellationen (hunderte bis tausende Satelliten) führt zu einem „Fluch der Dimensionalität" bei der Entscheidungsfindung.

2. Methodik: iSatCR

Die Autoren stellen iSatCR vor, einen verteilten Ansatz, der Graph-Embedding-Techniken mit Deep Reinforcement Learning (DRL) kombiniert, um Onboard-Computing und Routing gemeinsam zu optimieren.

A. Verteiltes Framework

Das System besteht aus zwei Hauptmodulen:

1. Ressourcenbewusstsein (Resource Awareness): Satelliten tauschen Informationen mit Nachbarn aus, um den Zustand des Netzwerks zu erfassen.
2. Entscheidungsfindung (Decision Making): Ein DRL-Agent trifft proaktiv Entscheidungen, ob eine Aufgabe lokal berechnet oder an einen Nachbarn weitergeleitet wird.

B. Graph-Embedding mit „Shifted Feature Aggregation"

Um den dynamischen Zustand des Netzwerks effizient zu erfassen, ohne globale Informationen zu sammeln, wird ein neuartiges Graph-Embedding entwickelt:

• Shifted Feature Aggregation: Jeder Satellit aggregiert Merkmalsvektoren seiner Nachbarn (1-Hop und 2-Hop). Durch ein „Verschieben" (Shifting) der Features werden Informationen aus verschiedenen Reichweiten (eigener Knoten, 1-Hop-Nachbarn, 2-Hop-Nachbarn) in einem strukturierten Vektor zusammengeführt.
• Vorteil: Dies ermöglicht eine präzise Erfassung der räumlichen Ressourcenverteilung (Speicher, Rechenleistung, Warteschlangen) innerhalb eines 3-Hop-Bereichs und eliminiert veraltete Informationen von weit entfernten Knoten.
• Fehlertoleranz: Bei Link-Ausfällen werden spezielle Padding-Strategien angewendet, um die Fehlerzustände im Feature-Vektor zu kodieren.

C. Verteilte D3QN (Dueling Double Deep Q-Network)

Das Optimierungsproblem wird als teilweise beobachtbarer Markov-Entscheidungsprozess (POMDP) modelliert, um die Latenz (Transmissions-, Ausbreitungs-, Warteschlangen- und Berechnungsverzögerung) unter Speicherbeschränkungen zu minimieren.

• Zustandsraum: Umfasst lokale Ressourcen, Graph-Embeddings der Nachbarn und den Auftragszustand.
• Aktionsraum: Entscheidung, ob die Aufgabe in die lokale Berechnungswarteschlange oder in eine der Transmissionswarteschlangen zu einem Nachbarn gelegt wird.
• Belohnungsfunktion (Reward): Belohnt erfolgreiche Übertragung und Bestrafung von Paketverlusten, hohen Verzögerungen und Speicherverletzungen.
• Heuristische Exploration: Um die Konvergenz zu beschleunigen, wird eine heuristische Strategie eingeführt, die bei bereits berechneten Aufgaben gezielt die beste Übertragungsroute wählt, anstatt rein zufällig zu explorieren.

3. Hauptbeiträge

1. Neuartiges Graph-Embedding: Entwicklung eines verteilten Mechanismus mit „Shifted Feature Aggregation", der Ressourceninformationen aus einem 3-Hop-Bereich präzise erfasst und den Kommunikations-Overhead minimiert.
2. D3QN-basierte Joint-Optimierung: Ein verteilter Algorithmus, der unter Speicherbeschränkungen die optimale Kombination aus Berechnungsort und Routingpfad findet. Das Problem wird als POMDP gelöst, was die Skalierbarkeit und Anpassungsfähigkeit an dynamische Topologien erhöht.
3. System-Level-Simulation: Entwicklung einer umfassenden Simulationsumgebung, die reale Konstellationen (Iridium, Telesat, OneWeb, Starlink) und verschiedene Lastszenarien abbildet.

4. Ergebnisse

Die Simulationen zeigen, dass iSatCR anderen Algorithmen (DDQN, D3QN ohne Graph-Embedding, PPO und eine ideale zentrale Lösung) überlegen ist:

• Latenz: Unter hoher Last (bis zu 105 Aufgaben/Sekunde) hält iSatCR die durchschnittliche Verzögerung deutlich niedriger als zentrale Ansätze, die bei steigender Last schnell kollabieren.
• Paketverlust: iSatCR erreicht eine Paketverlustrate von unter 1%, während zentrale Methoden bei hoher Last und Link-Ausfällen Werte von 3–7% erreichen.
• Robustheit: Bei steigenden Link-Ausfallraten (bis 15%) zeigt iSatCR die geringste Zunahme der Verzögerung und der Anzahl der Hops, was auf eine bessere Fähigkeit zur Umleitung von Aufgaben hinweist.
• Lastverteilung: Die kumulative Verteilung der Berechnungszeiten zeigt, dass iSatCR die Last am besten auf die Satelliten verteilt, was Überlastungen einzelner Knoten verhindert.
• Generalisierung: Der Algorithmus funktioniert effektiv in verschiedenen Konstellationsgrößen (von Iridium bis Starlink), ohne neu trainiert werden zu müssen.

5. Bedeutung und Fazit

Die Arbeit demonstriert, dass die Kombination von Graph-Embedding und Deep Reinforcement Learning ein vielversprechender Weg ist, um die Herausforderungen massiver LEO-Satellitenkonstellationen zu bewältigen.

• Paradigmenwechsel: Statt nur Routing zu optimieren, wird die Datenverarbeitung direkt im Weltraum (Edge Computing) in das Routing integriert, was die Bandbreite zur Erde drastisch reduziert.
• Skalierbarkeit: Der verteilte Ansatz vermeidet den Overhead zentraler Steuerungssysteme und ist robust gegenüber Ausfällen und Topologieänderungen.
• Praktische Relevanz: Mit dem Wachstum von Mega-Konstellationen für Erdbeobachtung bietet iSatCR eine skalierbare Lösung, um die Datenflut effizient zu bewältigen und die Latenz für Anwendungen wie Katastrophenmanagement und Umweltmonitoring zu minimieren.

Zusammenfassend stellt iSatCR einen signifikanten Fortschritt in der intelligenten Steuerung von Satellitennetzwerken dar, der die Grenzen bestehender Routing- und Offloading-Strategien überwindet.