通信增强巨型卫星网络

大家读完觉得有帮助记得关注和点赞！！！

抽象

卫星到设备直接通信的进步使巨型卫星星座成为 6G 无线通信的基石，即使在偏远和服务欠缺的地区也能实现无缝的全球连接。然而，香农经典信息理论施加的频谱稀缺性和容量限制仍然是支持多媒体富无线应用的海量数据需求的重大挑战。生成语义通信 （GSC） 由基于人工智能的生成基础模型提供支持，代表了从传输原始数据到交换语义的范式转变。GSC不仅可以减少带宽消耗，还可以增强多媒体内容中的关键语义特征，从而为克服传统卫星通信系统的局限性提供了一个有前途的解决方案。本文从网络角度研究了GSC与巨型卫星星座的集成。我们提出了一种GSC赋能的卫星网络架构，并确定了关键的使能技术，重点关注GSC赋能的网络建模和GSC感知的组网策略。我们构建了一个离散的时间图来模拟巨型卫星网络中的语义编码器和解码器、不同的知识库和资源变化。基于该框架，我们开发了语义编码器和解码器以及GSC兼容路由方案的模型部署，然后进行了性能评估。最后，我们概述了推进 GSC 赋能卫星网络的未来研究方向。

我介绍

巨型卫星网络由数千颗近地轨道 （LEO） 卫星组成，通过弥合服务欠缺地区的差距并在全球范围内提供无缝网络服务，正在彻底改变全球连接。具体来说，根据国际电信联盟（ITU）的数据，地球表面70%以上，包括海洋、沙漠和热带雨林等偏远地区，缺乏地面网络覆盖。此外，占全球人口 37% 的 29 亿人仍然无法访问互联网。这种巨大的连接差距凸显了卫星网络在提供可靠和包容性无线通信方面的关键作用。为了填补这一空白，卫星技术的进步，加上发射成本的下降，正在推动低轨卫星网络的快速转型。在这些进步中，卫星间链路 （ISL） 和机载计算等关键创新处于这一发展的最前沿。 与传统的地球静止轨道（GEO）卫星系统相比，延迟约为250毫秒，低轨卫星网络通过使用ISL实现卫星之间的数据中继，可以实现数十毫秒左右的低得多的延迟[1]. 同时，车载计算支持本地数据处理、及时决策和灵活的功能部署，从而最大限度地减少对地面站的依赖，提高整体网络效率。结合卫星直接到设备的通信功能，这些进步旨在支持全球范围内对延迟敏感和带宽密集型的应用。对实时地球观测、物联网 （IoT） 应用和卫星智能手机连接等服务的需求不断增长，进一步凸显了低轨卫星网络的重要性。 随着这些功能的发展，低轨卫星网络有望补充地面网络，改变各种应用和行业的无线通信。

虽然卫星网络有望支持新兴应用，但它们满足日益增长的高带宽需求的能力受到有限频谱和带宽资源的限制。传统频段，如 L 和 S，严重拥塞，而 C 和 Ku 频段接近饱和。为了缓解这些挑战，我们采用了 K、Ka 和激光等更高频段[2].尽管取得了这些进步，但单个应用程序的带宽分配仍然受到严重限制。相控阵波束成形和动态频谱共享等技术提供了渐进式改进，但无法解决性能限制。例如，2024 年 3 月的测试显示，从 Starlink 卫星到移动设备的下载速度仅为 17 Mbps，而到 2024 年 12 月，其最初的直接到蜂窝星座为未经改装的手机提供每波束仅 10 Mbps。对于上行链路，目前最先进的技术只能实现几Kbps，因此很难满足6G的性能需求。此外，由香农容量定理控制的传统通信模型对频谱效率施加了根本限制，阻碍了无线通信的进一步改进。

卫星通信的一个有希望的进步是生成语义通信 （GSC） 的集成，它利用尖端的人工智能 （AI） 来优化数据传输[3].与传输原始数据的传统系统不同，GSC 通过利用发射器和接收器之间的共享知识库 （KB） 来传输基本语义含义[4].这种方法确保仅传达最相关的信息，从而以最少的数据实现准确的重建[5].与基于深度学习的语义通信相比，GSC更适合巨型卫星网络，因为后者需要不同信道的不同模型。特别是最近在 ChatGPT 等生成基础模型方面的突破，显着增强了 GSC 的能力[6,7].这些模型提高了语义理解，实现精确重建，同时减少数据需求。其先进的推理能力和上下文感知能力进一步使GSC能够有效地管理无线通信场景中的多样化和动态信息[8].因此，GSC 可以为卫星网络提供两个主要优势：

• 减少卫星网络中的通信负载：通过传输语义而不是原始数据，GSC 可以减少卫星网络中的带宽使用。
• 增强卫星应用的语义清晰度： 通过利用生成模型和语义重建，GSC 增强了传达的信息。例如，在基于卫星的交通监控系统中，原始数据中的交通信号可能不清晰，但经过语义重建后，它们可以变得更加清晰。

此外，卫星网络还可以为实现 GSC 提供独特的优势：

• GSC 的全球部署：卫星网络可实现全球快速部署 GSC，确保在海洋、沙漠和灾区等缺乏地面基础设施的地区进行通信。
• 对用户设备的最小资源需求：通过在卫星上托管语义编码器和解码器，消除了用户设备处理频繁模型部署或更新的需要，从而减少了计算和通信资源需求。模型更新可以在卫星之间同步，确保可扩展且资源高效的 GSC 系统实施。

尽管有好处，但在卫星网络中实施 GSC 也面临着网络方面的一些挑战：

• 卫星网络中的生成模型部署：卫星网络有限的计算资源和动态拓扑使得高效部署和更新生成模型变得具有挑战性，需要随着时间的推移优化卫星之间的放置。
• 卫星系统中的GSC兼容路由： 传统的路由算法主要关注节点数量和路径长度。然而，将 GSC 集成到卫星网络中还需要考虑其他因素。节点上的语义编码和解码引入了额外的计算延迟，同时降低了带宽需求[9].在布线算法的设计中必须深思熟虑地解决这些因素。

为了应对这些挑战，我们提出了一种由GSC赋能的卫星网络架构，重点介绍了关键的使能技术，重点是基于时态图的网络建模和GSC兼容的网络策略。我们使用离散时间图来捕捉大规模卫星网络中KB的多样性和资源波动。在此架构的基础上，我们为生成式基础模型和 GSC 兼容路由方案制定部署策略，然后进行详细的案例研究。最后，讨论了GSC赋能卫星网络在增强全球无线连接方面的未来研究方向。我们的贡献总结如下：

• 我们提出了一种由GSC赋能的卫星网络架构，并确定了关键技术，包括基于时态图的建模和GSC兼容网络。
• 基于所提出的网络架构和时态图模型，我们开发了生成式基础模型和GSC兼容路由方案的部署策略，以增强网络性能。
• 我们通过案例研究验证了所提出的架构和路由方案，并概述了推进 GSC 赋能卫星网络的未来方向。

本文的其余部分组织如下。第二节介绍了GSC赋能卫星网络的系统架构和关键技术。第三节和第四节分别讨论离散时态图建模和GSC兼容模型部署和路由。第五节提供了GSC兼容路由的案例研究，第六节未来的挑战和研究方向。最后，本文以第七节结束。

第二系统架构及关键技术

 

图1：生成语义通信（GSC）赋能卫星网络的整体组网架构。

二甲GSC赋能卫星网络架构

GSC赋能卫星网络利用GSC提高基于生成基础模型的数据通信效率。如图所示。1、GSC赋能卫星网络的整体组网架构由低轨卫星星座、用户终端、卫星控制系统以及作为语义编码器和解码器的生成基础模型组成。

LEO 卫星星座：如图所示。1、低轨卫星星座包括通信卫星和人工智能卫星[10]. 通信卫星配备了用于无线数据转发的射频和/或激光收发器。 与仅专注于数据传输的通信卫星相比，人工智能卫星具有强大的计算能力，可以支持基于生成基础模型的语义编码器和解码器。具体来说，人工智能卫星利用资源虚拟化技术将资源抽象为人工智能功能，并将语义编码器部署为微服务，从而能够使用不同知识库对应的语义编码器对原始数据进行处理和压缩。除了数据传输之外，它们还部署针对特定通信任务量身定制的生成基础模型，用于对多媒体数据进行编码和解码，包括文本、音频、 和视频。每颗人工智能卫星都可以充当语义编码器、解码器或两者兼而有之，具体取决于计算能力、功率限制、用户需求和运营成本。 由于卫星发射和设计成本高昂，人工智能卫星的数量仍然有限，尤其是在前几代[10].通信卫星和人工智能卫星都支持 ISL，从而实现跨星座的无线连接。由于卫星轨道的周期性，网络拓扑的演变是可预测的。当通过用户终端时，卫星会建立星地链路 （SGL） 来传输或接收原始、编码或解码数据。

用户终端：用户终端涵盖广泛的设备，包括传感器节点、车辆终端、无人机（UAV）、高空平台、地面站以及其他可直接卫星到设备访问的移动设备。这些终端通过 SGL 与卫星星座建立连接。 虽然所有这些终端都支持直接卫星连接，但它们的计算能力各不相同。物联网传感器和紧急终端等资源受限的设备可能缺乏语义压缩的能力，而其他设备可以托管完整或压缩的人工智能模型。然而，GSC 需要频繁的模型更新给用户设备带来巨大的计算和通信开销。通过在卫星上托管语义编码器和解码器，可以减轻资源有限终端的负担。

卫星控制系统：卫星控制系统包括地面卫星控制中心（SCC）、GEO卫星系统以及连接它们的专用信道。SCC 在监控、管理、部署和优化卫星网络方面发挥着关键作用。他们在人工智能卫星上部署和更新语义编码器和解码器，以适应生成式基础模型的改进、网络变化、有限的资源限制和用户需求。为了在不同资源条件下平衡计算/通信权衡，SCC 可以根据可用的计算和通信能力有选择地部署不同大小的模型。此外，还可以采用缓存机制来减少卫星之间和随时间推移的冗余计算。具体来说，为了处理延迟和功率限制下的模型更新，SCC 首先将更新后的模型传输到 GEO 卫星，然后在带宽和功率可用性允许的情况下将其中继到目标 LEO 卫星。这种 GEO 辅助中继减轻了低轨卫星和地面站之间的短接触窗口，并避免了资源有限的卫星过载。当机载资源受到限制时，SCC 可能会降低模型更新频率或应用模型蒸馏来降低传输开销和能耗。然而，降低更新频率或模型蒸馏可能会降低语义通信的准确性，因此需要仔细设计策略来平衡资源限制和网络性能。

生成基础模型：生成式基础模型对于 GSC 赋能的卫星网络架构至关重要。这些模型部署在人工智能卫星和地面终端上，针对特定的知识库（在定义 1 中正式定义）进行定制，以处理各种数据类型，例如文本、图像和视频。根据平台资源，它们可以以全面、微调或压缩的形式部署。在人工智能卫星上，这些模型充当语义编码器、解码器或两者兼而有之，将原始数据转换为语义表示，以提高通信效率。生成式基础模型的部署依赖于资源，一些卫星托管多个模型以满足不同的需求。具有足够计算能力的用户终端还可以托管生成模型进行本地语义处理，减少对卫星资源的依赖。为确保准确高效的通信，模型会更新并与最新的知识库同步。卫星控制系统管理更新和部署，动态优化资源以适应不断变化的网络条件和用户需求。

定义 1（知识库 （KB））。

知识库是特定领域知识和相关信息的存储库，在语义通信系统中提供发送方和接收方之间的共享上下文。知识库可以包括文本、语音、图像、视频或其他多模态数据集，可以访问和动态更新这些数据集，以支持语义 AI 模型训练和推理。

GSC 如何提高带宽效率。GSC 通过传输压缩的语义表示而不是原始数据来减少带宽消耗，这在带宽有限的卫星网络中特别有利。这减轻了 ISL 和 SGL 上的流量。然而，卫星网络的动态拓扑结构需要精心设计的组网策略才能充分实现这些收益。如果没有适当的协调，GSC 的好处可能会受到限制。

二乙GSC赋能卫星网络关键技术

从组网角度来看，GSC赋能卫星网络涉及GSC赋能卫星网络建模、生成基础模型部署和GSC兼容路由三项关键技术。现在我们将讨论它们中的每一个及其相关的挑战。

 

图2：一个示例展示了GSC赋能卫星网络中时间离散化的必要性，以处理端到端路径之间链路资源的时间错位。

II-B1GSC赋能卫星网络中随时变节点和链路资源的建模

早期的卫星网络规模较小，依赖于存储结转模型，该模型主要适用于延迟容忍应用。相比之下，现代星座利用通过 ISL 互连的众多 LEO 卫星来支持实时通信。然而，低轨卫星每 90 至 120 分钟绕地球运行一次，仅维持用户终端连接数十分钟。这种快速移动导致频繁的拓扑变化和不同的链路持续时间，给网络建模和实时优化带来了重大挑战。

无花果。图2给出了用户终端之间的数据传输场景S和D沿着小路S→一个→B→C→D涉及三颗卫星和四个不同的链路。链接S→一个从第0分钟到第15分钟可用，一个→B从第5分钟到第20分钟，B→C从第 10 分钟到第 25 分钟，以及C→D从第10分钟到第20分钟。因此，路径S→一个→B→C→D仅在第 5 分钟到第 10 分钟的间隔内保持稳定。传统的静态图模型无法捕获链接资源之间的这种时间错位。因此，需要离散时间图模型通过将时间轴划分为离散时间窗口来解决这一限制，其中每个时间窗口内的网络拓扑被认为是静态的。这种方法可确保链路可用性的一致性，并促进高效的资源分配和路由。

另一方面，将语义编码器和解码器集成到卫星网络中需要对人工智能卫星进行额外优化，同时考虑到其移动性。这显着增加了网络动态性，在高效的资源表示以确保服务连续性方面带来了挑战。无花果。图3说明了卫星移动性在三个区间内对GSC的影响。在第一个区间中，源用户终端将数据传输到AI卫星进行编码，AI卫星在到达目标终端之前通过另一颗卫星将编码后的数据中继到解码AI卫星。在第二个区间，编码的AI卫星移出范围，提示网络重新分配解码卫星和中继卫星。在第三个区间，解码卫星的进一步移动性需要额外的更新以维持通信。人工智能卫星的连续移动给网络建模和资源管理带来了相当大的复杂性，特别是在维持连续的语义通信方面。因此，必须解决与网络建模相关的许多关键问题：

• 如何在网络模型中有效捕捉AI卫星的动态行为？
• 哪些策略可以确保人工智能卫星之间的无缝过渡以避免通信中断？
• 如何设计模型部署方案以适应频繁的拓扑变化和用户需求？

 

图3：一个示例，演示语义通信如何受到卫星节点移动的影响。

II-B2自适应生成基础模型部署

在卫星上自适应部署生成基础模型对于在卫星网络中实现 GSC 至关重要。这涉及为卫星配备语义编码器和解码器，以支持不同的用户需求。虽然某些设备（例如车辆）可以使用知识蒸馏等技术来容纳压缩模型，但许多用户终端缺乏语义编码或解码的计算能力。例如，移动终端的计算资源通常有限，这使得部署视频或 3D 体积数据处理等任务所需的生成基础模型具有挑战性。此外，压缩模型可能会影响准确性，导致编码模糊或解码不精确，从而降低通信性能。直观地讲，GSC 组件的部署应遵循优化系统效率的基本原则。根据我们在以下引理中提出的研究结果，将 GSC 编码器放置在更靠近源节点的位置，将解码器放置在更靠近目标的位置可以优化带宽效率并最大限度地减少资源消耗。这一原则对于设计部署策略至关重要。

引理 1（多跳 GSC 的基本定律）。

在具有固定跳数的多跳GSC赋能卫星系统中，将GSC编码器定位在靠近源的位置，将GSC解码器定位在靠近目标的位置，可以在传输过程中更有效地利用带宽，从而最大限度地降低整体资源消耗。

无花果。图4提出了一个具体例子来说明战略部署的重要性。在传统通信中，数据沿着最短路径（U1、A、B、U2）传输，消耗60Mbps 带宽并产生15毫秒延迟。但是，如果编码器部署在遥远的卫星节点 D 上，则数据必须通过更长的路径（U1、A、C、D、E、U2），需要70Mbps 带宽，并且延迟25女士。此示例强调了不当部署如何抵消 GSC 的潜在好处。 如图所示。4（a），最短路径延迟为 15 毫秒。虽然高于5G地面网络，但远低于传统的GEO卫星，表明在没有地面覆盖的场景中，例如偏远、服务不足或受灾地区，LEO网络可以有效地补充未来的地面系统。

此外，卫星移动性对GSC模型的部署提出了挑战。卫星的周期性移动可能会破坏编码器和解码器的最佳放置，因此需要自适应部署和更新策略。

 

图4：一个示例，强调了网络优化在 GSC 赋能的卫星网络中的重要性。

II-B3GSC 兼容路由优化

在 GSC 系统中，路由算法在管理数据传输和语义编码/解码过程方面至关重要。然而，传统的卫星路由方法的设计重点是带宽和延迟等特定于链路的指标。这些方法忽略了 GSC 固有的语义要求，例如数据应该在何处以及如何编码或解码。这种限制使得传统的布线策略不适合GSC系统。 为了解决这些差距，必须开发针对 GSC 量身定制的路由算法，以确保高效可靠的数据传输。GSC 兼容的路由算法必须解决几个关键挑战：

• 匹配语义编码和解码的知识库： 除了选择下一跳卫星外，路由算法还必须确定编码和解码节点。例如，如果源节点执行语义编码，则确保目标节点具有兼容的解码能力和知识库至关重要。否则，必须使用卫星辅助解码。
• 实时优化：为了满足GSC的实时性需求，算法必须在带宽效率和延迟之间取得平衡，同时保持较低的计算复杂度以实现快速响应。
• 适应网络动态：频繁的拓扑变化和AI节点的快速移动性需要自适应路由策略，以确保在不同条件下稳定的语义通信。

总之，在卫星网络中启用 GSC 需要解决网络建模、人工智能模型部署和路由优化的整体解决方案。 这些进步对于在动态和资源受限的环境中释放 GSC 的全部潜力至关重要。

第三GSC赋能卫星网络动态节点和链路资源的离散时序图建模

时态图是捕捉卫星网络动态拓扑特征的有效数学工具，特别是在模拟节点移动性和通信链路的变化方面。现有模型，例如接触图[11]、快照图、时间扩展图和时间聚合图，依赖于将时间段划分为离散间隔的时间离散化机制[12].在每个间隔期间，网络拓扑（快照）被认为是稳定的，从而允许路由算法有效运行。在现有模型中，时间是根据 ISL 事件或固定时间间隔划分的。虽然他们考虑了卫星移动性和链路连接性，但他们没有考虑卫星人工智能能力在 GSC 背景下的影响。

III-AGSC兼容时间离散化方法

在我们的模型中，所有卫星（包括人工智能卫星和通信卫星）和用户终端都表示为节点V在网络图中，而 ISL 和 SGL 形成边缘。部署在卫星网络中的知识库由Θ哪里|Θ|表示支持的 KB 总数。对于每个节点n∈V、两个整数向量，𝔼n和𝔻n，定义为表征其编码和解码能力Θ. 如果节点中至少有一个元素，则节点被归类为支持 GSC 的节点（AI 卫星或用户终端）𝔼n或𝔻n是≥1.所有元素的节点𝔼n和𝔻n为 0 没有任何部署的编码或解码功能，仅用作通信中继。

然后，与 GSC 兼容的时间离散化过程依赖于接触计划[11]，它按时间戳（开始和结束）、涉及的节点、AI 资源、传输速率和传播延迟来定义每个联系人。由于卫星网络资源波动较快，时间戳数量较多，往往导致路径切换频繁。为了解决这个问题，我们引入了最短服务时长参数λ，合并时间段短于λ并重建合并间隔的快照图。这降低了开关频率。该过程涉及两个主要步骤：

1. 时间戳排序：所有联系人时间戳都按升序排序，以建立初始时间间隔。
2. 时间窗口离散化：时间间隔短于预定义的阈值λ被合并到更大的时间窗口中，减少了大规模卫星网络中频繁的状态转换，如[12].

因此，卫星网络的时间跨度被划分为多个时间窗口，其中每个时间窗口τ超过阈值λ.通过调整λ，可以配置不同粒度的时间窗口来自定义 GSC。

III-BGSC 兼容的离散时间图构建

对于每个时间窗口，都会生成一个快照图来表示网络状态，仅包括具有一致资源的联系人。时间窗口的每个快照τ是一个图Gτ=(Vτ,Lτ)哪里Vτ是所有可用节点的集合，并且Lτ包括可用的 SGL 和 ISLτ.

对于Vτ，可用 KB 的整数指标存储在向量中，其中每个元素指示特定 KB 是否可用。

四GSC 兼容模型部署和路由

GSC兼容模型部署和路由是GSC赋能卫星网络中的两项关键技术。前者是后者的先决条件，因为高效的模型部署可以优化路由决策，以适应用户应用程序的要求。GSC 兼容的模型部署和路由方案都必须以轻量级的方式设计，以降低计算成本，从而支持对拥有数千颗卫星的星座（例如 Starlink）的实际可扩展性。 此外，通过优化时间图上的模型部署和路由策略，这两个组件协同最大限度地减少带宽消耗和流量负载，从而减少与通信相关的整体能源足迹。

 

图5：GSC赋能卫星网络中四种潜在的数据通信应用类型。

IV-A语义编码器和解码器的生成式基础模型部署

在卫星网络中实现GSC需要战略性地部署生成基础模型来优化语义通信，这可以表述为数学优化问题。为了最大限度地提高性能，GSC 编码器应放置在源节点附近，解码器应放置在目标节点附近。鉴于预定义的传输要求，目标是满足延迟限制，同时最大限度地减少带宽使用。可以定义二进制决策变量来指示编码器和解码器在特定卫星上的部署，但须遵守以下约束：

• 中继节点约束：中继节点必须通过限制连接、防止路径循环和确保数据连续流来确保数据转发的完整性。
• 链路容量限制：通信链路必须满足 GSC 所需的最低传输容量，端到端延迟在预定义的限制内。
• AI 节点资源约束：编码器和解码器部署受到每颗卫星上可用计算资源的限制。
• 语义知识库匹配约束：部署必须确保所有必需的知识库都可用，确保源节点和目标节点之间的兼容性。

最终，该优化问题被建模为快照图中的混合整数规划问题。对于多快照方案，自定义目标平衡延迟最小化和带宽效率等目标。通过求解所制定问题在不同时间窗口的实例，我们可以得到GSC编码器和解码器的动态部署策略，该策略可以持续更新。最后，SCC 可以通过控制通道管理模型部署，包括安装、配置和更新编码器和解码器，以满足不断变化的 GSC 需求。

IV-B适用于不同情况的GSC兼容布线

高效路由对于支持 GSC 至关重要，特别是当发送方和接收方具有不同的编码和解码能力时。传统的路由方法在 GSC 应用中存在不足，其中语义编码和解码必须与节点的功能保持一致。 在图中。5、根据用户终端语义编解码能力的不同情况，将GSC应用分为4种类型，需要不同的路由策略如下：

• 案例 1：发送方/接收方具有编码/解码能力。这种情况可以通过传统路由方案下的标准最短路径算法来处理，不涉及中间编码或解码。
• 案例 2：发送方编码，卫星解码。在这种情况下，发送方对数据进行编码，卫星为接收方解码数据。路由算法选择最近的解码卫星，以最大限度地减少整体路径延迟。
• 案例 3：接收机解码，卫星编码。在这种情况下，由于发送方无法对数据进行编码，路由算法会选择最近的编码卫星并找到到接收方的最短路径。
• 案例 4：卫星编码和解码。在这种情况下，编码和解码由卫星处理。路由算法选择一颗卫星进行编码，选择另一颗卫星进行解码，同时最大限度地减少延迟。

总之，每种应用程序类型都需要一个定制的路由算法，该算法考虑了发送方、接收方和卫星功能。 根据引理1，当用户终端有足够的计算资源来运行AI模型时，情况1是首选。但是，当用户终端上的计算资源有限时，可以选择Case 2/3/4，卫星处理编码或/和解码。因此，GSC兼容的路由算法必须同时集成传统方法和GSC方法，以最大限度地提高网络性能，同时确保实际中不同应用的可靠性。 此外，正如[6,9]，GSC 本质上涉及计算/通信权衡，在设计路由策略时也需要考虑这一点。较大的模型产生更准确的语义表示，但会产生更大的延迟和资源成本，而较小的模型以牺牲语义保真度为代价提供较低的开销。因此，必须引入自适应机制，根据资源可用性调整模型选择，确保在实践中在效率和性能之间取得平衡。 此外，在卫星上缓存经常访问的内容（例如热门视频）的语义编码输出可以减少冗余计算。这些输出可以根据预测的用户需求通过 ISL 在卫星之间存储和共享，以提高效率。

 

图6：a） 不同路由方式下数据传输应用的平均占用带宽， b）不同路由方式下数据传输应用的平均端到端路径时延。

VGSC 兼容路由案例研究

我们通过模拟 10 个地区（习安、北京、三亚、喀什、阿姆斯特丹、雅典、巴塞罗那、柏林、迪拜和伊斯坦布尔）的 2,500 颗星链卫星和用户终端来评估 GSC 赋能卫星系统的性能。模拟涵盖 60 个时间窗口，其中 20% 的 Starlink 卫星随机部署，从中随机选择三种不同的 KB 和语义编码器压缩比{18,14,12}.考虑了上述四种类型的应用程序，每种应用程序都有一个25%概率。ISL 和 SGL 的带宽介于 300 到 350 Mbps 之间[13]链路延迟为 5 至 15 ms[14].我们生成 200 个具有随机源-目标对和 5 到 100 Mbps 数据速率的应用程序。

无花果。图6a显示了传统方法和GSC方法下四种应用类型的平均占用带宽。占用带宽的计算方法是传输过程中路径上所有已用链路的占用带宽之和。与传统方法相比，GSC 方法减少了带宽。Type_1经历了最大的带宽减少，因为编码和解码分别在源和目标执行，这是最有效的配置（如引理 1 所示）。对于Type_4，在卫星上进行编码和解码时，由于通过卫星链路传输非语义数据（原始或解码），减少幅度最小。尽管如此，GSC 仍然实现了25%减少所有应用程序类型的带宽使用。

无花果。图6b显示了传统方法和GSC方法下四种应用类型的平均端到端路径延迟。除Type_1平均路径时延与传统方法相等外，GSC中其他类型的平均路径时延更高。Type_1可以使用传统路由，而无需在卫星上进行编码或解码，而需要为其他类型的 AI 节点定位，会导致路径更长，延迟增加。这表明GSC降低了带宽，但增加了延迟作为权衡。 type_4，由于用户设备的计算能力有限，语义编码和解码都必须在卫星上进行。因此，原始数据必须通过 SGL 传输，而只有 ISL 受益于语义压缩。在这种情况下，将GSC模型部署在离用户设备更近的卫星上可以进一步提高性能。

六未来的挑战和研究方向

GSC的出现代表了卫星通信的重大转变。通过托管语义编码器和解码器，卫星网络可以实现全球 GSC 实施，减轻资源受限设备的负担并确保带宽高效的通信。然而，要充分发挥 GSC 在卫星网络中的潜力，必须解决几个关键挑战。

网络框架的标准化。为了使GSC在卫星网络中得到广泛采用，标准化的组网框架至关重要。该框架应定义通用基准、性能指标和接口，以确保卫星网络和用户终端之间的互作性。通过建立用于语义编码、解码和模型更新的网络协议，标准化将简化 GSC 集成，提高可扩展性，并促进卫星运营商和服务提供商之间的协作。

网络策略的测试平台评估。建立用于评估卫星网络中 GSC 的测试平台是一项重大挑战，这主要是由于卫星网络的分布式和动态性质。虽然网络虚拟化提供了模拟不同场景的灵活性[15]，需要进一步研究来开发用于在现实条件下测试 GSC 的仿真器。特别是，优化卫星环境的应用和定制模型部署策略对于确保 GSC 成功集成到卫星网络中至关重要。此类测试台不仅可以验证 GSC 技术，还有助于确定用于管理资源和提高网络性能的最佳网络策略。

GSC 赋能卫星系统的安全性和弹性。将 GSC 集成到卫星系统中会带来数据不可预测性和纵风险等复杂性。鉴于对实时模型更新的依赖，保护数据完整性至关重要。需要强大的安全措施，包括错误检测和隐私保护技术，以确保可靠和安全的数据传输。此外，弹性策略对于防止网络中断和攻击、确保持续性能至关重要。

七结论

本文从网络角度探讨了GSC与巨型卫星星座的集成。我们提出了一种由GSC赋能的卫星网络架构，并确定了使能技术，重点关注基于GSC的网络建模和路由策略。引入了离散时间图来捕获这些网络中知识库的多样性和通信资源的动态。使用该框架，我们开发并评估了与 GSC 兼容的路由方案。最后，我们强调了未来在卫星网络中推进GSC的研究方向。 未来的工作将详细阐述轻量级 GSC 兼容模型部署和路由方法，以增强可扩展性并减少能源足迹，同时平衡计算/通信权衡并利用缓存最大限度地减少大型卫星星座中的冗余计算。