《Computer Networks》：LTGAT: A lightweight temporal graph attention accelerator for deterministic routing in resource-constrained delay-tolerant non-terrestrial networks
编辑推荐：
本文提出轻量级时空图注意力模型LTGAT，结合双头图注意力网络与门控循环单元，优化资源受限非地球环境的DTN路由效率，实验表明其处理时间减少89.9%-91.0%，能耗降至15.82-43.01mJ，交付率达1.0，显著优于传统方法CGR和GAUSS。
Dalia I. Elewaily | Ahmed I. Saleh | Hesham A. Ali | Mohamed M. Abdelsalam
埃及曼苏拉大学工程学院计算机与控制系统工程系
摘要
本文介绍了轻量级时间图注意力（LTGAT）模型，其主要目标是开发一种高效的路由解决方案，以提高资源受限的非地球环境中延迟容忍网络（DTN）的性能。其主要动机是克服传统确定性路由方法（如接触图路由（CGR）的局限性，这些方法在大型时变拓扑中由于依赖重复的接触图搜索而产生显著的计算开销。LTGAT通过集成一个轻量级架构来实现这一目标，该架构结合了双头图注意力网络（GAT）和门控循环单元（GRU），以学习预定接触计划中已知的空间-时间结构的复杂表示，从而实现快速路由决策，并且计算和能量需求最小。通过在六个真实的模拟月球场景中的实验验证了这项工作的意义，与CGR相比，LTGAT的交付时间减少了高达32%，处理时间在Proton 200k机载计算机上为105.445–286.712毫秒，相比CGR提高了89.9–91.0%，相比GAUSS提高了22.6–40.2%。此外，LTGAT每次路由决策的能耗为15.82–43.01毫焦耳，并且在CGR成功处理的包上保持了1.0的交付可靠性，而GAUS在同一包上的交付可靠性仅为0.25–0.85%，同时恢复了CGR丢失的29–100%的包。这些结果证实了LTGAT适用于资源受限的立方星部署。这项研究提供了一个轻量级、计算效率高的路由框架，为资源受限的非地球通信系统做出了关键性贡献，并为未来的行星际网络研究奠定了基础。
引言
太空探索的迅速扩展凸显了支持非地球网络（NTNs）的强大通信基础设施的必要性，这些网络包括立方星、漫游车和其他在行星际环境中至关重要的任务资产。这些元素在严格的限制下运行，包括有限的计算能力、有限的能量储备和受限的存储容量，同时面临由轨道力学驱动的间歇性连接和动态变化的网络拓扑[1,2]。随着任务的复杂性增加，多个航天器参与协调探索和科学数据收集，可靠的网络策略对于维持实时协调、高效的数据中继和跨行星距离的容错操作变得不可或缺。
延迟容忍网络（DTN）已成为在这种断开连接的环境中实现数据传输的基石范式，在这种环境中连续的端到端连接是无法实现的[3,4]。在这个框架内，接触图路由（CGR）是一种确定性路由算法，它使用预先计算好的接触计划来构建时变图，确保在预定的任务场景中性能可预测[5]。CGR在轨道力学明确定义的任务中表现出色，其中未来的连接窗口是确定性的并且可以提前计算。这一特性使CGR成为许多基于DTN的太空通信系统的默认选择。然而，对于科学数据收集、行星际中继和表面探索等应用，NTN部署的复杂性不断增加，需要能够有效管理动态拓扑和资源限制的路由解决方案，从而推动了创新方法的发展。
尽管CGR及其标准化演变版本——计划感知包路由（SABR）[10]已经结合了针对可变链路容量、关键包复制、优先级处理和动态协商接触计划更新的先进机制，但这些确定性方法的每个包的穷举搜索仍然在资源受限的航天器上产生了相当大的计算成本[6,7]，特别是在未来大规模月球和行星际任务中接触计划密度和包到达率增加的情况下。这一差距凸显了需要一种路由加速器方法，以最小化与大规模时变拓扑相关的处理开销，从而在NTN通信元素的有限计算能力内保持效率。
为了应对这些挑战，本研究介绍了轻量级时间图注意力（LTGAT）模型，该模型旨在通过图学习技术保持确定性可靠性，同时嵌入计算效率。LTGAT在CGR使用的相同高精度预先计算的接触计划上进行训练，它将时间图表示与神经架构相结合，以学习紧凑、可重用的表示，从而降低处理复杂性，并有效地建模预定接触计划中的重复模式，而不会产生通常与深度学习模型或重复路由计算相关的沉重计算负担。该模型利用双头图注意力网络（GAT）[8]进行关系推理，以及门控循环单元（GRU）[9]进行时间模式提取，从而结合了轻量级推理和捕捉空间-时间依赖性的鲁棒性。
本研究提出了以下关键贡献，以应对所识别的挑战：
1.提出了轻量级时间图注意力（LTGAT）模型，这是一种新颖的神经架构，它将时间图表示与双头图注意力网络（GAT）和门控循环单元（GRU）相结合，为基于DTN的资源受限NTNs提供轻量级、计算高效的路由加速器。
2.在六个真实的月球任务场景中实现并评估了LTGAT，使用月球立方星/中继卫星作为资源受限空间元素的示例，以评估在不同拓扑条件下的性能。
3.将提出的LTGAT与已建立的路由算法（包括CGR [5]和GAUSS [29]）进行比较分析，使用交付比率、端到端延迟、处理时间和内存利用率等性能指标，从而验证其在资源受限NTN环境中的适用性。
本文的其余部分结构如下。第2节简要回顾了空间通信中确定性路由和基于神经图的方法的相关文献。第3节描述了提出的LTGAT模型的架构框架。第4节概述了仿真方法和实验设计。第5节报告了实验结果，而第6节深入讨论了发现。最后，第7节提供了结论性意见和未来研究的方向。
背景和相关工作
之前在[3]中已经对基于DTN的太空网络的现有路由方法进行了全面的最新综述，提供了对该领域的深入分析。基于此基础，从路由计算的角度来看，基于DTN的预定空间网络可以分为三类：在高度精确的预先计算接触计划上的纯确定性路由；概率转发；以及确定性路由的监督模仿。本节
LTGAT架构概述
LTGAT模型被提出作为一种计算效率高的轻量级神经架构，它将时间图表示与注意力机制相结合，以实现快速、高性能的路由。NTN被建模为时间图G(t) = (V, E(t))，其中V表示网络节点集（例如，卫星、漫游车、传感器和地面站），E(t)表示时间t时的通信联系对应的时变边。提出的LTGAT路由方法
仿真环境
使用真实的月球延迟容忍网络场景对提出的LTGAT路由模型进行了评估。这些场景源自月球环形道路拓扑[33]。仿真框架结合了系统工具包（STK）[34]用于生成高精度的接触计划，以及DTNSim [35]模拟器，这是一个事件驱动的排队网络模拟器，用于模拟DTN框架、流量生成、路由和记录真实性能测量。
LTGAT结果
在六个月球通信场景中对LTGAT模型进行的评估显示，在不同的拓扑条件下，LTGAT始终表现出快速高效的路由性能，并在CGR成功处理的包（CGR-S）上实现了完美的交付可靠性。表5总结了每个场景的计算指标。此外，图8总结了每个场景的平均计算成本、能耗、交付性能、跳数和路径指标，区分了有和
讨论
第5.1节中提出的轻量级时间图注意力（LTGAT）模型的评估结果和第5.2节中的比较分析提供了其在月球资源受限卫星环境中作为高效确定性路由加速器的有力证据。这些结果与第3节中概述的模型内部结构以及第4.1节中详细描述的模拟环境密切相关
结论
本文介绍了轻量级时间图注意力（LTGAT）模型，作为一种先进的、高效的确定性路由加速器框架，用于资源受限的非地球环境中的延迟容忍网络（DTN），它在高度精确的预定接触计划上运行。LTGAT架构结合了时间图框架与双头图注意力网络（GAT）和门控循环单元（GRU），并得到了高效的编码-解码流程的支持。评估
CRediT作者贡献声明
Dalia I. Elewaily：撰写——原始草稿、可视化、验证、软件、方法论、调查、形式分析、数据管理。Ahmed I. Saleh：撰写——审阅与编辑、监督、概念化。Hesham A. Ali：撰写——审阅与编辑、验证、监督、项目管理、方法论、调查、数据管理、概念化。Mohamed M. Abdelsalam：撰写——审阅与编辑、验证、监督、软件、项目管理，
