基于光谱感知的分布式预测技术，用于低地球轨道卫星网络中风险意识强的资源分配 孙浩， 吴书凡， 黄一欣

《Aerospace》：Spectral-Aware Distributional Forecasting for Risk-Aware Resource Allocation in LEO Satellite Networks Hao Sun, Shufan Wu and Yixin Huang

　　摘要：在低地球轨道（LEO）网络中，集中式的反应式编排面临着重尾流量激增的问题，这会引发信号风暴和拓扑不稳定。为了解决这一挑战，我们开发了一种针对LEO的预测性资源分配框架，该框架将频谱感知的分布预测与风险感知的分配相结合。预测模块将级联的双尺度指数移动平均（EMA）分解与直接的多步解码器相结合，以抑制自回归误差的累积。在频率域中运行的频谱惩罚机制增强了对轨道谐波的敏感性，而非均匀量化则产生了保留重尾特性的校准概率界限。在分配方面，预测标准差作为内在风险指数，并通过服务优先级放大，形成了一个明确考虑风险的能力界限。伴随的需求模型结构性地预留了固定的控制平面带宽底限，将信号传输与数据平面拥塞隔离开来。仿真结果显示，在30-105分钟的预测时段内，与最强的分布基线相比，预测模块将连续排名概率分数（CRPS）降低了多达5.9%。在300%的流量冲击下，分布式分配机制保持了最高优先级服务类别的99.99%满意度，并将控制平面溢出控制在0.05%以下。低优先级的流量通过优先级控制的压缩进行限制，每个节点的内存消耗足够低，可以在当前的卫星处理器上部署。

1. 引言
随着低地球轨道（LEO）巨型星座从设计研究进入商业服务阶段，动态编排机载资源的能力变得至关重要，以确保在几分钟内重新配置的拓扑结构中的连通性[1,2]。LEO高度的卫星大约需要九十分钟完成一个轨道周期，因此切换频繁，控制平面面临持续的重构压力。围绕集中式地面环路构建的编排方案在这种情况下表现不佳：跟踪窗口很短，遥测往返会增加不可忽视的延迟，导致反应式姿态落后于拓扑变化的节奏[3,4]。当意外的数据平面激增使共享的机载缓冲区饱和时，情况会更加恶化，因为保持连接和路由协议消息可能会被延迟或完全丢失，从而引发相邻节点之间的级联重收敛[5,6]。缓解这种反应性瓶颈的一种方法是采用主动的、基于预测的编排范式，在需求激增之前预先布置资源[7,8]。然而，在LEO网络中实现这样的范式远非易事。这些平台上的流量特征由两个耦合的周期性决定——轨道旋转和昼夜活动周期——同时表现出重尾的突发分布；这些突发的极端分位数最终会导致服务水平协议（SLA）的违反[9]。在均方误差（MSE）目标下训练的确定性点预测器会收敛到条件均值，从而平滑了编排者最需要关注的重尾峰值[10]。不确定性量化（UQ）方法试图通过产生预测区间来填补这一空白，但每种方法都有其自身的局限性。分位数回归在原则上是无假设的，但在与SLA执行相关的分布尾部观测值稀缺时，其估计方差会膨胀。 conformal预测也具有这种无假设的吸引力，但在重尾到达时产生的区间变得过宽，实际上失去了实用性[11]。参数化贝叶斯方法面临相反的困难：它们需要明确的似然形式，而LEO流量的偏斜、非高斯特性违反了这些分布假设[12,13]。因此，在非平稳轨道动态下产生能跟踪极端分位数行为的校准分布预测仍然是卫星网络文献中的一个未解决的问题。

即使假设有一个可靠的分布预测，还有一个较少研究的问题是：如何将所得的统计量转化为实际的能力决策。预测模块在调度区间时间尺度输出一个期望值和一个预测不确定性估计，但编排者必须锁定在每个区间内以数据包级别发生的确定性带宽分配。LEO机载处理器在严格的功率和计算预算下工作，卫星间的链接通常会将控制和数据流量复用到同一个物理通道上[14,15]。在这种情况下，突然的数据平面激增可能在没有高层调度器有机会反应之前就填满了介质访问控制（MAC）子层的受限链接层缓冲区，因此数据包和信号消息都会被不分青红皂白地丢弃。将预测不确定性转化为考虑风险的能力界限，同时在结构上保护控制平面信号，这是文献中几乎尚未开始讨论的问题。这两个开放性问题相互关联。风险感知的规模取决于一个校准的分布预测，而这种预测只有在与具体能力决策相对应时才有用。

现有研究试图通过网络编排、流量预测和资源分配来缓解LEO网络的运营困难。软件定义网络（SDN）和虚拟网络功能（VNF）编排可以协调服务提供和资源管理，从而提高动态卫星网络的适应性[2]。然而，它们的性能取决于及时的遥测收集和控制执行，这在短接触窗口和快速变化的卫星间链接下可能很难实现。因此，引入了流量预测来支持在拥塞发生前的主动资源规划[16]。然而，现有的确定性预测研究往往强调平均误差度量，因此与SLA违反相关的流量突发尾部行为可能受到有限的关注。概率预测和UQ进一步提供了未来的流量区间、分位数或分布描述[11]。这些输出仍然需要转换为带宽决策，才能直接支持机载调度。最近关于在不确定性下进行资源分配的研究还引入了与风险相关的公式，以维持LEO卫星网络的服务质量（QoS）[17]。然而，如何在为不同服务优先级设置容量边际时使用分布流量信息仍是一个需要进一步研究的问题。因此，本研究重点关注分布流量预测与LEO卫星网络的风险感知带宽规模之间的联系，其中平均负载和极端需求波动都会影响在受限机载资源下的SLA满意度。

受上述挑战的启发，本文开发了一种针对LEO的预测性资源分配框架，称为Spectral-Aware Distributional Resource Allocation（SADRA），用于处理非平稳和突发性的卫星流量。图1描述了一个代表性的星座场景，其中异构服务类别在这些限制下共享时变的卫星间链接。主要贡献总结如下：

图1. 在时变的卫星间链接上具有异构服务类别的低地球轨道星座资源分配场景。优先级等级遵循服务水平协议的严格性：对于对延迟和可靠性敏感的流量而言是高的，对于 Moderate 延迟和可靠性要求而言是中等，对于容忍延迟的流量而言是低的。我们开发了一种针对非平稳和突发性LEO流量的频谱感知分布预测方法。该方法将双尺度指数移动平均（EMA）分解适应于轨道和昼夜周期性，并结合了频谱规范化和等概率逆累积分布函数（CDF）量化，以表征卫星流量的分布特征。

与主要依赖于点流量预测的确定性分配方案不同，预测均值和标准差共同用于根据服务优先级计算带宽边际，并与控制平面带宽底限结合，以在拥塞期间保护信号传输。

进行了一系列实验来评估预测性能和分配弹性，涵盖了预测准确性和校准、基于优先级的分配以及不同星座配置的伸缩性。

本文的其余部分组织如下：第2节回顾了关于LEO网络编排、流量预测、概率预测和资源分配的相关研究，并明确了本研究在文献中的位置。第3节介绍了用于捕捉周期性变化和突发性流量的频谱感知分布预测模型。第4节描述了如何将预测均值和标准差转换为针对拥塞LEO链接的优先级感知带宽分配。第5节报告了数值实验，并讨论了在代表性星座设置下的预测和分配结果。最后，第6节总结了主要结论并概述了未来的工作。

2. 相关工作
关于LEO资源管理的研究通常从两个互补的角度来解决分配问题：制定跨服务类别的能力编排，以及通过时空模型预测潜在的流量需求[18]。

2.1. 动态资源编排
通过SDN和网络功能虚拟化（NFV）实现的卫星网络切片通常被视为一个非确定性的多项式时间难题（NP-hard）联合优化问题[19]。依赖于凸松弛或混合整数线性规划（MILP）的精确求解器原则上可以保证全局最优性；然而，它们的最坏情况复杂度随着二进制决策变量的数量而呈指数增长，当机载调度截止时间紧张时变得不切实际。遗传算法和蚁群优化等元启发式方法在可控的每次迭代预算内运行，但它们收敛到可行解决方案所需的时间难以提前预测，而且所得的分配存在最优性差距，不能正式保证在每个调度实例中满足物理硬约束。这两类限制缩小了这些方法在LEO拓扑所施加的紧密机载调度截止时间下的适用性。

鉴于这些可伸缩性问题，一些最近的研究转向了基于预测输入的封闭形式分配方法[14]。分布式控制也引起了越来越多的兴趣，有几项提议针对跨单元的切片资源协调[20]和带宽与计算的联合分配[21]，以及在巨型星座网络中的强化学习驱动的分布式路由[22]。除了这些分析方法之外，基于学习的调度策略也被探索为一种适应时变服务需求的方法，而无需在每一步都解决明确的优化问题[23,24]。此外，数字孪生（DT）辅助框架在将分配决策提交给实际网络之前，构建了星座的虚拟副本，从而在离线吸收了大部分预测不确定性[25]。这两种基于学习的策略和辅助孪生策略在中等负载下提供了强大的适应能力，但它们都没有明确解决当总需求超过物理链接容量时如何保护控制平面信号的问题。在每跳QoS执行仍然有限的LEO平台上，需要在切片准入阶段引入主动的容量预留，以在流量激增期间结构上保护信号带宽。

相关的工作在明确的需求不确定性下制定了切片问题。随机网络演算推导出了支持概率服务保证的分析延迟和堆积界限[26]，而带有机会约束的编程将SLA目标表示为概率容量约束，并通过Bernstein或条件风险价值（CVaR）近似将其重新表述为凸程序[17]。鲁棒优化在指定的不确定性范围内对冲最坏情况的需求，并已应用于时变拓扑下的LEO切片准入[27]。对于中等问题的维度，这些公式可以在当前的处理器上运行；然而，它们的每个间隔解决时间随耦合切片和约束的数量而增加，当机载调度窗口以秒为单位且能源预算非常紧张时，使得在线执行变得困难。第4节中推导出的封闭形式分配通过将预测标准差直接转换为容量界限，绕过了这种求解器的依赖性。

2.2. 流量预测和不确定性量化
经典的时间序列方法，如自回归积分移动平均（ARIMA）[28]和马尔可夫调制泊松过程[29]，依赖于平稳性和短范围依赖性的假设；在轨道周期性和切换引起的负载变化下，这些假设都不成立。通过放宽线性约束，深度序列模型如长短期记忆（LSTM）网络和门控循环单元（GRU）模型[30]在突发流量轨迹上实现了更高的准确性。后续研究引入了时空图架构，它们联合建模了星座节点之间的时间动态，在离散的拓扑快照下捕获每个节点的负载变化[31,32]。最近，先进的Transformer设计——PatchTST[33]和多尺度混合策略[34]——将子序列片段视为令牌，并在多个时间分辨率上融合信息，扩展了在长时域基准上的点预测能力。为了对抗MSE优化模型表现出的频谱偏差，一些研究人员转向了频域表示；通过对傅里叶谱的差异进行惩罚，已经显示出对周期元素（如轨道谐波）和瞬态突发的显著敏感性[35]。尽管如此，大多数时空模型仍然将其输出限制在确定性点估计上，未解决未来需求的分布性质。

与此同时，越来越多的工作集中在将不确定性量化（UQ）整合到时间序列预测中。代表性技术包括分位数回归[36]、高斯过程、贝叶斯神经网络和conformal预测[37]。通过最小化连续排名概率分数（CRPS）或能量分数等评分规则，模型可以被引导输出完整的预测分布，而不仅仅是简单的点摘要[38]。在这些技术中，贝叶斯神经网络和高斯过程通常嵌入了可能不适用于重尾残差的参数化似然假设。分位数回归和共形预测相比之下不需要分布假设；然而，在对SLA执行最关键的极端分位数水平上，分位数回归受到数据稀疏性和分位数交叉不稳定性的影响，而共形预测在重尾到达情况下产生的区间会无信息地变宽[12,13]。综上所述，与预测性LEO资源分配最相关的研究可以围绕两个紧密相关的主题组织：在有限的卫星容量下的资源协调和非平稳需求下的流量预测。由于预测性分配结合了这两个方面，表1总结了两个组中的代表性方法家族：资源分配方法和流量预测方法。这些类别反映了每个组的主要建模视角；实际上，一些研究可能结合了多种视角。表1. LEO流量预测和资源分配的代表性方法比较。表1显示，现有方法在资源分配和流量预测方面取得了实质性进展，但在需求快速变化的LEO资源分配中，它们的集成仍然有限。在分配组中，优化和启发式方法主要解决可行性和可处理性问题，基于学习的方法在 có ?? b? d? li?u hu?n luy?n thì具有更大的适应性，而考虑不确定性的公式引入了概率或最坏情况下的服务考虑。然而，它们的实际性能可能取决于重复优化、训练泛化、分布假设或规定的不确定性集。在预测组中，点预测方法提供了有用的需求估计，而概率预测方法进一步描述了不确定性；然而，它们与动态LEO网络中计算上可行的资源分配的连接仍然有限。这些观察表明，LEO资源分配研究仍有必要更紧密地将流量预测与不确定性信息联系起来，以便在不牺牲计算可行性的情况下减轻由需求激增、预测错误和反复的拓扑变化引起的应用困难。因此，在动态卫星图中实现校准的分布输出和重尾鲁棒性仍然是LEO资源分配中的一个开放问题。

3. 光谱感知分布预测
考虑一个由N个卫星节点通过时变星际链路（ISL）图连接的LEO星座。在每个时间步骤t，聚合的节点流量显示出在两个尺度上的耦合周期性：轨道周期和昼夜周期[8]。多尺度时间混合[34]可以处理这种非平稳性；然而，在MSE下训练的点预测器会收敛到条件均值，从而减弱重尾峰值。

为了克服这一限制，SADRA分为三个阶段：使用独立通道的交错骨干网络进行时间解耦，通过频域中的光谱惩罚进行正则化，以及结合置信度加权的等概率离散支持集映射和分布融合。图2显示了完整的架构。

3.1 双分支骨干网络和时间分解
我们通过级联的双尺度EMA方案将观察到的流量分解为三个组成部分。设表示给定节点的历史流量序列，其中是特征维度，是回望窗口。

在之前的单尺度分解设计的基础上，我们的方法进一步利用了LEO流量同时受到两个不同物理周期支配的先验知识：由地球自转决定的昼夜周期min，以及从系统工具包（STK）轨道传播获得的每个星座特有的轨道周期。级联分解的形式如下：
(1) 平滑因子直接与物理周期相关，而不是作为自由超参数处理。遵循标准的EMA窗口平滑关系：
(2)
(3) 其中是采样间隔。对于周期为min、高度为1015公里、卫星数量为298的中等规模星座，可以得到和。这里，昼夜趋势捕捉到缓慢演变的地面需求模式；轨道分量隔离了由覆盖变化引起的周期性振荡；残差代表导致SLA违规的主要重尾突发流量。有了这些，昼夜分支有效地作为一个低通滤波器，跨越多次旋转并跟踪日尺度上的基线漂移，而由覆盖驱动的快速动态则被和突发残差吸收。

在这种分解下，交错双分支骨干网络并行处理两个尺度。轨道和突发残差被连接起来，分割成固定长度的片段，并通过轻量级卷积流进行编码，而昼夜趋势通过线性投影进行处理。尽管两个分支具有相同的架构，但它们保持独立的参数，每个分支在不同的支持集上输出一个离散概率分布。为了在许多服务类共享同一卫星时保持每个节点的计算量可管理，骨干网络采用了具有独立通道的策略：每个流量特征被视为单变量输入，从而避免了跨通道注意力带来的二次成本[8]。

在这项研究中，我们遵循既定的直接多步预测范式，简称为非迭代直接映射（NDM），以规避长时间范围内的自回归误差累积。设和分别为昼夜和残差流的相应回望窗口。每个未来的步骤h由一个专用解码器头预测，该解码器头输出其分支特定支持集上的概率向量，或：
(4) 其中是结构内步骤h的解码器头，具有独立通道，将概率质量分配给每个区间；交错分支，对应于的间隔，采用相同的架构但参数独立。通过直接预测每个时间步骤，该公式避免了误差累积。

3.2 光谱惩罚
仅在校验域中定义目标的神经网络在梯度下降过程中会发展出对低频成分的固有光谱偏差。因为突发残差集中了驱动SLA违规的瞬态能量，这种偏差在高频带最为有害，那里存在严重的流量峰值。

为了对抗这种效应，我们在频域中加入了一个称为光谱惩罚的正则化器，借鉴了频域中的最新损失设计[35]。设表示一维离散傅里叶变换（DFT）。惩罚衡量预测和真实动态成分的光谱幅度在奈奎斯特频率以下的分散程度：
(5) 其中提取光谱幅度。为了在训练过程中结构上保留与严重瞬态突发相关的高频能量，输入DFT的确定性序列通过离散支持集质心的可微软 Argmax 操作提取。因此，来自的梯度通过预测分布的概率加权质心流动。序列在频率上的DFT系数为
(6) 注意，中的求和从开始，排除了零频率分量。通过进行归一化，保持惩罚对预测时间长度不变。因为在进行级联EMA减法后保留了接近零的均值，且零频率区间已经被排除，因此主要的光谱泄漏源被抑制，无需应用额外的窗口处理。

3.3 量化和分布融合
为了用分类输出近似连续的条件分布，必须将流量域映射到一个有限的区间集合。因为均匀分箱在尾部提供的分辨率较差，我们从训练流量分布的逆CDF构建了一个非均匀支持集。

设M表示由边界点界定的区间数量。这些边界的选择使得每个区间携带相等的概率质量，这种安排被称为等概率量化。主要的支持集因此是。

逆CDF和由此产生的区间边界都是仅从训练数据中计算得出的，这防止了数据泄露。由于流量统计随轨道纬度和服务类别而变化，因此区间不是全局共享的；相反，每个卫星独立地为每个节点和类别校准自己的支持集和，从而适应空间异质性，而无需任何集中重新校准步骤。

每当真实流量值接近区间边界时，概率质量可能会泄漏到相邻的区间，扭曲重建的期望值。为了明确减轻这种边界效应，我们引入了第二个交错的支持集，其边界偏移到主要区间的中点：
(7) 这些M个中点划定了交错区间，从而产生了。通过这种方式交错区间，可以减少区间边缘的最坏情况离散化误差，并且组合系统可以用适量的区间近似连续分布，如图3所示。

图3. 等概率量化和交错支持集。逆CDF移位产生具有相等概率质量的区间；几何交错减少了边界离散化误差。完整的训练目标结合了负对数似然（NLL）和光谱正则化器：
(8) 其中通过在验证集上使用网格搜索选择。

来自两个交错分支的输出被融合以构建一个经验CDF。两个分支的分布不会被合并成一个单一的期望值；相反，每个节点计算一个根据两个分支概率质量加权的累积和。设和分别为主要和交错支持集的softmax标准化的概率向量。融合权重定义为主要分支的归一化峰值概率：，这会给更精确、即更有信心的分支赋予更大的权重。然后在流量量y处评估的融合经验CDF为
(9) 其中和识别包含y的支持区间顺序索引。

为了提取封闭形式的矩，所有和区间的质心被收集到一个排序的联合体中。每个质心继承了由分支置信度加权的概率质量：
(10) 预测期望和方差随后随之而来：
(11) 其中是区间m的质心，是融合的概率质量。在这种公式中，用于容量大小确定的点预测，而量化了内在的预测不确定性。第4节描述的风险意识分配机制使用其平方根作为每个服务类的内生风险指标。因为分配器每重新计算这些矩，这意味着调度间隔与预测采样间隔匹配，因此每个资源分配决策都是基于最新的分布输出。

根据最新分布输出来条件化分配决策的实际价值在于它为每个服务类提供的配对估计：近期需求和预测不确定性。需求估计代表了下一个调度间隔期间预期的标称负载，而标准差总结了与突发和重尾到达相关的短期变化。在LEO卫星节点中，这种区分很重要，因为流量激增可能在控制信号延迟显示拥堵之前增加共享机载缓冲的压力。将配对预测输入分配器允许带宽边缘反映预期负载和流量波动，从而在机载容量受限的情况下减轻资源分配的压力。

4. 风险意识资源分配
根据第3节的分布预测，每个卫星节点接收预测期望和方差，如方程(11)所定义的，用于每个活动的服务类。将这些分布轮廓转换为确定性容量决策需要一个机制，该机制(i)量化预测中嵌入的内在风险，(ii)将该风险映射到按服务优先级缩放的带宽边际，以及(iii)在总需求超过机载链路容量时压缩分配。在传统的LEO配置中，地面站协调网络[4]，延迟的控制平面调整会导致数据激增耗尽共享的机载缓冲，导致信号饥饿和拓扑不稳定[39]。本节的其余部分制定了一个自主分配流程，消除了对地面环路干预的依赖。

4.1 风险意识容量调整
对于给定卫星节点上的每个活动服务类k，方程(11)中提取的预测标准差作为内生风险指标，量化了当前调度间隔内即将到来的流量强度的残余不确定性。在重尾到达的情况下，条件方差超过了高斯模型所预测的，因此仅基于期望的分配为极端激增留下了不足的边际。因此，我们通过增加与预测不确定性成比例的边际来构建一个风险意识容量上限：
(12) 其中是一个根据服务类k的SLA优先级校准的风险放大因子。设置较高的边际可以扩大安全边际，从而降低实际流量超过提供容量的概率，代价是较低的带宽利用率。表2列出了不同的服务优先级水平的代表性风险放大因子。方程（12）明确了预测标准差的作用：对于两个具有相同优先级的服务类来说，预测不确定性较高的类会自动获得相对更宽的带宽边际。这种基于不确定性的调整是分布式预测提高资源效率的主要机制，相较于点预测而言。分布式预测在调度间隔时间尺度上运作，以确定每个类的服务速率。在每个间隔内，这个速率作为固定参数来控制数据包级别的动态：适当校准的预测标准差确保分配的服务速率有很高的概率超过间隔内的平均到达速率，从而降低了持续排队积累的风险。子间隔内的突发流量由板载输出缓冲区吸收。在200 Mbps的出口速率下，16 MB的缓冲区大约在0.64秒内被耗尽；然而，考虑风险后的速率已经预留了高于预测平均值的标准差，因此缓冲区只需吸收瞬时速率短暂超过该值的残余突发流量。宏观尺度上的预测不确定性通过标准差衍生的边际来处理。

4.2. 伴随需求建模
对于每个类，总资源预算通过线性伴随关系将动态数据平面需求（已经按照风险边际进行了缩放）与静态控制平面预留结合起来：
（13）
这里，是负载开销系数，它反映了服务类k在VNF处理后每单位流量需求所消耗的有效链路带宽；该系数是从VNF链规范中离线获得的。项是控制平面底限：由VNF心跳、协议确认和链路层保持活动消息生成的确定性聚合信号速率。每个项都以链路层吞吐量单位表示，单位为Mbps。
控制平面底限不是一个可调的超参数；它是直接从实例化VNF的信号配置中得出的。因此，其值仅随服务类的VNF组成变化，不需要进行敏感性调整。在本研究中评估的配置中，的范围是从每类0.2到0.5 Mbps，这包括了VNF心跳间隔1秒、每流协议确认以及与类成比例的节点级保持活动流量。在下面描述的基于优先级的压缩过程中，这一固定约束结构上将控制平面信号与数据平面竞争隔离开来。

4.3. 按优先级进行的分布式压缩
每当满足条件时，每个卫星都会运行一个本地比例压缩程序。每个服务类都有一个整数优先级索引，其中较大的优先级表示较低的SLA优先级，即最高优先级类对应于索引最大的类。服务类首先按照优先级降序排序。
过载解决被构建为一个具有硬性预留约束的字典顺序分配问题：带宽逐层减少，从最低优先级层开始向上进行，受到以下条件的限制：
（14）
其中第一个约束限制了聚合链路带宽，第二个约束确保每个类的控制平面底限得到保留。
在每个调度间隔内，板载分配程序执行一个完整的风险感知主动资源分配程序：它首先从分布式预测中提取预测期望值和风险索引；然后使用特定于每个类的放大因子计算风险感知容量上限；接着通过方程（13）中的伴随关系形成解耦的预算；最后，当聚合需求超过时，应用基于优先级的比例压缩，严格保持控制平面底限。
设表示当前正在被处罚的层级，即压缩期间最低优先级的层级。数据平面降尺度因子由剩余容量决定：
（15）
如果剩余容量不足以维持当前层级的任何数据平面流量，则该层级完全耗尽，算法会升级到下一个被占用的优先级级别。在所有层级都已降到其控制平面底限的极端情况下，算法以仅提供底限的分配结束；这意味着聚合信号开销本身超出了物理链路容量——这是在网络设计阶段需要解决的配置错误。

优先级排序主导了时间复杂性，使得每个节点在每个调度间隔上的总体最坏情况复杂度为，完全在当前板载处理器的计算预算范围内。
在这个复杂度界限之外，每个卫星节点执行的程序旨在通过预测衍生的容量边际和基于优先级的压缩来缓解资源分配困难。不确定性缩放的边际将较大的预测标准差转化为在过载完全发生之前的额外缓冲空间，因此容易产生突发流量的服务会获得超过名义需求的边际。如果聚合需求超过了可用链路容量，基于优先级的压缩规则会首先对低优先级流量应用更强的压缩，以限制在高优先级流量竞争期间的影响。结合伴随需求模型中的最小控制平面预留，这些步骤在受限的板载资源内调整带宽，而不完全依赖于延迟的地面环路反应。

5. 性能评估
5.1. 仿真设置和流量生成
仿真环境集成了STK用于确定性轨道传播和视距（LoS）可见性分析，以及一个NetworkX图层，用于构建时变邻接矩阵。流量迹线定期采样。为了验证可扩展性，考虑了三种星座配置，详细信息见表3。除非另有说明，下面展示的结果对应于中等规模的主体星座。表3. 仿真卫星星座配置。使用基于三个核心组件的联合空间和时间流量生成器合成自相似流量迹线：
空间需求模型：需求基于从STK标准对象数据库（SOD）中提取的实际地面站坐标。在每个时代，一个节点的聚合需求与其覆盖范围内的可见站密度成比例变化，这个数量在轨道周期内随着覆盖范围跨越不同密度区域而波动。
日变化概况来自测量：缓慢变化的日常活动模式来源于GéANT欧洲骨干流量矩阵[40]。这些矩阵被平均处理，通过周期性样条重新采样，并根据本地经度移位以考虑全球时区差异。
随机突发层：通过将独立的Pareto分布的开/关源复用到基线上，引入heavy-tailed（重尾）突发流量，产生具有自相似性和高Hurst指数的流量。
通过具有事件粒度的SimPy排队层评估在拥塞下的SLA韧性，该层在数据包层面验证带宽分配决策。由于分配算法在每个卫星上独立运行，因此排队层在卫星级别为数据包级别验证而实例化，SLA统计是在多个蒙特卡洛流量场景上平均得出的。这些重复的场景评估了训练有素的预测到分配流程在独立生成的流量突发和数据包级别排队实现下的运行鲁棒性。得到的分散值量化了在线分配器在与在线资源管理最相关的流量和排队变化下的行为。
每个下行端口都有一个按优先级划分的输出缓冲区，其大小为带宽延迟产品的几倍，完全在当前辐射合格处理器的板载内存容量范围内。每个调度间隔，预测模块输出，分配器从中计算并配置每个类的服务速率。在每个间隔内，服务速率保持恒定；数据包以微秒级别到达，并以分配的速率提供服务，缓冲区吸收子间隔内的突发流量。这种设置可以验证从预测标准差得出的风险边际是否转化为在实际数据包动态下的有效队列稳定性。

5.2. 流量预测性能
SADRA的预测性能与表4中列出的五个基线进行了基准测试：ARIMA、LSTM-GAN[30]、TimesNet[34]、PatchTST[33]以及用pinball损失重新训练的PatchTST-QR。表4. 在中等规模配置下不同预测范围内的预测性能比较。所有流量迹线都通过训练集的最小值和最大值进行了归一化；MSE、MAE和CRPS以相应的无量纲单位给出。CRPS仅针对产生分布式输出的方法显示；仅产生点估计的基线用标记。对于ARIMA，预测分布是根据标准做法从高斯残差构建的。对于选定的采样间隔min，结果在三个预测范围内显示，分别对应于个预测步骤。每个步骤产生一对，协调器用这些数据进行容量调整，因此60分钟的范围提供了12个调度周期的前瞻能力。MSE和平均绝对误差（MAE）衡量点预测的准确性，而CRPS评估分布校准：
（16）
如表4所示，ARIMA在所有范围内产生的误差最高。在输出确定性点估计的模型中，PatchTST在min时达到最低的MAE。TimesNet通过自适应分析多个周期性，在LSTM-GAN和PatchTST之间排名；其通用周期核部分捕捉了轨道动态，但没有捕捉到物理周期先验所提供的目标分解。PatchTST-QR通过分位数回归提供分布式输出；其CRPS低于LSTM-GAN，但在所有范围内仍高于SADRA，仅部分解决了重尾校准问题。SADRA在所有三个范围内都实现了最低的CRPS，并在60分钟范围内保持MSE和MAE的一致改进。Diebold–Mariano（DM）测试将SADRA与最强的基线进行了比较，确认了统计上的显著改进。表5展示了隔离每个组件贡献的消融研究。图4比较了SADRA和确定性基线在24小时流量周期内的预测轨迹。图4. 24小时流量周期内的预测轨迹比较。阴影区域表示SADRA的预测区间。如图4所示，SADRA产生的预测轨迹在整个24小时周期内追踪了非平稳的流量突发。在快速流量膨胀期间，确定性基线PatchTST显示出明显的幅度平滑，而SADRA保持了高频波动性，而没有引入人为滞后。伴随的阴影预测区间根据局部不确定性调整其宽度，包围了突发峰值；然后下游资源分配消耗了由此产生的上限边际。
表5展示了在min时的两种消融变体。在第一种变体中，我们将其光谱惩罚权重设置为零，并仅使用NLL重新训练模型。在第二种变体中，我们用单一的可学习移动平均核替换了物理EMA。移除后，CRPS增加，因此频域正则化器对校准的贡献显著超过仅使用NLL训练的情况。用单一的可学习核替代物理导出的EMA提高了MSE和MAE，突出了将分解锚定到已知轨道和日变化周期的好处。

5.3. 分配和韧性
利用预测模块提供的预测矩，我们计算风险感知容量上限（如方程（12）中所定义的），将其输入到伴随需求模型（方程（13）中，并在过载时触发比例压缩。性能是在多个蒙特卡洛流量场景下平均得出的，这些场景在瞬时300%的流量冲击下进行测试。如果一个服务类同时满足延迟和吞吐量目标，则认为它满足了其SLA。使用三个基线进行比较：确定性标量分配，仅使用条件和；静态最大预留，预留峰值历史带宽；以及没有控制平面底限的风险边际。
在标量策略下，由于条件均值系统性地低估了重尾极端情况，SLA满足度在突发期间下降到72%。静态预留避免了这种不足，但通过空闲带宽浪费了40%的容量。在没有控制平面底限的情况下，风险边际策略实现了高SLA满足度，但在拥塞高峰期间仍会遭受控制平面数据包丢失。SADRA结合了基于不确定性的风险边际和保证的控制平面底限，为最高优先级类保持了99.99%的SLA满足度。中等优先级的流量在冲击瞬态期间通过算法1中描述的比例压缩机制保持了95%以上的满足度。图5说明了当从0.5变化到3.5时得到的权衡。算法1. 风险感知主动资源分配
输入：预测矩、风险因子、优先级、开销系数、底限、容量
输出：调整后的最终分配
1: 对于每个服务类
2:
3: 对于每个服务类
4:
5:
6: 如果，则
7: 返回
8: 按优先级对服务类进行排序（降序）
9:
10: 当
11:
12:
13: 如果，则
14: 通过比例压缩更新层的
15: 中断
16: 否则
17: 对于层中的所有k
18:
19: 如果不存在这样的k，则中断
20: 返回

图5. 通过风险放大因子调整的带宽利用和SLA满足度之间的权衡。控制平面溢出保持在0.05%以下，防止了保持活动数据的丢失。作为对比，没有底限保护的基线在300%冲击期间的峰值溢出为3.2%。先前的拓扑分析表明，在这种水平上持续的保持活动（keepalive）丢失可能会导致相邻节点之间的级联重新收敛[39]；在测试条件下，下限保障（floor guarantee）可以防止这种故障模式的发生。在极端过载情况下，数据平面队列仍可能经历数据包丢失，因为压缩算法有意减少了数据平面的数据分配；而下限保护仅适用于控制平面流量。随着某个参数（未明确指明）的增加，最高优先级类别的SLA满意度从72%上升到99.99%，同时带宽利用率从91%下降到76%，因为设置了更宽的基于不确定性的安全边际。即使该参数在各个服务类别中保持不变，具有更高预测不确定性的类别也会自动获得比例更宽的带宽边际；这与点预测不同，分布式预测通过这种方式根据风险主动区分资源分配。在所有测试配置中，一旦该参数达到一定值，控制平面溢出率始终低于0.05%，表明在所检查的条件下下限保护是有效的。如前所述，控制平面的下限直接来源于实例化VNFs的总信令速率，并且仅随服务类别中VNF的组成而变化，因此不需要进行敏感度调整。

可扩展性通过三种星座大小进行了评估。表6报告了蒙特卡洛流量场景下的平均值和标准差。在较大规模下，由于拓扑动态的加剧和频繁的手动切换（handover），MSE（均方误差）略有增加，这增加了预测任务的复杂性。表6展示了不同星座大小下的可扩展性（最小值，300%流量冲击情况）。数值以蒙特卡洛流量场景下的平均值±标准差的形式呈现。低优先级SLA列反映了在极端过载情况下，通过比例压缩对外部数据平面的有意限制。模型训练在GPU工作站上离线进行。每个服务类别被视为具有独立通道的单变量序列，每个节点的推理成本为某值（未明确给出具体数值），其中T是预测范围，M是支持集的分箱数。算法1中的优先级驱动压缩仅增加了额外的计算成本。这种每个节点的多项式复杂性与基于MILP（混合整数线性规划）的集中式协调方式形成对比，后者的复杂度随二进制分配变量数量的增加而呈指数级增长，因此在严格的机载调度截止时间内不可行。除了渐近复杂性分析外，我们还在Intel Core i5-14600KF处理器上仅使用CPU的实现测试了预测-分配更新的端到端运行时间。一次完整的在线更新需要39.7毫秒，并占用23.66MB的内存。由于模型训练与在线阶段分开进行，这些测量结果表明预测-分配更新可以在本研究中考虑的调度循环内执行。

第5节报告的比较结果显示，预测和分配性能都有所提升。SADRA的预测误差低于选定的确定性预测和分布式预测基线，在测试范围内CRPS（的平均绝对百分比误差）最低。消融实验进一步表明，光谱正则化和基于物理的EMA分解都对预测性能有所贡献。在分配实验中，提出的基于不确定性的边际和控制平面下限改善了在测试流量冲击下的服务保护，同时测量的更新成本与基于间隔的调度兼容。

6. 结论

LEO（低地球轨道）网络中的确定性点预测依赖于条件均值估计，因此在捕捉重尾流量激增时存在困难。在本文中，我们为卫星网络开发了一个特定于LEO的预测资源分配框架。该框架通过基于物理的、考虑光谱特性的分布式预测来描述突发性的LEO流量，并将由此产生的预测不确定性纳入到依赖于优先级的容量边际中，同时保留固定的带宽下限以保护控制平面信号传输。通过将预测不确定性纳入容量规划，预测结果可以直接用于机载资源分配。与其他分布式基线相比，预测组件将连续排名概率分数（Continuous Ranked Probability Score）降低了多达5.9%，同时分配机制在模拟的300%流量冲击下保持了99.99%的SLA满意度，并将控制平面溢出率控制在0.05%以下。

在未来的工作中，所提出的框架可以通过紧凑的风险指标和剩余容量信息交换来扩展到卫星间的协调。由于预测模型和分配规则通过紧凑的分布式统计量表达，这种扩展可以在支持卫星间的协调分配的同时保持高效的决策结构。通过测量到的LEO流量轨迹，可以为在运营流量条件下评估扩展框架提供以部署为导向的基础。