基于图神经网络的组播路由技术，用于6G网络中的按需流媒体服务

《IEEE Transactions on Mobile Computing》：Graph Neural Network-Based Multicast Routing for On-Demand Streaming Services in 6 G Networks

6G无线网络中智能多播路由框架研究，提出基于图神经网络（GNN）的解决方案，结合强化学习优化多播树构造，平衡传输成本与用户定制化视频质量需求，通过LSTM建模时序依赖，GAT提取拓扑感知特征，实验验证其接近动态规划最优解且计算复杂度显著降低，具备大规模动态网络泛化能力，适用于实时6G多媒体传输场景。

　　

摘要：

在第六代（6G）无线网络中，对带宽要求较高的应用越来越多，例如实时体积流媒体传输和多感官扩展现实。这些应用需要智能的多播路由解决方案，以便能够大规模地提供差异化的服务质量（QoS）。传统的最短路径和多播路由算法要么计算复杂度过高，要么结构过于僵化，往往无法满足多样化的用户需求，从而导致资源利用效率低下。基于神经网络的方法虽然提高了推理速度，但通常缺乏拓扑泛化能力和可扩展性。为了解决这些问题，本文提出了一种基于图神经网络（GNN）的多播路由框架，该框架能够同时最小化总传输成本，并满足用户特定的视频质量要求。路由问题被构建为一个受限的最小流优化任务，并开发了一种强化学习算法，通过重用路径和适应网络动态来逐步构建高效的多播树。图注意力网络（GAT）被用作编码器，以提取具有上下文意识的节点嵌入；长短期记忆（LSTM）模块用于模拟路由决策中的序列依赖关系。大量仿真实验表明，所提出的方法能够紧密逼近基于动态规划的最优解，同时显著降低计算复杂度。结果还证实了该方法在大规模和动态网络拓扑中的强大泛化能力，凸显了其在6G多媒体传输场景中的实时应用潜力。代码可在以下链接获取：https://github.com/UNIC-Lab/GNN-Routing。