通过安全迁移学习，在非地面网络中为在线服务提供维持可预测的质量保证（QoS）

《IEEE Transactions on Networking》：Maintaining Predictable QoS for Online Service Provisioning in Non-Terrestrial Networks via Safe Transfer Learning

针对LEO卫星星座动态信道条件导致的QoS问题，提出Oracle系统通过MPC预测控制与数字孪生技术实现实时信道建模，结合生成式AI框架提升模型适应性，仿真显示QoS提升3倍。

　　

摘要：

新兴的巨型星座由大量低地球轨道（LEO）卫星组成，这些卫星在全球范围内提供广泛的互联网服务，通常被视为非地面网络（NTNs）的关键组成部分。然而，LEO卫星的高移动性和有限的覆盖范围会导致频繁的切换，从而引发网络中断并降低服务质量（QoS）。尽管已经做出了许多努力来减轻切换对NTNs服务提供的影响，但这些努力通常假设信道条件是预先确定的并且在卫星移动过程中保持不变，这与实际情况不符，因此实际性能可能会比理论分析中的情况更差。在本文中，我们提出了Oracle算法，以在动态信道条件下实现QoS感知的服务提供。具体来说，我们建立了一个数学模型来描述NTNs中的动态信道条件，并提出了一个考虑切换频率和传输能力的QoS最大化问题。为了适应NTNs的动态特性，我们引入了基于模型预测控制（MPC）的控制器来预测未来的网络状态并生成相应的控制策略，并利用数字孪生（DT）技术来实时考虑网络状态。为了提高效率，我们进一步采用了基于生成式人工智能（GAI）和安全迁移学习的框架，以增强模型对环境不确定性的适应性，确保在现实世界中的NTNs中能够做出可行的控制决策。在真实星座环境下的广泛仿真结果表明，Oracle算法可以在在线服务提供过程中将QoS提高多达3倍。