STR-Agent利用LLM优化LEO卫星网络路由
论文AI 评分 65/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
STR-Agent是一个面向LEO卫星网络的QoS感知路由框架，旨在解决自然语言请求转化为自适应路由决策的难题。该框架集成了意图感知、工具执行、经验积累与反思策略调整功能。通过构建专用感知模型与领域微调数据集，系统在Walker-Delta星座仿真中表现优异。与DQ-Dijkstra相比，端到端延迟降低60%，意图理解准确率从45.4%提升至92.45%，反思模块在600Mbps下进一步减少120ms延迟。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载解决路由适配难题
LEO卫星网络具有拓扑动态变化、链路时变及服务需求多样的特点，导致传统路由方案难以支持精细化的服务质量保障。现有研究多基于预设目标优化网络状态下的路由，却鲜少解决将非结构化自然语言服务请求转化为自适应路由决策的实际挑战。STR-Agent框架旨在填补这一空白，利用大语言模型驱动QoS感知路由，通过统一架构整合意图感知、工具执行、经验积累与反思策略调整。
核心模块与数据构建
该框架包含感知模块与反思模块。感知模块负责将自然语言请求转化为结构化路由语义，反思模块则依据实时拥塞状况与历史路由结果动态调整服务到路由策略的映射，不再依赖固定路由目标。研究团队开发了专用感知模型，并构建了针对LEO服务理解的领域特定监督微调数据集，以提升模型对特定场景的理解能力。
仿真性能表现
在Walker-Delta星座进行的仿真测试中，STR-Agent的表现显著优于传统基线方案。数据显示，与DQ-Dijkstra相比，该系统将端到端延迟降低了60%。经过监督微调后，平均意图理解准确率从45.4%大幅提升至92.45%。此外，反思模块在600Mbps的传输速率下，进一步将延迟减少了120ms，验证了LLM驱动架构在未来卫星网络中实现服务感知与自适应QoS路由的潜力。
为什么值得看
探索大模型在卫星网络路由中的实际应用，显著降低延迟并提升意图理解精度。
微调数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。