非地上系ネットワーク トラフィックのモデル化

NTN トラフィック モデリングの目的の定義

堅牢な NTN トラフィックモデルは、ユースケースとユーザーの期待に合わせた明確な設計上の目的を定義することから始まります。NTN 関連のサービスタイプとして enhanced mobile broadband (eMBB) と massive machine type communications (mMTC) があり、それぞれに個別の要件があります。

• eMBB はスループットとカバレッジに重点を置き、衛星リソースの効率的な使用を必要とします。
• mMTC は、可変レイテンシを許容しながら、デバイス密度に合わせて拡張します。

この段階での主な焦点は、ネットワーク アーキテクチャ、カバレッジ、およびキャパシティです。サービス レベル アグリーメント (SLA) は、ネットワーク設計よりもネットワーク運用との関連性が高く、モデリングプロセスにおいて重視する必要はありません。

レイテンシ、スループット、ジッター、管轄区域ごとのルーティング要件などの主要な設計パラメーターが、トラフィックのスケジューリング、キャパシティ設計、パフォーマンス検証の基礎となります。国固有のルーティング規則など、地域の規制上の義務を組み込むことで、3GPP Release 17、18、および 19 への準拠が確保されます。目標値の簡潔な参照表は、チームが設計プロセス全体を通じて、モデルの出力を想定されるサービス動作に合わせるうえで役立ちます。

NTN トラフィックモデルの入力データの収集

シミュレーションを行う前に、実際のネットワーク動作とトラフィック需要を取得するために必要なデータを収集します。必須のデータセットは次のとおりです。

• 衛星エフェメリスデータ: 経時的な衛星位置の正確な予測を可能にする軌道パラメーター
• ゲートウェイと地上局の場所: リンクバジェットの算出およびバックホールの可用性評価用
• RAN 測定値: 信号強度、スループット、および干渉データ
• リンクバジェット: 送信機電力、アンテナゲイン、大気損失を考慮
• ポリシーと運用データ: デバイス認証、優先順位設定、ネットワーク間の調整を含む

体系的なチェックリストを作成すると、データの完全性の確保に役立ちます。たとえば、エフェメリスと RAN データのタイムスタンプを揃えることで、一貫した時空相関が得られ、モデルのシミュレーション ホライズン全体にわたり経路とレイテンシをより高い精度で推定できます。衛星ネットワークをモデル化する際は、動的メッセージルートを確立できるように衛星軌道を正確にモデル化することが不可欠です。

衛星は地上局と互いを基準に移動するため、ネットワークのトポロジは連続的に変化します。軌道モデルは、視界にあるのはどのノードか、どのようなリンクレイテンシが適用されるか、任意の時点で有効な経路はどれかを判断します。

MATLAB^® で Satellite Communications Toolbox を使用して、エフェメリスデータから衛星軌道をモデル化し、経時的に軌道を伝播して、動的ルート計画の基盤となるリンクバジェット計算を実行できます。Aerospace Toolbox は、正確な軌道伝播に必要な追加の座標変換と大気モデルによってこの手法を補完します。軌道伝播の手順を確認するには、Aerospace Toolbox の例を参照してください。

NTN トラフィック モデリングでのレイテンシの考慮

レイテンシは、NTN モデリングにおける基本的な設計パラメーターであり、ユーザー エクスペリエンスの重要な要素です。NTN では、レイテンシは主に衛星の高度と伝送経路ダイナミクスによって決定されます。下の表は、LEO、MEO、および GEO システムの標準的なラウンドトリップ遅延と代表的な応用分野を示しています。

モデル化を行う際は、アップリンクおよびダウンリンクのレイテンシ コンポーネントを個別に含めて、衛星ハンドオーバーや GNSS の再捕捉時に発生する可能性がある信号の中断を考慮します。レイテンシの変動性を組み込むことで、トラフィックモデルは輻輳や再ルーティングの発生時にも、現実に即した性能予測が可能になります。これらの重要な側面は、NTN の定義の拡大、成熟に伴い、3GPP Release 17、18、および 19 にわたって対処されてきました。

NTN ネットワークモデルの作成とシミュレーション

物理、モビリティ、および RF モデルの統合

正確な NTN モデリングでは、物理、モビリティ、RF という 3 つの視点を組み合わせます。

1. 物理モデルは、衛星-地上間チャネル固有の電波伝搬、ドップラーシフト、およびフェージングをエミュレートします。
2. モビリティ シミュレーターは、衛星の軌道とユーザーの動きを追跡し、ハンドオーバーなど、イベント駆動型の遷移を処理します。
3. RF モデルは、正確なリンクバジェット予測に役立ちます。このモデルは、NTN リンクを閉じるために不可欠なフェーズド アレイ システムを設計するうえでも非常に重要です。

MATLAB と Simulink^® を使用して、衛星軌道を仮想的に伝播させ、ドップラーシフトを計算し、信号にフェージングを適用し、RF チェーンにおける損失を計算して、RF 信号に対する非線形性の影響を評価できます。適切な出発点として、リンクレベルのシミュレーションのための Satellite Communications Toolbox の例と、軌道力学および座標系変換のための Aerospace Toolbox の例があります。

動的ルーティングへの AI/ML の適用

NTN トポロジは衛星の移動によって継続的に変化するため、静的ルーティングテーブルはすぐに古くなります。変化するネットワーク状態にリアルタイムで適応する動的ルーティングテーブルを確立・維持するために、AI と機械学習アルゴリズムの適用が進んでいます。

NTN 動的ルーティングに特に効果的なものとして、いくつかのアルゴリズムファミリが登場しています。

• 強化学習 (RL): 深層 Q ネットワーク (DQN) エージェントと近傍方策最適化 (PPO) エージェントが、シミュレーションされたネットワーク環境と対話することで、最適なルーティング方策を学習します。エージェントは、リンク状態、キュー深度、予測される衛星位置を観察してから、エンドツーエンドのレイテンシやパケット損失を最小化するネクストホップの決定を選択します。これらの手法は、トポロジの変化が 1 分未満のタイムスケールで発生する LEO メガコンステレーション シナリオで実証されています。
• グラフ ニューラル ネットワーク (GNN): 衛星ネットワークは自然に時変グラフとして表せるため、GNN ベースのルーターはノードとエッジの特徴 (リンク容量、ドップラーシフト、仰角) を符号化して、グラフ上で最適な経路を予測します。GNN は未知のトポロジに対しても適切に汎化するため、まだ展開中のコンステレーションにとって魅力的です。
• 連合学習: 大規模なコンステレーションでは、学習データを一元化することは、レイテンシと帯域幅の制約から現実的ではありません。連合学習では、個々の衛星や地上局が、ローカルのルーティングモデルの学習を行ってモデルの更新のみを共有できるため、生のテレメトリを一元化することなく、グローバルに改善されたルーティング方策を生成できます。
• 予測的ハンドオーバーと事前ルーティング: 時系列予測モデル (LSTM、Transformer ベース) は、軌道力学と過去のチャネルデータを使用して、リンク可用性と品質ウィンドウを予測します。衛星が地平線上に現れる前に経路が計算されるため、事後対応的な再ルーティングによる遅延がなくなります。

MATLAB は、これらのアルゴリズムの開発と検証をサポートしています。Reinforcement Learning Toolbox™ は、衛星ネットワーク環境に対して RL ベースのルーティング エージェントの学習とシミュレーションを行うために使用できます。一方、Satellite Communications Toolbox は、現実的な学習シナリオの作成に必要な軌道伝播とリンクジオメトリを提供します。実践的な出発点として、シナリオの生成と可視化の例を参照してください。

ポリシー、オーケストレーション、およびネットワーク制約の統合

ポリシー層とオーケストレーション層は、実際の制約下で NTN 内をトラフィックがどのように流れるかを制御します。ネットワーク オーケストレーションは、自動化されたポリシーを通じて、サービス品質 (QoS)、キャパシティ分布、リソースの優先順位付けを動的に管理します。

これらの制御をシミュレーション内に組み込むことで、コンプライアンスと現実性が確保されます。例としては、QoS 階層の適用、地理的ルーティング制限の適用、衛星リンクと地上リンク間のフェールオーバーのシミュレーションなどがあります。O-RAN などの標準化されたアーキテクチャを使用することで、マルチベンダーのオーケストレーション フレームワークとの整合性がさらに確保され、将来の統合や認証が効率化されます。

閉ループ監視とモデルの再学習の展開

閉ループ監視により、変化するネットワーク状態に合わせてモデルの整合性を維持できます。これらのシステムは自動的にテレメトリを取り込み、逸脱を検出し、性能のドリフトが発生した場合は機械学習 (ML) コンポーネントの再学習を行います。

閉ループワークフローには次のものが含まれます。

1. 監視: レイテンシ、ジッター、スループットなどのリアルタイムの重要性能評価指標 (KPI) を取得します。
2. 解析: 予測 ML モデルを使用して異常検出をトリガーします。
3. アクション: ルーティングの調整やモデルの再学習を自動的に行います。
4. 検証: 重要性能評価指標が、想定される設計目標に戻ることを確認します。

継続的な再学習とモデルのバージョン管理は、新しい衛星が打ち上げられたりユーザーの需要が変化したりした際に信頼性を維持するのに役立ちます。MATLAB を使用して、是正措置を推進する予測 ML モデルを作成できます。Satellite Communications Toolbox の例では、現実的な NTN シナリオに対してこれらのモデルを検証するのに適したシミュレーション環境を提供しています。

参考: Satellite Communications Toolbox、Aerospace Toolbox