低轨巨型星座智能组网技术综述

doi:10.7527/S1000-6893.2026.32935

Abstract

Abstract:

With the rapid development of Low Earth Orbit （LEO） mega-constellation networks， satellite communication systems have become massive in scale with highly dynamic topologies， making intelligent networking a research focal point. This article surveys intelligent networking technologies for LEO mega-constellations， analyzes their networking characteristics and challenges， proposes an overall architecture for intelligent networking， and systematically reviews five key directions： service awareness and demand prediction， dynamic topology and mobility management， beam scheduling strategies， inter-satellite routing strategies， and intelligent management of multidimensional resources. First， we review methods for service awareness and demand prediction， covering traditional single-satellite approaches， AI-based single-satellite approaches， and multi-satellite collaborative prediction. Second， we discuss dynamic topology and mobility management， tracing the evolution from traditional static management to dynamic schemes oriented to multidimensional resources. Third， for beam scheduling strategies， we describe beam-scheduling methods for single satellites as well as multi-satellite cooperative beam scheduling. Fourth， we examine inter-satellite routing strategies in depth， surveying both centralized and distributed approaches. Finally， we discuss intelligent management of multidimensional resources from the perspectives of static and dynamic resource management. On this basis， we analyze the remaining challenges in intelligent networking for LEO mega-constellations， critically assess the effectiveness and limitations of current techniques， and outline future research directions.

Key words: low Earth orbit mega-constellation, intelligent networking technology, traffic awareness and prediction, dynamic topology and mobility management, beam scheduling, inter-satellite routing, management of multidimensional resources

CLC Number:

Lizeng GONG, Wenlong ZHANG, Quan CHEN, Lei YANG, Wen YAO. A survey of intelligent networking technologies for low Earth orbit mega-constellations[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(18): 532935.

Figures/Tables 14

Fig.1

Fig.2

Fig.3

Table 1

Fig.4

Fig.5

Fig.6

Fig.7

Table 2

Table 3

Fig.8

Table 4

Table 5

Table 6

References 134

[1]	ZHANG J R， CAI Y F， XUE C B， et al. LEO mega constellations： Review of development， impact， surveillance， and governance［J］. Space： Science & Technology， 2022： 9865174.
[2]	MOSHER D. Elon Musk just revealed new details about Starlink， a plan to surround Earth with 12 000 high-speed internet satellites： Here’s how it might work［EB/OL］. （2020-01-10）［2025-12-10］.
[3]	ZAK A. Russia’s love-hate relationship with OneWeb［EB/OL］. （2024-12-17）［2025-12-10］.
[4]	HARRIS M. Amazon fires up its space lasers［EB/OL］. （2023-12-18）［2025-12-10］.
[5]	ZHANG W， WU T， YAN X C， et al. Efficient topology design for LEO mega-constellation using topological structure units with heterogeneous ISLs［J］. Sensors， 2025， 25（18）： 5840.
[6]	BAI L X， MA H L， JIANG Y M， et al. GRL-RR： A graph reinforcement learning-based resilient routing framework for software-defined LEO mega-constellations［J］. Computer Networks， 2025， 259： 111089.
[7]	CHEN Y， CAO H， WANG L H， et al. Deep reinforcement learning-based routing method for low earth orbit mega-constellation satellite networks with service function constraints［J］. Sensors， 2025， 25（4）： 1232.
[8]	RIYAD A E， MOKHTAR M， BELAL M A， et al. A q-learning approach for enhanced routing in dynamic LEO satellite networks［J］. The Egyptian Journal of Remote Sensing and Space Sciences， 2025， 28（2）： 272-279.
[9]	HOMSSI B AL， DAKIC K， WANG K， et al. Artificial intelligence techniques for next-generation massive satellite networks［J］. IEEE Communications Magazine， 2024， 62（4）： 66-72.
[10]	MAO Y H， WU Y H， JU X Z， et al. Dynamic management topology construction， evolution， and maintenance of low earth orbit mega-constellation［J］. Space： Science & Technology， 2025， 5： 248.
[11]	DENG Y T， WU Q， LAI Z Q， et al. Time-varying bottleneck links in LEO satellite networks： Identification， exploits， and countermeasures［C］∥ Proceedings 2025 Network and Distributed System Security Symposium. Internet Society， 2025： 230109.
[12]	CORICI M， CAUS M， ARTIGA X， et al. Transforming 5G mega-constellation communications： A self-organized network architecture perspective［J］. IEEE Access， 2025， 13： 14770-14788.
[13]	HUANG T， FANG Z R， TANG Q Q， et al. Integrated computing and networking for LEO satellite mega-constellations： Architecture， challenges and open issues［J］. IEEE Wireless Communications， 2024， 31（5）： 92-100.
[14]	SUN Y J， DI B Y， DENG R Q， et al. On an ultra-dense LEO-satellite-based computing network constellation design［J］. Engineering， 2025， 54： 103-114.
[15]	LI Y J， LI H W， LIU W， et al. A networking perspective on starlink’s self-driving LEO mega-constellation［C］∥ Proceedings of the 29th Annual International Conference on Mobile Computing and Networking. New York： ACM， 2023： 1-16.
[16]	WU C Y， HAN S， CHEN Q， et al. Enhancing LEO mega-constellations with inter-satellite links： Vision and challenges［J］. IEEE Wireless Communications， 2025， 32（5）： 196-202.
[17]	SU Y T， LIU Y Q， ZHOU Y Q， et al. Broadband LEO satellite communications： Architectures and key technologies［J］. IEEE Wireless Communications， 2019， 26（2）： 55-61.
[18]	WANG X T， HAN X D， YANG M L， et al. Investigating inter-satellite link spanning patterns on networking performance in mega-constellations［DB/OL］. arXiv preprint： 2312.15873， 2023.
[19]	BHATTACHARJEE D， MADOERY P G， CHAUDHRY A U， et al. On-demand routing in LEO mega-constellations with dynamic laser inter-satellite links［J］. IEEE Transactions on Aerospace and Electronic Systems， 2024， 60（5）： 7089-7105.
[20]	YANG Z J， TIAN F， JIN J F， et al. Rethinking LEO mega-constellation routing to provide fast Internet access services［J］. Sensors， 2023， 23（6）： 3207.
[21]	LIU S C， GAO Z， WU Y P， et al. LEO satellite constellations for 5G and beyond： How will they reshape vertical domains［J］. IEEE Communications Magazine， 2021， 59（7）： 30-36.
[22]	CASTRO-CARRERA A. A systematic review of LEO satellite services for IoT［J］. Multidisciplinary Reviews， 2025， 8（3）： 2025083.
[23]	SHAYEA I， EL-SALEH A A， ERGEN M， et al. Integration of 5G， 6G and IoT with Low Earth Orbit （LEO） networks： Opportunity， challenges and future trends［J］. Results in Engineering， 2024， 23： 102409.
[24]	HAN C， XIONG W， YU R H. A hybrid forecasting model for self-similar traffic in LEO mega-constellation networks［J］. Aerospace， 2024， 11（3）： 191.
[25]	GOU L， BIAN D M， NIE Y L， et al. Hierarchical resource management for mega-LEO satellite constellation［J］. Sensors， 2025， 25（3）： 902.
[26]	CHEN H， YU H， ZHANG H， et al. Low Earth orbit satellite switching and recovery method based on generic congestion control algorithm［J］. Scientific Reports， 2025， 15： 25341.
[27]	SEERAM S S S G， FELTRIN L， OZGER M， et al. Handover challenges in disaggregated open RAN for LEO Satellites： Tradeoff between handover delay and onboard processing［J］. Frontiers in Space Technologies， 2025， 6： 1580005.
[28]	ZHANG S Y， LI W， WANG X T， et al. A load balance local LEO satellite network AP selection strategy［J］. International Journal of Aeronautical and Space Sciences， 2023， 24（3）： 945-954.
[29]	ZHI R X， WANG J H， XU Z. Load balancing routing algorithm for LEO satellite networks based on ant colony optimization［J］. Internet Technology Letters， 2025， 8（3）： e70031.
[30]	FENG Z T， LI B， DING H W， et al. An integrated routing and data fragmentation strategy for optimizing end-to-end delay in LEO satellite networks［J］. Ad Hoc Networks， 2025， 175： 103870.
[31]	DI H， DONG T， LIU Z H， et al. DEF-based energy consumption balancing optimization for LEO satellite networks［J］. Journal of Systems Engineering and Electronics， 2025， 36（4）： 922-931.
[32]	LIU J T. Overview of low earth orbit satellite communication systems［J］. Applied and Computational Engineering， 2025， 145（1）： 1-6.
[33]	AHMED A A. A comprehensive review of satellite orbital placement and coverage optimization for low earth orbit satellite networks： Challenges and solutions［J］. Network， 2025， 5（3）： 32.
[34]	ELHALAWANY B M， HASHIMA S， KHAN W U， et al. Next generation LEO satellite constellation networks： Opportunities， applications， and challenges［J］. China Communications， 2025， 22（6）： 207-219.
[35]	AKTAS F， SHAYEA I， ERGEN M， et al. Routing challenges and enabling technologies for 6G-satellite network integration： Toward seamless global connectivity［J］. Technologies， 2025， 13（6）： 245.
[36]	ZHU Z Y， RAO Z H， XIAO S T， et al. Intelligent routing methods for low-Earth orbit satellite networks based on machine learning： A comprehensive survey［J］. Ad Hoc Networks， 2025， 178： 103995.
[37]	YIN Z S， WU C H， GUO C B， et al. A comprehensive survey of orbital edge computing： Systems， applications， and algorithms［J］. Chinese Journal of Aeronautics， 2025， 38（7）： 103316.
[38]	FONTANESI G， ORTÍZ F， LAGUNAS E， et al. Artificial intelligence for satellite communication： A survey［J/OL］. IEEE Communications Surveys & Tutorials，（2025-02-13）［2025-12-09］.
[39]	FOURATI F， ALOUINI M S. Artificial intelligence for satellite communication： A review［J］. Intelligent and Converged Networks， 2021， 2（3）： 213-243.
[40]	KUMAR G K， SANKAR P. Artificial intelligence powered satellite communications and sentinel satellite constellations： An overview and future perspectives［J］. SN Computer Science， 2025， 6（6）： 735.
[41]	HUANG Y X， WU S F， KANG Z Y， et al. Reinforcement learning based dynamic distributed routing scheme for mega LEO satellite networks［J］. Chinese Journal of Aeronautics， 2023， 36（2）： 284-291.
[42]	FAN H L， SUN C X， WANG Z D， et al. Real-time adaptive scheduling optimization for inter-satellite contact window resources in dynamic satellite networks［J］. Expert Systems with Applications， 2024， 255： 124452.
[43]	LI B， WANG H. Improving mobility management in LEO Satellite networks utilizing Soft Actor-Critic algorithms［J］. Computer Networks， 2025， 271： 111608.
[44]	DI H， DONG T， LIU Z H， et al. Network resource allocation method based on awareness-prediction joint compensation for low-earth-orbit satellite networks［J］. Applied Sciences， 2025， 15（10）： 5665.
[45]	HE C， ZHANG Y S， KE J， et al. Digital twin technology-based networking solution in low earth orbit satellite constellations［J］. Electronics， 2024， 13（7）： 1260.
[46]	LEE J H， PARK C， PARK S， et al. Handover protocol learning for LEO satellite networks： Access delay and collision minimization［J］. IEEE Transactions on Wireless Communications， 2024， 23（7）： 7624-7637.
[47]	CHU K， CHENG S X， ZHU L D. A robust routing strategy based on deep reinforcement learning for mega satellite constellations［J］. Electronics Letters， 2023， 59（11）： e12820.
[48]	WANG R G， CHEN M H， XU L Y， et al. Multi-dimensional resource allocation for covert communications in multi-beam low-earth-orbit satellite systems［J］. Electronics， 2024， 13（17）： 3561.
[49]	WU W， HUANG X Y. Split-LEO： Efficient AI model training over LEO satellite networks［J］. Science China Information Sciences， 2025， 68（9）： 190305.
[50]	JESSICA N. Building resilient autonomous satellite networks with AI， machine learning， and cloud solutions［EB/OL］. Satellite World，（2025-07-16）［2025-08-15］.
[51]	李芷含. 卫星网络中基于流量预测的队列管理算法研究［D］. 沈阳：沈阳航空航天大学， 2022.
	LI Z H. Research on queue management algorithm based on traffic prediction in satellite network［D］. Shenyang： Shenyang Aerospace University， 2022 （in Chinese）.
[52]	NYARAMNENI S， SAIFULLA M A， SHAREEF S M. ARIMA for traffic load prediction in software defined networks［M］∥ Evolutionary Computing and Mobile Sustainable Networks. Singapore： Springer Singapore， 2020： 815-824.
[53]	MA H， YANG K， PUN M O. Cellular traffic prediction via deep state space models with attention mechanism［J］. Computer Communications， 2023， 197： 276-283.
[54]	AOUEDI O， LE V A， PIAMRAT K， et al. Deep learning on network traffic prediction： Recent advances， analysis， and future directions［J］. ACM Computing Surveys， 2025， 57（6）： 1-37.
[55]	WANG Z， HU J， MIN G Y， et al. Spatial-temporal cellular traffic prediction for 5G and beyond： A graph neural networks-based approach［J］. IEEE Transactions on Industrial Informatics， 2023， 19（4）： 5722-5731.
[56]	ZOICAN S， ZOICAN R， GALATCHI D. Terrestrial traffic forecasting using graph-based neural networks［C］∥ 2023 16th International Conference on Advanced Technologies， Systems and Services in Telecommunications （TELSIKS）. Piscataway： IEEE Press， 2023： 143-146.
[57]	ZHOU J， YANG Q D， ZHANG X F， et al. Traffic prediction method for GEO satellites combining ARIMA model and grey model［J］. Journal of Shanghai Jiaotong University （Science）， 2020， 25（1）： 65-69.
[58]	ZHU F Y， LIU L X， LIN T. An LSTM-based traffic prediction algorithm with attention mechanism for satellite network［C］∥ Proceedings of the 2020 3rd International Conference on Artificial Intelligence and Pattern Recognition. New York： ACM， 2020： 205-209.
[59]	ZHANG Y， WANG Y， CAO H T， et al. Self-similar traffic prediction for LEO satellite networks based on LSTM［J］. IET Communications， 2025， 19： e12863.
[60]	LIU Z G， LI W J， FENG J X， et al. Research on satellite network traffic prediction based on improved GRU neural network［J］. Sensors， 2022， 22（22）： 8678.
[61]	ZHANG Y G， ZHANG X Y， YU P， et al. Machine learning with adaptive time stepping for dynamic traffic load prediction in 6G satellite networks［J］. Electronics， 2023， 12（21）： 4473.
[62]	TAMADA K， KAWAMOTO Y， KATO N. Bandwidth usage reduction by traffic prediction using transfer learning in satellite communication systems［J］. IEEE Transactions on Vehicular Technology， 2024， 73（5）： 7459-7463.
[63]	CHEN Q， ZHANG Y， GUO J M， et al. Traffic prediction based on surrogate model in satellite constellation networks［C］∥ 2019 12th IFIP Wireless and Mobile Networking Conference （WMNC）. Piscataway： IEEE Press， 2019： 126-130.
[64]	ZHAO Y， WANG N， CHEN Q， et al. Satellite coverage traffic volume prediction using a new surrogate model［J］. Acta Astronautica， 2022， 193： 357-369.
[65]	JU Y， SONG J X， LI W J， et al. Dynamic load-balancing routing strategy for LEO satellite networks based on spatio-temporal traffic prediction［J］. IEEE Transactions on Aerospace and Electronic Systems， 2025， 61（5）： 11954-11970.
[66]	LIU K X， ZHANG Y S， LU S. A dynamic spatio-temporal traffic prediction model applicable to low earth orbit satellite constellations［J］. Electronics， 2025， 14（5）： 1052.
[67]	GONG L Z， CHEN Q， YANG L， et al. Autonomous traffic prediction for LEO satellite-based IoT based on satellite spatiotemporal features mapping［J］. IEEE Internet of Things Journal， 2025， 12（14）： 27021-27032.
[68]	陈全，杨磊，郭剑鸣，等. 低轨巨型星座网络：组网技术与研究现状［J］. 通信学报， 2022， 43（5）： 177-189.
	CHEN Q， YANG L， GUO J M， et al. LEO mega-constellation network： Networking technologies and state of the art［J］. Journal on Communications， 2022， 43（5）： 177-189 （in Chinese）.
[69]	CHEN Q， GIAMBENE G， YANG L， et al. Analysis of inter-satellite link paths for LEO mega-constellation networks［J］. IEEE Transactions on Vehicular Technology， 2021， 70（3）： 2743-2755.
[70]	XIA L C， LIN B J， ZHAO S， et al. A centralized-distributed joint routing algorithm for LEO satellite constellations based on multi-agent reinforcement learning［J］. Applied Sciences， 2025， 15（9）： 4664.
[71]	OTTAVIANI C， COMPAGNONI A， FRAIRE J A， et al. Advanced routing strategies for LEO and VLEO constellations： Ensuring polar coverage［C］∥ 2025 12th Advanced Satellite Multimedia Systems Conference and the 18th Signal Processing for Space Communications Workshop （ASMS/SPSC）. Piscataway： IEEE Press， 2025： 1-8.
[72]	CHEN Q， GUO J M， YANG L， et al. Topology virtualization and dynamics shielding method for LEO satellite networks［J］. IEEE Communications Letters， 2020， 24（2）： 433-437.
[73]	WU S P， LIAO W. Scalable contact graph modeling for low earth orbit satellite mega-constellations［J］. IEEE Network， 2025， 39（3）： 257-262.
[74]	WANG G H， YANG F， SONG J， et al. Optimization for dynamic laser inter-satellite link scheduling with routing： A multi-agent deep reinforcement learning approach［J］. IEEE Transactions on Communications， 2024， 72（5）： 2762-2778.
[75]	LI Y Y， WU J F， KANG G H， et al. A flexible topology control strategy for mega-constellations via inter-satellite links based on dynamic link optimization［J］. Aerospace， 2024， 11（7）： 510.
[76]	SADIQUE J J， NASIM I， IBRAHIM A S. Link scheduling in satellite networks via machine learning over Riemannian manifolds［J］. IEEE Open Journal of the Communications Society， 2025， 6： 972-985.
[77]	FERRER E， RUIZ-DE-AZUA J A， BETORZ F， et al. Inter-satellite link prediction with supervised learning： An application in polar orbits［J］. Aerospace， 2024， 11（7）： 551.
[78]	STOCK G F， FRAIRE J A， HERMANNS H， et al. On the role of AI in managing satellite constellations： Insights from the ConstellAI project［DB/OL］. arXiv preprint： 2507.15574， 2025.
[79]	WRONA A， TANTUCCI A. Artificial intelligence-based data path control in low Earth orbit satellites-driven optical communications［J］. International Journal of Satellite Communications and Networking， 2024， 42（6）： 425-443.
[80]	DIANA L， DINI P. Review on hardware devices and software techniques enabling neural network inference onboard satellites［J］. Remote Sensing， 2024， 16（21）： 3957.
[81]	刘婉莹，夏师懿，姜泉江，等. 低轨卫星网络基于跳波束的资源调度算法［J］. 中国科学院大学学报， 2020， 37（6）： 805-813.
	LIU W Y， XIA S Y， JIANG Q J， et al. Resource scheduling algorithm based on beam hopping in LEO satellite network［J］. Journal of University of Chinese Academy of Sciences， 2020， 37（6）： 805-813 （in Chinese）.
[82]	European Telecommunications Standards Institute. Digital video broadcasting （DVB）： Second generation framing structure， channel coding and modulation systems for broadcasting， interactive services， news gathering and other broadband satellite applications； Part 2： DVB-S2 extensions （DVB-S2X）： ETSI EN 302 307-2 V1.4.1 ［S］. Sophia Antipolis： ETSI， 2024.
[83]	DENG H M， YING K， FENG D Q， et al. Satellites beam hopping scheduling for interference avoidance［J］. IEEE Journal on Selected Areas in Communications， 2024， 42（12）： 3647-3658.
[84]	WANG J， QI C H， YU S， et al. Joint beamforming and illumination pattern design for beam-hopping LEO satellite communications［J］. IEEE Transactions on Wireless Communications， 2024， 23（12）： 18940-18950.
[85]	TANG J Y， BIAN D M， LI G X， et al. Optimization method of dynamic beam position for LEO beam-hopping satellite communication systems［J］. IEEE Access， 2021， 9： 57578-57588.
[86]	ZHANG J W， QIN D L， KONG C L， et al. System-level evaluation of beam hopping in NR-based LEO satellite communication system［C］∥ 2023 IEEE Wireless Communications and Networking Conference （WCNC）. Piscataway： IEEE Press， 2023： 1-6.
[87]	GUO S J， HAN K， GONG W B， et al. An efficient multi-dimensional resource allocation mechanism for beam-hopping in LEO satellite network［J］. Sensors， 2022， 22（23）： 9304.
[88]	HU Y， QIU F P， ZHENG F， et al. Multi-dimensional resource allocation strategy for LEO satellite communication uplinks based on deep reinforcement learning［J］. Journal of Cloud Computing， 2024， 13： 56.
[89]	HUANG Y X， WU S F， ZENG Z K， et al. Sequential dynamic resource allocation in multi-beam satellite systems： A learning-based optimization method［J］. Chinese Journal of Aeronautics， 2023， 36（6）： 288-301.
[90]	TANG J Y， BIAN D M， LI G X， et al. Resource allocation for LEO beam-hopping satellites in a spectrum sharing scenario［J］. IEEE Access， 2021， 9： 56468-56478.
[91]	WANG Y J， ZENG M， FEI Z S. Efficient resource allocation for beam-hopping-based multi-satellite communication systems［J］. Electronics， 2023， 12（11）： 2441.
[92]	LI X， ZHANG X N， CHANG J D. Dynamic low earth orbit multi satellite hopping beam resource allocation considering load and dynamic coverage balance （LDCB-MSHBRA）［J］. Discover Space， 2024， 128： 3-20.
[93]	LI X L， MO K W， LI Z P， et al. Dynamic pricing and scheduling in LEO satellite networks［J］. Computer Networks， 2025， 262： 111152.
[94]	LIN Z Y， NI Z Y， KUANG L L， et al. Satellite-terrestrial coordinated multi-satellite beam hopping scheduling based on multi-agent deep reinforcement learning［J］. IEEE Transactions on Wireless Communications， 2024， 23（8）： 10091-10103.
[95]	ZHAO R L， CAI J， LUO J T， et al. Demand-aware beam hopping and power allocation for load balancing in digital twin empowered LEO satellite networks［J］. IEEE Transactions on Wireless Communications， 2025， 24（6）： 5084-5098.
[96]	LAI Z Q， LIU W S， WU Q， et al. SpaceRTC： Unleashing the low-latency potential of mega-constellations for wide-area real-time communications［J］. IEEE Transactions on Mobile Computing， 2025， 24（2）： 642-661.
[97]	MARKOVITZ O， SEGAL M. Demand island routing for LEO satellite constellations［J］. Computer Networks， 2023， 225： 109655.
[98]	MOTA MACAMBIRA R DO N， CARVALHO C B， DE REZENDE J F. Energy-efficient routing in LEO satellite networks for extending satellites lifetime［J］. Computer Communications， 2022， 195： 463-475.
[99]	YANG L， ZHANG H T， QI Y W， et al. Available energy routing algorithm considering QoS requirements for LEO satellite network［J］. Computer Communications， 2024， 217： 87-96.
[100]	QI H， GUO Y J， HOU D H， et al. SDN-based dynamic multi-path routing strategy for satellite networks［J］. Future Generation Computer Systems， 2022， 133： 254-265.
[101]	FENG X A， SUN Y H， PENG M G. Distributed satellite-terrestrial cooperative routing strategy based on minimum hop-count analysis in mega LEO satellite constellation［J］. IEEE Transactions on Mobile Computing， 2024， 23（11）： 10678-10693.
[102]	RABJERG J W， LEYVA-MAYORGA I， SORET B， et al. Exploiting topology awareness for routing in LEO satellite constellations［C］∥ 2021 IEEE Global Communications Conference （GLOBECOM）. Piscataway： IEEE Press， 2021： 1-6.
[103]	MAUGER R， ROSENBERG C. QoS guarantees for multimedia services on a TDMA-based satellite network［J］. IEEE Communications Magazine， 1997， 35（7）： 56-65.
[104]	ZHOU J， GONG X T， SUN L J， et al. Adaptive routing strategy based on improved double Q-learning for satellite Internet of Things［J］. Security and Communication Networks， 2021， 5530023.
[105]	HAN C， XIONG W， YU R H. Load-balancing routing for LEO satellite network with distributed hops-based back-pressure strategy［J］. Sensors， 2023， 23（24）： 9789.
[106]	ZHANG C， CHEN Q， TANG Z P， et al. Pre-coded inter-satellite routing algorithm with load balancing for mega-constellation networks［J］. Space： Science & Technology， 2024， 4： 103.
[107]	DING Z L， LIU H J， TIAN F， et al. Fast-convergence reinforcement learning for routing in LEO satellite networks［J］. Sensors， 2023， 23（11）： 5180.
[108]	YIN Y B， HUANG C H， WU D F， et al. Reinforcement learning-based routing algorithm in satellite-terrestrial integrated networks［J］. Wireless Communications and Mobile Computing， 2021， 2021： 3759631.
[109]	LOZANO-CUADRA F， SORET B. Multi-agent deep reinforcement learning for distributed satellite routing［C］∥ 2024 IEEE International Conference on Machine Learning for Communication and Networking （ICMLCN）. Piscataway： IEEE Press， 2024： 1-2.
[110]	RAZMI N， MATTHIESEN B， DEKORSY A， et al. On-board federated learning for satellite clusters with inter-satellite links［J］. IEEE Transactions on Communications， 2024， 72（6）： 3408-3424.
[111]	YANG W C， YAO S. A multi-path routing algorithm based on ant colony optimization in satellite network［C］∥ 2021 IEEE 2nd International Conference on Big Data， Artificial Intelligence and Internet of Things Engineering （ICBAIE）. Piscataway： IEEE Press， 2021： 139-144.
[112]	ZHOU R， ZHANG Q， TAO Y， et al. Intelligent multipath backup ant colony routing algorithm of satellite network based on betweenness centrality［C］∥ 2020 IEEE Computing， Communications and IoT Applications （ComComAp）. Piscataway： IEEE Press， 2020： 1-5.
[113]	HUANG Y X， YANG D， FENG B H， et al. A GNN-enabled multipath routing algorithm for spatial-temporal varying LEO satellite networks［J］. IEEE Transactions on Vehicular Technology， 2024， 73（4）： 5454-5468.
[114]	LI G Q， HONG Z J， PANG Y， et al. Resource allocation for sum-rate maximization in NOMA-based generalized spatial modulation［J］. Digital Communications and Networks， 2022， 8（6）： 1077-1084.
[115]	XIE H， XU Y J. Robust resource allocation for NOMA-assisted heterogeneous networks［J］. Digital Communications and Networks， 2022， 8（2）： 208-214.
[116]	丁祥，续欣，董德伟，等. 一种LEO卫星通信分簇波束调配方法［J］. 通信技术，2021，54（8）：1896-1902.
	DING X， XU X， DONG D W， et al. A clustering beam allocation method in LEO satellite communication systems［J］. Communications Technology， 2021， 54（8）： 1896-1902 （in Chinese）.
[117]	HAN H， ZHENG X Q， HUANG Q F， et al. QoS-equilibrium slot allocation for beam hopping in broadband satellite communication systems［J］. Wireless Networks， 2015， 21（8）： 2617-2630.
[118]	王磊，郑军，贺川，等. 高通量多波束通信卫星系统资源分配方法［J］. 中国空间科学技术， 2021， 41（5）： 85-94.
	WANG L， ZHENG J， HE C， et al. Resource allocation in high throughput multibeam communication satellite systems［J］. Chinese Space Science and Technology， 2021， 41（5）： 85-94 （in Chinese）.
[119]	YUAN S， SUN Y H， PENG M G， et al. Joint beam direction control and radio resource allocation in dynamic multi-beam LEO satellite networks［J］. IEEE Transactions on Vehicular Technology， 2024， 73（6）： 8222-8237.
[120]	HU X， LIAO X L， LIU Z J， et al. Multi-agent deep reinforcement learning-based flexible satellite payload for mobile terminals［J］. IEEE Transactions on Vehicular Technology， 2020， 69（9）： 9849-9865.
[121]	HE Y Z， SHENG B， YIN H， et al. Multi-objective deep reinforcement learning based time-frequency resource allocation for multi-beam satellite communications［J］. China Communications， 2022， 19（1）： 77-91.
[122]	HAN Y F， ZHANG C， ZHANG G X. Dynamic beam hopping resource allocation algorithm based on deep reinforcement learning in multi-beam satellite systems［C］∥ 2021 3rd International Academic Exchange Conference on Science and Technology Innovation （IAECST）. Piscataway： IEEE Press， 2021： 68-73.
[123]	ALNAHDI A， FAYAD A， TOKA L， et al. Minimizing energy consumption of satellite edge computing-capable LEO satellites［J］. IEEE Access， 2025， 13： 165844-165859.
[124]	ZHAO J W， PAN J P. LENS： A LEO satellite network measurement dataset［EB/OL］. （2025-11-19）［2025-12-09］.
[125]	CUI G N. LEO satellites constellation topology datasets［EB/OL］. （2025-03-13）［2025-12-09］.
[126]	PETROU M. Dataset of prediction of youtube QoE over SATCOM［EB/OL］. （2022-12-02）［2025-12-09］.
[127]	LANIEWSKI D， LANFER E， MEIJERINK B， et al. WetLinks： A large-scale longitudinal starlink dataset with contiguous weather data［EB/OL］. （2025-08-21）［2025-12-09］.
[128]	WESTPHAL C， HAN L， LI R. LEO satellite networking relaunched： Survey and current research challenges［J］. ITU Journal on Future and Evolving Technologies， 2023， 4（4）： 711-744.
[129]	ZHANG H X， XI S Y， JIANG H Z， et al. Resource allocation and offloading strategy for UAV-assisted LEO satellite edge computing［J］. Drones， 2023， 7（6）： 383.
[130]	YAO W F， CHEN X M， WANG Q， et al. Design of RIS-UAV-assisted LEO satellite constellation communication［J］. IEEE Transactions on Communications， 2025， 73（12）： 15656-15671.
[131]	ZHANG Y， WANG Y， HU Y H， et al. Security performance analysis of LEO satellite constellation networks under DDoS attack［J］. Sensors， 2022， 22（19）： 7286.
[132]	KASSING S， BHATTACHERJEE D， ÁGUAS A B， et al. Exploring the “Internet from space” with Hypatia［C］∥ Proceedings of the ACM Internet Measurement Conference. New York： ACM， 2020： 214-229.
[133]	LAI Z Q， LI H W， LI J H. StarPerf： Characterizing network performance for emerging mega-constellations［C］∥ 2020 IEEE 28th International Conference on Network Protocols （ICNP）. Piscataway： IEEE Press， 2020： 1-11.
[134]	BASAK S， PAL A， BHATTACHERJEE D. LEOCraft： Towards designing performant LEO networks［C］∥ 2025 USENIX Annual Technical Conference （USENIX ATC 25）. Lake Forest： USENIX， 2025： 789-813.

综述	面向的挑战与主要特点	主要关注的智能组网技术重点
综述	面向的挑战与主要特点	业务感知与业务预测	动态拓扑与移动性管理	波束调度策略	星间路由策略	多维资源智能管理
文献［23］	指出当前LEO系统在连接可靠性和移动性管理上的不足，讨论多轨卫星接入5G核心网的架构方案、天地切换机制和资源分配挑战		√	√
文献［35］	聚焦6G天地网络融合下的路由问题，讨论适应高速移动场景的路由策略与未来方向				√
文献［36］	面向LEO网络拓扑变化快、链路资源有限等特点，综述机器学习赋能的路由算法的最新研究		√		√
文献［37］	提出“轨道边缘计算”概念，综述LEO星座协同通信与计算的新范式，总结OEC（Orbital Edge Computing）体系结构、任务卸载算法和应用案例，并展望多卫星协同计算、智能资源优化等未来方向		√			√
文献［38］	面向卫星通信中智能化落地遭遇的在轨处理硬件受限、资源管理与部署取舍、数据获取与泛化等挑战，并评述COTS（Commercial Off-the-Shelf）/类脑硬件支撑及长期发展方向				√	√
本文	面向高动态、超密集低轨巨型星座组网难题构建低轨巨型星座智能组网技术框架，系统综述智能组网关键技术	√	√	√	√	√

方法分类	方法优势	主要局限
传统单星预测方法^［57］	计算简单，开销小	无法捕获时空关联，对高动态环境适应差，预测精度低
基于AI的单星预测方法^{［24，58-64］}	轻量化AI模型设计，单星部署难度低	未充分考虑卫星轨道动力学，无法处理多星耦合的时空动态，多星部署复杂度高
多星协同预测方法^［65-67］	考虑星座整体关联，精度高，不完全依赖历史数据	需大量数据训练，训练开销大

方法分类	方法优势	主要局限
传统静态管理方法^{［10，70-73］}	利用轨道周期性，计算开销低，屏蔽动态性	对不确定性和高维复杂性适应差，无法有效优化多维资源
面向多维资源的动态管理方法^［74-78］	考虑资源约束，鲁棒性强，适应拓扑动态性	计算开销高，对实时变化响应需优化

方法分类	方法优势	主要局限
单星波束调度方法^［86-89］	计算简单，聚焦单星优化	忽略覆盖重叠和星间干扰，对星间干扰和业务波动响应有限
多星协同波束调度方法^［90-95］	考虑覆盖重叠和负载均衡等多维优化目标	计算复杂度高，计算开销需进一步优化

方法分类	方法优势	主要局限
集中式智能路由^［96-101］	全局优化，QoS强，时延低	开销大，依赖全网信息，单点风险高，扩展性差
分布式智能路由^{［102-113］}	自适应强，鲁棒性高，无中心依赖	易陷入局部最优，算力受限，收敛较难，额外开销高

A survey of intelligent networking technologies for low Earth orbit mega-constellations

RichHTML

PDF (PC)

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 14

References 134

Related Articles 1

Recommended Articles

Metrics

Comments

方法分类	方法优势	主要局限
特定资源管理^{［114-115，117］}	灵活性好，利用率高	未考虑低轨巨型星座的复杂性和多变性，算法复杂度高
多维资源管理^{［87-88，118-122］}	综合性强，效率高，自适应强，鲁棒性好	在高动态网络中响应力不足，依赖大量数据，训练开销大