2021 sigcomm L2D2: low latency distributed downlink for LEO satellites阅读报告

这个应该主要是微软在部署地站的时候遭遇了成本-时延问题，现有的地站无法支持快速的观测信息的下载，但扩大地站的规模，不仅是布站硬件成本高，且许可证的成本也高，可扩展性太差。所以希望使用分布式的商业地站解决硬件成本，用混合的地站能力解决许可证的成本，而由此带来了一系列问题，包括下载调度、无反馈的速率控制等。

我本人对机器学习那块和通信那块不太熟，相关内容的翻译可能有失偏颇，见谅

摘要

大型LEO星座可以提供近实时、高分辨率的图像的回传，但是由于低轨快速的相对运动使得这些大量的数据回传变得有挑战。中心化的、有几个几百万美元的地站的架构将会需要几个小时的时延而且难以规模化。我们提出了一种地理的分布式的地站分布设计L2D2，使用低成本的商业化硬件来提供低时延高可靠性的下载速率。L2D2是第一个系统能使用混合的地站模型，其中仅有一个子集有上传链路。我们设计了新的调度和速率适应算法，使低延迟和高鲁棒性，尽管有的接收地面站仅有接收功能。我们对卫星轨迹进行仿真并使用了真实世界的卫星、地站的测量。我们的结果显示这个方案能把时延从90m到21m

1 introduction

近地轨道(LEO)卫星标志着通信和传感研究的一个新前沿。许多公司提交申请来以数百亿美元来部署数百卫星形成星座，如CubeSats。这些星座主要用于通信和地球观测。通信卫星提供的是低时延高带宽全球的网络互联。而地球观测卫星能持续绕地运转并收集观测的图片。与原本的系统不同的是现在的大型LEO星座包含很多便宜的立方卫星，这些卫星期房能简历地面接近实时的图像然后为农业、地理、灾难等做实时的分析。

目前在轨卫星中45%都是用来观测的。每天收集几百Gb的数据然后回传，但是对LEO很困难，因为它们移动很快，地站可见时间仅有10分钟。因此企业选择部署一些很特别的地站来快速短时间的完成数据的下载。但是这样的部署存在一些问题。

1. 下载链路的时延。大型星座能每小时或者几个小时（一些情况下几十分钟）完成数据的收集，这些数据必须要在卫星和地站链接后才能传输，这为时延增加了一个到几个小时，对一些场景，如火灾、洪水等来说是不可接受的。
2. 可扩展性。星座较小的时候地站利用率很低，但是随着星座扩张，地站成为瓶颈，公司需要部署更多的地站。地站不仅需要很高的费用来设计和维护，而且需要很多成本来做合规化。比如亚马逊由于一些license的问题地站有至少一年的时间无法传输数据
3. 鲁棒性。这是个中心化的方式，仅依靠几个地站，这都将遭遇硬件问题和天气相关的连接问题。对于高频通信链路（8GHz及以上），可能会因为云的遮挡和雨水导致10dB的干扰。一些LEO曾报导有超过88%的丢包问题。

本文给出一种新的地站架构L2D2，其两个主要的特点是：a 使用大量地理上分布的低成本的地站。依靠的是商业化的配置（比如小天线），能够部署在院子里屋顶上，而非特殊设计的硬件。b 观测到对地观测卫星的主要数据模式是下行的;上行链路很少单独用于控制流量。事实上，现在的地面站支持Gbps的下行链路却仅支持几百Kbps的上行。因此L2D2中大量地站是仅支持接收数据的，从而节省了大量的监管负担。而在实际运行中，这个设计将导致3个主要挑战：

1. 调整下载调度。对于大量的卫星和地站，需要动态的调度星地连接，同时考虑到轨道、链路质量、天气等因素。在我们有的259个卫星数据集中，一个地站可以考到最多100颗卫星（中位数14颗）。但一般一个地站同时仅和一颗卫星同学呢。因此需要找到时空下最优的星地连接的方式，而且切换时延也需要考虑，因为切换的时候无法通信。我们观察到这个调度问题是在数据中心环境中研究的电路调度问题的一个变种（NP难）。我们利用这个发现设计了一种新的贪心算法进行调度，支持多目标：吞吐、平均时延、最大时延
2. 速率选择。卫星下行速率取决于信道状况。比如雨衰可能导致X，Ku，Ka波段10~20dB的衰减。在典型的无线系统中，最有速率的选择是通过反馈进行的。但是大部分卫星没有上行链路因此无法反馈。这里使用的是一种链路状况预测模型，利用历史信息来预测天气状况和卫星轨迹。与目前最先进的卫星信号传播模型不同，这个模型也考虑了地站和卫星特有的变化。
3. 卫星反馈。卫星如何知道数据已经被收到，可以删除？使用了延迟告知。当卫星飞过有上行链路的卫星的时候ack或者请求重传。
   我们有许多优势。1. 区域分散部署能让卫星更快的把时效性要求高的数据下载下来；2. 分散性的部署使得对单个链路的要求不那么高，从而可以使用商业部件。3. 受天气影响不大，因为单个地站的影响可以被降低。4. L2D2可以允许新进入者通过提供一个软件抽象来为他们的卫星安排通信。

为评估L2D2，使用了4步方案。1. 从5个地站与4个卫星的X波段和Ka波段的质量进行测量，并将这个数据共享到社区。利用这个数据集验证我们的设计。2. 为进行规模化的验证，利用开源的由业余无线电操作员操作的SatNOGS地站。将这些数据与SatNOGS数据集结合，获得了由259颗卫星和173地站的由不同实体操作的网络。但实际这些卫星以低频通信，并不能模拟实际的X，Ka波段通信。3. 依据第1步的测量数据模拟这些地站在X波段运行的情况。4. 仿真在这样的网络中每天都有100GB的数据的情况下的表现。以下是结果总结:

1. 链路估计。在预测链路质量方面，L2D2的链路估计算法实现了0.39 dB的中值误差，而最先进的ITU模型实现了2.39 dB的中值误差(第90百分位1.74 dB vs 6.03 dB)。这意味着L2D2模型的数据率损失为6.5%，而ITU模型的数据率损失为40.8%。
2. 时延。与使用比L2D2地面站容量多10倍的高端地站的方案相比，平均时延从90分钟下降到21分钟。第90百分位的从323分下降到71分钟
3. 数据传输和积压。从259个卫星下载超过250TB的数据。L2D2能降低平均积压从7.6GB到3.4GB（第90百分位从26.5GB到7.2GB）

随着星座的增量部署，本策略的可扩展性、高性能和鲁棒性更显著。这项工作的灵感来源于过去计算从单一高度专业化硬件到分布式低复杂度组件的转变。本文主要的contribution是：

1. 提出了使用混合的分布式的低成本、仅接收功能的地站来实现低时延数据传输的设计
2. 设计了一种对应星地链路的创新的调度方法来应对时间差异性和切换时延
3. 为LEO建立了第一个数据驱动的盲率自适应算法
4. 利用测量和大规模的仿真评估了L2D2多卫星和地站下的性能

2 背景

近年卫星的研究兴趣点在使用低成本卫星，如立方卫星，使用共乘协议发射到低轨道。这些特性使得部署成千上万卫星的成本降低。本文主要考虑地球观测，初始的目标是获取快速的、接近实时的数据

成像设备

地球观测卫星服务于多种高价值应用，如农业、林业、智能交通、自然灾害响应和地缘政治分析。因此，它们在光谱的不同部分携带各种各样的传感机制，最突出的是可见光成像和sar成像(合成孔径雷达)，但在光谱的不同部分(红外、微波、紫外线)的传感也很普遍。随着轨道变得更低，设备变得更精确，这幅图像的分辨率一直在稳步提高。最近，一些星座提供米级像素分辨率。

轨道动态性

卫星每90分钟左右绕地一圈。由于轨道周期和自转周期不同，每个轨道周期内能看到的地面不同。经过几天时间一颗卫星可以看到观测到整个地球。一些在计划中的星座包含了数百颗卫星，能每几分钟到几小时获得一张地球的照片

对地面的一个观测点来说，卫星的位置可以以两个角度定义，如图3a的方位角和仰角。方位角定义了地面的南北位置。90°仰角代表卫星在头顶。由于轨道高度低，因此观测点看一颗卫星会在几分钟内从地平线升起划过天空然后降下地平线。一个观测点在一天内会有四五次这样的交互，每次能达到的仰角的峰值不同

数据通信

传统地站需要上行链路实现低速率的测控TT&C，一般用窄带做上星，宽带做下行。现有的很多卫星运营商花费百万美元部署和维护地站主要由于3个原因。a 昂贵的特殊的设备 b 昂贵的license c 大型天线。在L2D2中，使用商业硬件、小型天线，部署在屋顶、院子里，只需要下行链路（节省license）。

最新研究

目前最著名的地面站设计可以通过在最佳卫星-地面站链路上结合6个频率极化信道来实现1.6 Gbps左右的数据速率，这个速率在通过的时候可以下载80GB的数据。而且这个速率仅在距离最近的时候才能实现，而且每次经过的时候其质量都会变化很大。

3 分布式混合地站架构

L2D2中包含了多种地站分布于全球。每个地站都连接到互联网并且以中心化的方式调度。L2D2有3个特点：

1. 地理分布式。地站分布于全球，可能由个人、志愿者或者合作方维护。分布性具有两个优势。首先是允许卫星能进行动态的下载调度，能在某些区域出现问题或者天气情况的时候分布到别的地站。其次能降低下载的时延，有利于时延敏感的数据
2. 混合的。大量数据都是下载数据，且允许上行需要复杂的许可，且许可证昂贵且有时效性。混合类型的地站对可扩展性很重要，但同时也带来一些问题
3. 低复杂性。不需要特别的设备

概况：调度器模拟一段时间内卫星的轨迹，然后用3.2的方式模拟链路质量，并按照3.1的方式给出最好的星地匹配方案。这个时间表通过因特网分发到所有地面站。当卫星与具有发射能力的地面站接触时，每个卫星的下行时间表也被上传到各个卫星。在这些路径中，卫星按照计划的调度去发送数据给仅能接收数据的地站。这些数据随后在后端进行整理，任何缺失的部分都可以在下一次与有传输能力的站接触时与卫星通信

3.1 下行链路调度

形式化下行链路的调度问题并提出方法给出调度方式。分布式的调度与少量地站组成的集中调度不同。集中调度的时候很少有多个卫星竞争地站时间的情况，因为卫星数量很少。L2D2的目标是作为遍布全球的地面站结构，可以从多个提供商的卫星上下载数据，此时就会出现冲突。sec4给出的数据集显示最高有100颗卫星同时可见。更重要的是，创新的调度对架构的鲁棒性有益。当链路由于硬件、天气原因变差，可以提前预测并对链路进行调度。

两个挑战：1. 切换需要时间，因为需要调整天线 2. 从时空维度找到最优方案是NP难

问题公式化：卫星位置用TLE参数，地站用经纬度。
卫星数M，地站数N，一个长M的二进制数，第i位为1表示允许下行链路传数据。
每个卫星si都有一系列数据等待传输给地站X^t_i。随着时间的变化，观测得到的数据在增加，同时一些数据已经被发给地站。Ø(x,t)表示传递数据子集x的价值/价格，这个价值函数可以捕获不同的目标，比如时延、吞吐。这个值同样可以通过一些数据集来定义。从地面站的角度来看，价值功能可以通过竞价优先访问来分配。

轨道计算：根据TLE计算。可见性考虑水平线以上可见
调度算法：根据预测算法获取星地链路的链路质量。$D_{ij}^t$ 是卫星i可以在t时间传到地站j的数据量。${Ø}_{ij}^t$ 为 $D_{ij}^t$ 和 $X_i^t$的最小值。如果有足够的数据量就传输，否则就传剩余的所有的数据。
目标是找到一个置换矩阵(每一行每一列有且仅有1个1)$p^t$，来优化：

Tr是对角线的和。直觉上当且仅当$p_{ji}^t=1$这俩星地才会在时间t相连
切换惩罚：由于切换耗时，因此需要考虑惩罚。这个场景与在数据中心环境中遇到的电路交换问题相同。在这些问题中，交换机重新配置会导致延迟，因此必须激励调度具有粘性。这个问题NP难且有接近最优的贪心方案。不过这个工作中惩罚的是全局重配置，而我们的场景中是单点卫星的重连接。
设置奖励矩阵B^t,当且仅当上个时刻相连的时候奖励函数为$b{Ø}_{ij}^t$。其中b为奖励参数。我们的贪心算法是对每一步寻找$p^t$最优的。

将问题可以抽象为最大二分图匹配问题，算法在下面展示。

3.2 速率适应

目前的无线网络理想的方式是通过反馈，如ack来实现的。如最新的cubesats使用了DVB-S2协议来适应编码和调制方式，基于地站的反馈。但是我们很多地站只有下行链路，需要选择合适的传输速度。而且对于算法1来说，传之前就应该知道传输速率。这里给出了一种预测框架来对信号强度和信噪比进行预测。
直觉上信号强度的损失来源于三个原因：a 传播损耗，与距离和频率正相关。b 天气相关，云雨雪都将导致额外的损耗，损耗在0~10bB之间。高频率受影响更多。c 硬件因素。传播损耗可以通过位置的模拟来模拟，天气相关的损耗也有一些标准的模型，硬件损耗可以进行标准化，理论上似乎混合起来就行。但是sec6证明这种混合并不准确。根据实际数据的分析表示卫星和地面站的环境对链路质量起着重要的作用。具体来说，卫星上反射器(如太阳能电池板)的存在、它们的相对位置以及它们的运动稳定性都会影响接收机的信号强度。同样，建筑、树等也会导致遮挡或者反射。
我们使用数据驱动的方式，利用机器学习的方式进行建模。模型使用卫星位置、天气条件来预测链路强度。使用机器学习的动因包括：a 遮挡和反射因素在没有观测数据的情况下很难建模；b 地站的信号强度数据很容易获取。

模型架构：使用组合模型预估信号强度。众所周知，集成模型具有很高的性能，因为它们结合了多个模型体系结构，可以提取不同的见解。L2D2使用的模型：a 梯度提升回归树 b基于深度学习的回归。树集合适合输入特征矩阵的五倍。我们使用1000棵树作为弱估计，最大树深为8。我们使用XGBoost实现。深度学习回归模型有4个层次。每一层使用整流线性单元(ReLu)激活函数来包含非线性。我们将这两个模型的输出叠加起来，并将其输入最终的线性回归模型，输出信号强度估计。图4是模型架构。

输入特征：a 卫星相对于地站的方向角和仰角 b 天气：降雨强度。Ka波段对天气的敏感度较高，所以加入云量；X波段对气候的变化没那么铭感，所以不考虑云量/降雨概率。模型可以被训练为输出信号强度或信噪比。输出按对数尺度测量，以dB或dBm为单位，这是无线系统的标准。

损失函数：使用均方差损失来训练模型。但如果直接使用这个模型来预估速率，可以想象的是，在高估和低估信号强度方面会产生大致相等的误差，因为过高会导致丢包，过低只是速率较低。因此我们对一个缓冲参数𝜖进行学习。训练过程中会对𝜖进行学习，并将结果减去𝜖看效果。最后我们没有训练一个回归模型直接预测数据速率。因为这是个离散的参数

引入新地站：网络中将会频繁引入新地站，如果每次引入都要重新训练效率会很低，因此给出一种方案，使用在其他地站学习的策略来生成新地站的策略。对图4的方案进行一点修改来仿真新增地站gi和已有卫星sk之间的链路。假定已经有了sk与gj之间的模型，冻结梯度增强树套件和深度学习回归框架的头部三层，然后使用gi少量的测量数据来重新训练深度学习回归的最后一层以及先行回归模型。这种方法使我们能够对卫星𝑠𝑘在从另一个地面站传送过来的冻结层中的一般特征进行编码，并帮助我们快速获得地面站的特定特征。

3.3 卫星反馈

大量地站是只能接收的，这有两个问题：a卫星不能重传丢失的包 b 卫星不能把传完的包从存储中删掉。因此需要给出一种方案来交流这个信息。我们给出的是一种延迟的中继ack策略。

每个地站检查收到的包并形成bitmap，然后将bitmap广播给所有可以上载的地站（三五个）。当可上载的地站连接到对应的卫星的时候可以将位图发给卫星，从而卫星可以删除成功发送的，并把未成功的放入传输队列。对于中心化的方案卫星也是需要存储几个轨道周期的，所以我们的方案并未增加存储开销。

3.4 讨论和开放性问题

卫星传输功率：一般为减少轨迹、天气等因素的影响会以比需要的更高的功率来进行数据传输。由于L2D2能够进行预测，可以减少这部分的损失

卫星功率管理：卫星无线电传输需要大量的电力。L2D2中卫星的传输更加频繁，因此需要更优的电量管理来保证传输的稳定性。

地站的边缘计算：以往的工作有在卫星上进行计算和筛选然后传输的，但是这需要硬件的升级。更多的地站帮助卫星进行计算，利用地站的算力能将时延敏感的数据快速处理

波束成形：本文认为一个地站仅和一颗卫星通信。波束成形技术允许多对多通信，从而增加数据传输的效率。这个可以作为未来的优化工作。

向后兼容：L2D2的设计与用于数据下行的DVB-S2协议兼容。目前，由于缺乏公共文件，我们不能评论与部署在卫星上的软件的兼容性。

经济和安全影响：采用L2D2取决于运营商部署地面站的适当经济激励，以及防止数据滥用的安全框架。这是未来研究的一个令人兴奋的方向。

4 实验设置

使用了一部分真实链路质量测试和模拟

4.1 链路质量测量

收集了16个X波段的地站-卫星对和一个Ka波段的地站-卫星对的数据。

X波段是地球观测数据最流行的下行链路。总共进行了30天X波段和6天Ka波段数据的测量。通过Dark Sky API获取了天气数据

4.2 大规模的仿真

由于部署的x波段地面站今天是有限的，我们依靠业余地面站部署在较低的频率来评估调度方面的设计。具体来说，我们使用从开源的SatNOGS地面站[41]部署收集的数据来评估L2D2。SatNOGS是由独立的业余无线电爱好者使用软件定义无线电部署的。这些地站会监听政府和学术机构卫星的广播信号，数据放在一个公开数据集。选择至少观测了1k次的地站。图5展示了173地站，此外有259卫星。从所有的星地链路下载数据，持续一个月的时间，然后仿真用L2D2地站与同样的卫星交互。由于基于实际的数据，因此这个评估能准确地表现出网络的地理分布和随时间的变化。

SatNOGS使用的是低于500MHz的频段，但观测数据的下载一般使用X波段(>8GHz)，因此不能使用直接观测的信噪比，因此我们在X波段进行了仿真，SNR的仿真使用了3.2的预测方法，而对于丢包率，SNR的波动，反射则随机使用table 1 的数据。
每个卫星每天生成100GB的数据。我们的L2D2使用的天线不是5m甚至更大的，而是仅有1m直径的，这会让信噪比降低约6dB。我们地站是单天线的而非中心化设计中的6天线的。下载计划是按照天计算的。更细粒度的计算是可行的但我们没有探索

4.3 模型细节

中心化的架构（对比对象）使用的是最新的地站[19]，使用6个天线，4m直径的接收器。我们建模了5个这样的地站遍布全球。而L2D2使用的是现成的设备，SNR低6dB，没有并行通道，因此每个对比对象能实现比L2D2的10倍的吞吐。且由于预测错误会出现丢包，而对比对象则不会。
我们对链路估计的评估与国际电信联盟(ITU)的一个经过充分研究的统计模型进行了比较[31-33]。这个模型利用卫星与地站之间的距离、仰角等进行链路质量的数学估计。

5 微基准测试

5.1 仰角和链路质量

图6a是测量的JPSS1卫星经过Guam的信噪比的变化情况，6b显示的是仰角变化。其信号强度一开始很小然后逐渐增加，随后降低，其强度变化在10dB左右。图a中的波谷难以用仰角解释，这主要是由于卫星和地站附近的反射造成的。

5.2 天气对链路质量的影响

图6a中的红色与蓝色的唯一差别是天气不同，雨天导致信号强度降低2~3dB。此外，天气对信号的影响在较高频率下更为明显。图6c是Ka波段下不同云密度的信号强度的不同。

6 结果

6.1 链路质量仿真

图7中展示的是我们在3.2的链路仿真方式以及ITU的链路计算的差异，画的是预测的SNR和测量的SNR之间的差异。图7a可以看到L2D2能实现0.39dB的中位数的错误，90百分位的错误为1.74dB。中值误差很小，不太可能导致数据速率预测从一个配置跨到另一个配置。但是ITU的方式中值是2.39dB，90百分位是6.03dB，要高6倍。因为国际电联模型是为聚合链路行为而设计的，因此没有捕捉到个别卫星地面站设计和周围环境造成的细微变化。例如，他们不关注本地的多径影响
为了更深入地挖掘，我们通过个别的卫星地面站链接来分解这个错误。表2报告了个别卫星-地面站链路的平均误差。这里有两点需要注意:首先，L2D2模型的性能始终显著优于ITU模型。第二，一些对的误差比其他的高。这是因为设置的环境特征(障碍、反射)。例如，卫星SNPP和JPSS的天线靠近移动的太阳能电池板，这使得预测链接质量更加困难。

数据速率分析。预测失效如何导致的数据速率降低？我们将这两种预测结果下的丢包率在图7b中画出。过高的预测会导致100%的错误，因为无法支持这样的速率。图中可见L2D2比ITU的要好（速率错误中值优6.25%，75百分位15.5%，90百分位41%），丢包少于10%，而ITU是30%。

转移学习分析。深入挖掘模型的转移学习，理解新增L2D2地站的时候的影响。首先训练威斯康星的所有30天数据集。然后，我们逐渐拟合来自关岛卫星对的数据。虽然从长期来看，我们发现从头开始训练的模型在预测链路质量方面更加有效，但图7c显示了我们的迁移学习模型在训练的早期，当地面站收集到很少的链路质量测量值时，其出色的表现。一般而言，易受多路径影响的地面站-卫星对(JPSS和SNPP卫星)从基于迁移学习的方法中获益更多。

6.2 数据下载

评估256颗卫星的下载能力。对比对象是baseline，L2D2使用的是173个地站。为测评地理分散性带来的优势，我们还增加了一个25%的地站的对比对象，这些地站的总容量低于baseline。图8a中展示的是被积压的工作量。即使L2D2(25%)的总容量更低，其实际积压也比baseline要少。可以发现地理分散性带来的优势：a意味着更少的卫星在同一个地站碰撞 b减少单条链路的影响，如天气的影响

6.3 时延

数据从被收集到，到被下发的总时长，如8b展示。尽管地站的容量更小，但地理分散性让一个卫星有更多机会看到地站从而更快的下发。将下载时延减小到了数十分钟。

6.4 调度

在3.1给出了调度算法。以随机调度为baseline，该算法每次都随机选择一个卫星连接地站。最优的调度比随机调度更好，10%有80%的提升。这种提升对于L2D2(25%）更明显，因为这是个受限的系统

价值矩阵的适应性：图8c给出了不同的价值矩阵（时延vs吞吐最优）下的积压量的差异性。可修改的价值矩阵将有利于我们为不同目标做设计。

6.5 存储

L2D2的数据会一直存着直到有延迟的ack收到才会删除数据。图9给出了1天内的存储变化。L2D2平均需要的存储比基线高4GB，但是峰值基本相同。这是因为即使集中式架构在数据下行后立即ack，但在集中式架构中，数据下行链路并不频繁。

6.6 回程backhaul

在本文中，我们着重于从卫星下载数据到地面站。然而，为了对最终用户产生作用，需要将这些数据传输到在云中运行的最终应用程序或在其他终端主机上。考虑到数据的数量，将这些数据传输给最终用户是非常重要的，可能会导致更多的延迟。我们将对这种延迟的详细分析留到以后的工作中，但在这里简要地分析一下回程需求。
以1分钟为间隔进行数据下载分析，图10给出了数据下载分布，中值是0.07GB，第90%是1.2GB，99%是1.72GB。实时将数据上载需要接近30Mbps的上载容量。作为对比，5个baseline的基站中值是0.2GB，90%是12.96，99%是15.6GB。

有两个insight。1.地站的流量宽松且集中，中值很低因为星地链路一般并不活跃。但峰值贼高。2. 对高容量地站来说高容量的互联网很重要，但是这对于一些位置，如极地来说不现实，因此边缘计算是一种理想的解决方法。

7 相关工作

LEO星座下行链路受限的问题在学术界和工业界都得到了研究。很大部分工作着重在增强星地链路，或者通过预计算减少下载量，但这将会与售卖观测数据的交易背道而驰。而且由于缺乏先验知识，一些重要的信息可能会被忽略掉。
在该行业，最近出现了多项努力以分钟为单位将个别地面站的时间出租给卫星运营商。这是一个受欢迎的趋势，使能够访问新的卫星运营商，但遭受类似的监管和设备的挑战。然而,这项投资为未来的分布式地面站建筑等新的抽象概念开辟了可能性。在L2D2,我们研究了这种可能性。verge是与L2D2最接近的。43中计划用分布式的S波段的椭圆天线部署。每个天线将原始射频测量数据流到云中，在那里一个软件定义的接收器将解码这些数据。相比之下，L2D2与天线一起放置计算，解码和处理后的数据被发送到云，这有效的减少了回程容量。此外，它允许边缘计算工作负载，可以以一种高效的方式优先级将数据上传到云。一种直接的影响是S波段带宽低。
调度问题也有过很多研究。这些研究不关注随时间变化的链路质量，或者仅关注单个卫星多个地站。而L2D2给出了一种多星多站的配置。
之前对星地链路质量的仿真一般不考虑真实世界的复杂度，比如反射。一些工作对低频率波段进行了真实数据的测量数据的接近。但地球观测数据一般在X波段或者更高波段。L2D2比统计模型更优。L2D2使用数据驱动的方式来衡量多径和反射等问题。
最后，L2D2受到了open source ground station的启发。这些部署促进了调度、任务控制和地面站设计的其他方面的研究。但大多数设计局限在低频、低数据速率的少量实验数据。L2D2中我们有三个维度的不同：分布式设计框架，高频率高带宽，仅接受和可传递的地站的混合。
与之前我们的workshop文章的不同在于：a考虑了切换时延的新的调度框架；b新的数据驱动的链路仿真算法；c 实际世界数据扩展。

8 结论

给出一个新颖的地球观测星座的地站设计方案L2D2。使用了一种混合能力的地站：仅能下载的和上下行皆可的。其地理分布式以及新的调度方案、速率适应方案使得L2D2可以从大规模的LEO中经过数分钟成功下载数据，而传统的则需要几个小时。由于设计比较简单、低成本，因此这些方法在其他场景也可以得到充分的应用。最后根据3.4的讨论，希望这个工作能开启分布式地站面向鲁棒性、高性能、敏捷的设计。