SafeLink-Agent: Agentic Maintenance for Adaptive Bitrate Controllers over Dynamic Starlink Networks

📄 arXiv: 2608.28194v1 📥 PDF

作者: Hongjun Xie, Bowen Zhang, Genke Yang, Pengcheng Luo

分类: eess.SY

发布日期: 2026-08-28

💡 一句话要点

提出SafeLink-Agent以解决动态Starlink网络下自适应码率控制器的维护问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 自适应码率控制 动态网络 低地球轨道卫星 流媒体服务 大型语言模型 网络维护 鲁棒性提升

📋 核心要点

  1. 现有的自适应码率控制器通常针对特定网络条件设计，难以适应Starlink网络的动态变化，导致流媒体质量不稳定。
  2. SafeLink-Agent框架通过总结故障并利用LLM生成补丁，结合重放验证，提供了一种新的维护方法，适用于不同类型的控制器。
  3. 在真实的Starlink网络实验中，SafeLink-Agent显著降低了严重会话比例，从2.60%降至0.40%，并减少了累计严重会话数量。

📝 摘要（中文）

低地球轨道（LEO）卫星宽带，尤其是Starlink，使得高分辨率视频流在固定地面覆盖之外成为可能。然而，Starlink接入链路随时间和区域变化，导致自适应码率（ABR）流媒体面临吞吐量波动、延迟和切换条件的挑战。现有的ABR控制器通常针对特定网络条件进行设计和调优，难以应对新出现的Starlink网络特性。本文提出了SafeLink-Agent，一个针对动态Starlink网络的ABR控制器的代理维护框架。该框架总结了暴露的故障，并使用基于大型语言模型（LLM）的代理补丁提议者生成候选补丁，同时通过重放验证确定每个补丁是否可以安全提交。实验结果表明，SafeLink-Agent显著提高了ABR在动态Starlink接入条件下的鲁棒性。

🔬 方法详解

问题定义：本文旨在解决动态Starlink网络下自适应码率控制器的维护问题。现有方法通常针对特定网络条件进行设计，难以应对Starlink网络的波动性和不确定性，导致流媒体体验不佳。

核心思路：SafeLink-Agent框架通过总结网络故障，利用大型语言模型（LLM）生成候选补丁，并通过重放验证确保补丁的安全性，从而实现对ABR控制器的动态维护。

技术框架：该框架包括故障总结模块、补丁生成模块和重放验证模块。故障总结模块收集并分析网络状态，补丁生成模块基于LLM提出改进方案，重放验证模块则测试补丁的有效性。

关键创新：SafeLink-Agent的创新在于其代理维护机制，能够在动态环境中自动生成和验证补丁，显著提高了ABR控制器的适应性和鲁棒性。这一机制与传统的静态调优方法形成鲜明对比。

关键设计：框架中使用的LLM能够处理复杂的网络状态信息，补丁生成过程结合了多种网络参数的动态调整，确保了补丁的有效性和安全性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，SafeLink-Agent在真实Starlink网络中显著降低了RobustMPC的严重会话比例，从2.60%降至0.40%，累计严重会话数量从45减少到7。对于学习型控制器，经过验证的自适应审计将平均严重会话比例从39.01%降低至9.79%。

🎯 应用场景

SafeLink-Agent的研究成果可广泛应用于低地球轨道卫星网络的自适应流媒体服务，尤其是在高分辨率视频传输和实时通信等领域。其动态维护能力将提升用户体验，降低流媒体服务的中断风险，具有重要的实际价值和未来影响。

📄 摘要（原文）

Low Earth orbit (LEO) satellite broadband, represented by Starlink, is making high-resolution video streaming feasible beyond fixed terrestrial coverage. However, Starlink access links change across time and regions, exposing adaptive bitrate (ABR) streaming to shifting throughput tails, latency, volatility, and handover conditions. Existing ABR controllers are usually designed, tuned, or trained for specific network conditions, making it difficult to handle newly exposed hard Starlink profiles. This paper proposes SafeLink-Agent, an agentic maintenance framework for ABR controllers over dynamic Starlink networks. SafeLink-Agent summarizes exposed failures and uses a large language model (LLM)-based agentic patch proposer to generate candidate patches, while replay verification determines whether each patch can be safely committed. The framework supports both rule-based controllers and learned controllers under the same maintenance workflow. Experiments on real Starlink networks show that SafeLink-Agent reduces the severe-session ratio of RobustMPC from 2.60% to 0.40% and reduces cumulative severe sessions from 45 to 7 in rolling maintenance. For learned controllers, verified adaptive auditing lowers the average severe-session ratio from 39.01% to 9.79%. These results demonstrate that agentic maintenance can improve ABR robustness under dynamic Starlink access conditions.