⚡ electrical engineering

A Joint JSCC-Resource Allocation Framework for QoS-Aware Semantic Communication in LEO Satellite-based EO Missions

تقترح هذه الورقة إطار عمل للترميز المشترك للمصدر والقناة وتخصيص الموارد لمهام مراقبة الأرض القائمة على الأقمار الاصطناعية ذات المدار الأرضي المنخفض، والذي يقلل من قدرة الإرسال تحت قيود جودة الخدمة من خلال تقريب العلاقة المعقدة بين الضغط، وجودة الإشارة، وإعادة بناء الصور عبر نموذج ملاءمة المنحنيات وخوارزمية تحسين مخصصة.

المؤلفون الأصليون: Hung Nguyen-Kha, Ti Ti Nguyen, Vu Nguyen Ha, Eva Lagunas, Symeon Chatzinotas, Bjorn Ottersten

نُشر 2026-03-13

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Hung Nguyen-Kha, Ti Ti Nguyen, Vu Nguyen Ha, Eva Lagunas, Symeon Chatzinotas, Bjorn Ottersten

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

🛰️ الصورة الكبيرة: مشكلة "توصيل الشحنات في الفضاء"

تخيل أسطولاً من شاحنات التوصيل عالية التقنية (الأقمار الصناعية في المدار الأرضي المنخفض) تدور حول الأرض. مهمتها هي التقاط صور عالية الدقة للكوكب (مثل رصد حريق في غابة أو مراقبة عاصفة) وإرسالها مرة أخرى إلى مستودع مركزي (المحطات الأرضية).

المشكلة:

الحمولة ثقيلة جداً: هذه الصور ضخمة. إرسالها بالكامل يستهلك مساحة هائلة في مستودع شاحنة النقل (عرض النطاق الترددي - Bandwidth) ويحرق الكثير من الوقود (الطاقة).
الشاحنة تعمل ببطارية: الأقمار الصناعية لديها طاقة محدودة جداً. لا يمكنها ببساطة إرسال كل تلك البيانات بأقصى سرعة؛ بل يجب أن تكون فعالة.
الطريق وعر: بينما يدور القمر الصناعي حول الأرض، تصبح الاتصالات مع الأرض قوية وضعيفة (مثل القيادة عبر نفق أو صعود تلة).
الهدف: الفريق الأرضي لا يحتاج دائماً إلى كل بكسل في الصورة. هم يحتاجون فقط لمعرفة ماذا يوجد في الصورة (مثلاً: "هناك حريق هنا" أو "النهر غمرته المياه").

الطريقة القديمة (JPEG):
تقليدياً، يلتقط القمر الصناعي الصورة، ثم يضغطها إلى ملف أصغر (مثل ملف ZIP)، ويرسل الملف بالكامل. إذا كان الاتصال سيئاً، يتلف الملف وتظهر الصورة مشوشة أو مكسورة. الأمر يشبه إرسال مزهرية زجاجية هشة؛ حيث يتعين عليك تغليفها بالكثير من فقاعات الحماية (بيانات زائدة) مما يجعل الطرد ثقيلاً ومكلف الشحن.

الطريكة الجديدة (الاتصال الدلالي - Semantic Communication):
تقترح هذه الورقة طريقة أكثر ذكاءً. بدلاً من إرسال "المزهرية الزجاجية" بأكملها، يعمل القمر الصناعي كـ مترجم ذكي. ينظر إلى الصورة، يفهم معناها، ثم يرسل فقط "جوهر" الصورة.

التشبيه: بدلاً من إرسال رواية من 100 صفحة، يرسل القمر الصناعي ملخصاً من صفحة واحدة يلخص الحبكة. إذا أراد الفريق الأرضي معرفة ما إذا كان هناك حريق، فسيصلهم رسالة "تم اكتشاف حريق" دون الحاجة إلى الصورة عالية الدقة للأشجار.

🧠 السر الخفي: "العقل" (JSCC)

تستخدم الورقة تقنية تسمى الترميز المشترك للمصدر والقناة (Joint Source-Channel Coding - JSCC). فكر في هذا كأنه طاهٍ ذكي جداً.

الطبخ التقليدي: أنت تقطع الخضروات (ترميز المصدر)، تضعها في صندوق (ترميز القناة)، ثم تشحنها. إذا تحطم الصندوق، ستفسد الخضروات.
الطاهي الذكي (JSCC): يتذوق الطاهي الطبق أثناء الطبخ. هو يعرف بالضبط مقدار الملح (البيانات) المطلوب لجعل النكهة (جودة الصورة) مثالية، حتى لو اصطدمت شاحنة التوصيل بمطب صناعي. هو يعدل الوصفة في الوقت الفعلي بناءً على ظروف الطريق.

📉 التحدي: "الصندوق الأسود"

واجه الباحثون مشكلة رياضية معقدة. كانوا يعلمون أن:

تغيير كيفية ضغط الذكاء الاصطنا_للصورة يغير الجودة.
تغيير قوة الإشارة (SNR) يغير الجودة.
لكنهم لم يمتلكوا معادلة بسيطة للتنبؤ بكيفية تفاعل هذه الأشياء الثلاثة معاً. كان الأمر يشبه محاولة خبز كعكة دون معرفة كيف تؤثر درجة حرارة الفرن على ارتفاعها.

الحل: "خريطة مطابقة المنحنى"
لحل ذلك، أنشأ الباحثون خريطة (نموذج مطابقة المنحنى). أجروا آلاف عمليات المحاكاة، ودونوا ملاحظات حول كيفية تغير جودة الصورة مع الإعدادات المختلفة، ورسموا خطاً ناعماً يربط بين النقاط.

التشبيه: تخيل أنك تحاول تخمين المسافة التي ستطيرها كرة بناءً على قوة رميك لها. بدلاً من القيام بفيزياء معقدة في كل مرة، تنظر فقط إلى مخطط صنعته بالأمس يقول: "إذا رميت الكرة بزاوية X وبقوة Y، فستستقر هنا". هذه الخريطة حولت مشكلة رياضية مستحيلة إلى مشكلة قابلة للحل.

🚀 الاستراتيجية: "الموزع الذكي" (JCRRA)

تقترح الورقة خوارزمية تسمى JCRRA (تخصيص الموارد ونسبة الضغط المشتركة). فكر في هذا كـ موزع ذكي يدير شاحنات التوصيل.

على الموزع أن يقرر ثلاثة أشياء لكل صورة:

كم مقدار التلخيص؟ (نسبة الضغط): هل نرسل ملخصاً من صفحة واحدة أم ملخصاً من 5 صفحات؟
أي طريق نسلك؟ (تخصيص الموارد): أي قناة تردد هي الأكثر وضوحاً الآن؟
بأي قوة ندفع المحرك؟ (الطاقة): كم مقدار الطاقة التي نستخدمها للإرسال؟

منطق الخوارزمية:
بدلاً من التخمين، يستخدم الموزع "الخريطة" (نموذج مطابقة المنحنى) لحساب التوازن المثالي.

إذا كان الطريق وعراً (إشارة سيئة)، يرسل ملخصاً أقصر (ضغط أكثر) ولكنه يستخدم القدر الكافي من الطاقة للمرور.
إذا كان الطريق ممهداً (إشارة جيدة)، يرسل ملخصاً أطول قليلاً للحصول على جودة أفضل، ولكنه يوفر الطاقة لأن الإشارة قوية.

🏆 النتائج: توفير الوقود

اختبر الباحثون "الموزع الذكي" الخاص بهم مقابل طريقتين أخريين:

Greedy JSCC: طاهٍ ذكي يختار حجم ملخص عشوائي ويلتزم به.
Greedy JPEG: الطريقة القديمة المتمثلة في ضغط الملف بالكامل والأمل في الأفضل.

النتيجة:

توفير الوقود: وفرت الطريقة الجديدة كمية هائلة من الطاقة (ما يصل إلى 6-7 ديسيبل ميللي واط، وهو فرق ضخم في مصطلحات الأقمار الصناعية).
المرونة: تعاملت مع "الطرق الوعرة" (تغير مواقع الأقمار الصناعية) بشكل أفضل بكثير من الطرق القديمة.
الجودة: ضمنت حصول الفريق الأرضي على الجودة التي طلبوها بالضبط، لا أكثر ولا أقل.

💡 الخلاصة

تتعلق هذه الورقة بتعليم الأقمار الصناعية كيف تكون أكثر ذكاءً، وليس فقط أكثر صخباً. بدلاً من الصراخ بالقصة كاملة إلى الأرض، هم يهمسون بأهم أجزائها. من خلال استخدام الذكاء الاصطناعي لفهم معنى الصور والرياضيات لتحسين عملية التوصيل، يمكننا إرسال المزيد من البيانات، بشكل أسرع، وباستخدام طاقة بطارية أقل.

باخت المختصر: إنه الفرق بين إرسال صندوق ثقيل وهش مليء بالصخور (الطريقة القديمة) وإرسال رسالة نصية تقول: "الصخور وصلت، وهي حمراء اللون" (الطريقة الجديدة). الرسالة النصية تصل بشكل أسرع، وبتكلفة أقل، ومع ذلك تخبرك بكل ما تحتاج لمعرفته.

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "إطار عمل مشترك لترميز المصدر والقناة وتخصيص الموارد من أجل اتصالات دلالية واعية بجودة الخدمة في مهام الاستشعار عن بعد المعتمدة على الأقمار الصناعية ذات المدار الأرضي المنخفض (LEO)."

1. بيان المشكلة

تتناول الورقة التحدي الحرج المتمثل في نقل كميات هائلة من بيانات الاستشعار عن بعد (EO) عالية الدقة من الأقمار الصناعية ذات المدار الأرضي المنخفض (LEO) إلى المستخدمين على الأرض في ظل قيود صارمة:

ميزانية طاقة محدودة: تمتلك الأقمار الصناعية (LEO) قدرة محدودة على توليد الطاقة، مما يجعل الإرسال الموفر للطاقة أمراً بالغ الأهمية.
بيئة ديناميكية: تسبب حركة الأقزاء (LEO) ظروف قناة متغيرة زمنياً (تلاشي، وتغيرات في المسافة المائلة)، مما يعقد عملية تخصيص الموارد.
متطلبات جودة الخدمة (QoS): تتطلب المهام اللاحقة (مثل الاستجابة للكوارث) مستوى معيناً من جودة إعادة بناء الصورة، والذي يُقاس باستخدام مقياس تشابه البنية (SSIM)، بدلاً من مجرد دقة البتات الخام.
تعقيد التحسين: الهدف هو تقليل إجمالي طاقة الإرسال الهابط (downlink) مع تلبية متطلبات الـ SSIM. وهذا يتطلب تحسيناً مشتركاً لـ:
1. ارتباط المستخدم (User Association): أي قناة فرعية تخدم أي مستخدم في أي شريحة زمنية.
2. التحكم في القدرة (Power Control): تخصيص قدرة الإرسال.
3. الضغط الدلالي (Semantic Compression): اختيار النسبة المثلى لترميز المصدر والقناة المشترك (JSCC).

تكمن الصعوبة الجوهرية في العلاقة الضمنية وغير التحليلية بين معاملات الـ JSCC (نسبة الضغط)، وظروف القناة (SNR)، وجودة الصورة الناتجة (SSIM)، بالإضافة إلى الطبيعة المختلطة للمتغيرات (خيارات ضغط منفصلة وارتباط ثنائي).

2. المنهجية

يقترح المؤلفون إطار عمل شاملاً لحل مشكلة التحسين غير المحدبة هذه:

أ. نموذج النظام

البنية: يخدم قمر صناعي (LEO) عدد $K$ من المستخدمين عبر $T$ من الشرائح الزمنية باستخدام $S$ من القنوات الفرعية.
الاتصال الدلالي (SemCom): بدلاً من إرسال البتات الخام، يستخدم النظام مشفر JSCC يعتمد على التعلم العميق لاستخراج الميزات الدلالية من الصور ومشفر (decoder) لإعادة بنائها.
القيود:
- التعامد (مستخدم واحد لكل قناة فرعية في كل شريحة زمنية).
- حدود ميزانية القدرة.
- قيود التأخير (يجب إرسال الصور ضمن نافذة زمنية محددة).
- قيود جودة الخدمة (الـ SSIM المتوقع $\geq$ الهدف $Q_k$ ).

ب. تقريب مطابقة المنحنى (Curve-Fitting Approximation)

لجعل المشكلة قابلة للحل، عالج المؤلفون غياب التعبير الرياضي المغلق الذي يربط بين SSIM، ونسبة الضغط ( $\rho$ )، وSNR ( $\gamma$ ).

النمذجة القائمة على البيانات: باستخدام مجموعة بيانات EUROSAT ونموذج JSCC مدرب مسبقاً، قاموا بتوليد نقاط بيانات تربط بين $(\rho, \gamma) \to \text{SSIM}$ .
دالة التقريب: اقترحوا نموذج مطابقة منحنى (المعادلة 7) لتقريب الـ SSIM المتوقع كدالة لنسبة الضغط وSNR:
$f_Q(\rho, \gamma) = \bar{a} + \sum_{j=1}^{J} (a_{0,j}e^{a_{4,j}\rho} + a_{1,j}f_{es,j}(\rho, \gamma))$
هذا يحول قيد جودة الخدمة الضمني إلى دالة رياضية صريحة.

ج. خوارزمية التحسين (JCRRA)

المشكلة الأصلية (P0) غير محدبة بسبب المتغيرات المنفصلة والطبيعة غير المحدبة للدالة المقربة. يقترح المؤلفون خوارزمية النسبة المشتركة للضغط وتخصيص الموارد (JCRRA):

تحويل المشكلة: تمت إعادة صياغة المشكلة (P1 $\to$ P2) عن طريق إدخال متغير SNR مستهدف وتخفيف القيود المنفصلة.
التخفيف المنفصل (Discrete Relaxation): تم تخفيف متغيرات الارتباط الثنائية ( $\alpha$ ) ونسب الضغط المنفصلة ( $\rho$ ) إلى نطاقات مستمرة.
التقريب المحدب المتتالي (SCA):
- تم جعل قيد جودة الخدمة غير المحدب "محدباً" باستخدام تقريبات تايلور من الدرجة الأولى (حدود دنيا للمصطلحات المحدبة، وحدود عليا للمصطل terms التناقصية).
- تم إدخال متغيرات مساعدة (slack variables) للتعامل مع هيكل الدالة المعقد.
الحل التكراري: تقوم خوارزمية تكرارية بحل المشكلة الفرعية المحدبة.
الاستعادة (Recovery): يتم تعيين الحلول المستمرة مرة أخرى إلى قيم منفصلة (الارتباط الثنائي عبر العتبة، ونسبة الضغط عبر اختيار أقرب جار).

3. المساهمات الرئيسية

إطار عمل مبتكر: أول دمج للاتصال الدلالي القائم على JSCC خصيصاً لمهام الاستشعار عن بعد (EO) للأقمار الصناعية (LEO)، مع التركيز على تقليل القدرة تحت قيود جودة الخدمة.
النمذجة القائمة على البيانات: تطوير نموذج مطابقة منحنى لتقريب العلاقة المعقدة بين جودة الصورة، والضغط، وSNR القناة، مما يسمح بالتحسين التحليلي.
تصميم الخوارزمية: اقتراح خوارزمية JCRRA باستخدام SCA لحل مشكلة القيم الصحيحة المختلطة وغير المحدبة بكفاءة.
المقارنة المرجعية: تقديم نموذجين أساسيين "جشعين" (Greedy) للمقارنة:
- الـ JSCC الجشع (Greedy JSCC): نسبة ضغط ثابتة، وتخصيص موارد جشع.
- الـ JPEG الجشع (Greedy JPEG): ضغط JPEG تقليدي يليه تخصيص موارد قائم على سعة شانون.

4. النتال الرقمية

أُجريت المحاكاة باستخدام مجموعة بيانات EUROSAT مع بارامترات مدارية واقعية لـ LEO (مدار Starlink، تردد 20 جيجاهرتز، عرض نطاق 40 ميجاهرتز).

توفير القدرة مقابل Greedy JSCC: حققت خوارزمية JCRRA المقترحة توفيراً إضافياً في القدرة يتراوح بين 0.7 إلى 1.8 dBm مقارنة بمخطط Greedy JSCC من خلال التحسين المشترك للضغط والموارد.
توفير القدرة مقابل التقليدي (JPEG): تفوق نهج JSCC بشكل كبير على طريقة JPEG التقليدية.
- تحت استراتيجيات جشعة مماثلة، وفر JSCC حوالي 6 dBm.
- مع التحسين الكامل (JCRRA)، كان توفير القدرة الإجمالي مقارنة بـ JPEG كبيراً، مما يسلط الض الضوء على كفاءة الإرسال الدلالي.
تأثير التأخير: مع تخفيف متطلبات التأخير (السماح بمزيد من الشرائح الزمنية)، انخفضت قدرة الإرسال لجميع المخططات، لكن JCRRA حافظ باستمرار على أدنى استهلاك للقدرة من خلال استغلال مكاسب القناة المتغيرة زمنياً.
تأثير متطلبات SSIM: أظهر JSCC أداءً فائقاً عند متطلبات SSIM المنخفضة. وبينما كان توفير القدرة في JPEG هامشياً عند خفض SSIM، انخفض استهلاك القدرة في JSCC بشكل حاد لأن الـ SNR المطلوب انخفض بشكل كبير مع انخفاض عتبات الجودة.

5. الأهمية والخاتمة

يُظهر هذا العمل أن الاتصال الدلالي (SemCom) المدمج مع ترميز المصدر والقناة المشترك (JSCC) هو نموذج قابل للتطبيق وعالي الكفاءة لشبكات الأقمار الصناعية (LEO) المستقبلية.

كفاءة الطاقة: من خلال إرسال الميزات الدلالية ذات الصلة بالمهمة فقط بدلاً من البتات الخام، يقلل النظام بشكل كبير من الطاقة المطلوبة لنقل الصور عالية الدقة.
القابلية للتكيف: يتعامل إطار العمل بفعالية مع الطبيعة الديناميكية لقنوات LEO ومتطلبات جودة الخدمة المتغيرة للمستخدمين.
الواقعية: يسمح استخدام مطابقة المنحنى بدمج نماذج JSCC القائمة على التعلم العميق في أطر التحسين التقليدية دون الحاجة إلى تحسين معقد لـ "النهاية إلى النهاية" (end-to-end) للطبقة الفيزيائية بأكملها.

تخلص الورقة إلى أن خوارزمية JCRRA المقترحة تقدم حلاً قوياً لتقليل استهلاك القدرة في مهام الاستشعار عن بعد للأقمار الصناعية، مما يمهد الطريق لأنظمة اتصالات أقمار صناعية أكثر استدامة وعالية السعة.