Ergodic Capacity and Optimal Handover in Satellite Mega-Constellations under Finite Serving Times

Resumen Técnico: Capacidad Ergódica y Handover Óptimo en Megaconstelaciones Satelitales bajo Tiempos de Servicio Finitos

Planteamiento del Problema
Los análisis existentes de la capacidad ergódica en megaconstelaciones satelitales de Órbita Baja Terrestre (LEO) enfrentan una compensación entre la manejabilidad y el realismo. Los modelos deterministas, aunque precisos para simulaciones específicas de sistemas, a menudo son intratables para el análisis teórico de constelaciones ultra-densas. Por el contrario, los modelos puramente estocásticos carecen de la persistencia temporal requerida para optimizar las estrategias de handover cuando los tiempos de servicio son lo suficientemente largos como para que la estadística del enlace evolucione. Además, los criterios tradicionales de handover (por ejemplo, distancia mínima o tiempo de servicio máximo) a menudo no tienen en cuenta la evolución dependiente del tiempo de la calidad del canal, particularmente en presencia de desvanecimiento por sombra, lo que conduce a un rendimiento agregado subóptimo. El artículo aborda la necesidad de un marco que caracterice la capacidad ergódica bajo estrategias de handover arbitrarias y tiempos de servicio finitos, modelando explícitamente la "persistencia" del enlace satelital.

Metodología
Los autores desarrollan un marco semi-estocástico que cierra la brecha entre los procesos puntuales puramente estocásticos y las simulaciones de órbita totalmente deterministas.

• Modelado del Canal: El enlace usuario-satélite se modela como un canal de desvanecimiento Rician sombreado. La constelación satelital se representa utilizando un Proceso Puntual Binomial No Homogéneo (NBPP) para muestrear los satélites visibles en cada evento de handover. Crucialmente, el marco introduce un "canal satelital persistente" donde la trayectoria del satélite seleccionado se propaga utilizando dinámica de órbita circular (o SGP4 para simulaciones realistas) durante un tiempo de servicio finito.
• Proceso de Handover: El handover se modela como un proceso puntual estocástico donde las decisiones se toman independientemente en cada evento de activación. El tiempo de servicio está restringido por límites mínimos ($T_{min}$) y máximos ($T_{max}$), limitando el tiempo de visibilidad natural del satélite.
• Formulación de la Capacidad: El artículo define la Capacidad Persistente como el throughput promedio a largo plazo derivado mediante el teorema de renovación-recompensa. Esto se formula como la relación entre la capacidad total esperada acumulada durante un período de servicio y la duración esperada de dicho período.
• Optimización: La estrategia de handover óptima se formula como un programa fraccional no lineal destinado a maximizar la capacidad persistente. Los autores emplean una variante del algoritmo de Dinkelbach para derivar una regla de decisión explícita. Esto implica resolver iterativamente un valor umbral de capacidad que iguale el residuo entre la capacidad de servicio instantánea y la capacidad máxima promedio.
• Simulación: El marco teórico se valida mediante simulaciones de Monte Carlo basadas en el modelo NBPP y se compara con la propagación de órbita realista utilizando el modelo Simplified General Perturbations 4 (SGP4) con datos de Elementos de Línea Dos (TLE) de Starlink. Las simulaciones cubren usuarios en Melbourne (baja latitud) y Helsinki (alta latitud).

Contribuciones Clave

1. Marco Semi-Estocástico: El artículo introduce un modelo semi-estocástico manejable para handovers centrados en el usuario que incorpora predicción orbital y tiempos de servicio arbitrarios, denominado "canal satelital persistente". Esto extiende trabajos anteriores al proporcionar ecuaciones de predicción orbital de forma cerrada y un método eficiente de muestreo NBPP.
2. Derivación de la Capacidad Persistente: Los autores derivan la capacidad ergódica de este canal persistente, relacionándola con la capacidad "no persistente" encontrada en la literatura anterior. Proporcionan cotas superiores e inferiores de forma cerrada para esta capacidad, facilitando una evaluación eficiente.
3. Estrategia de Handover Óptima: Se deriva una regla de decisión de forma cerrada para el handover óptimo utilizando un algoritmo tipo Dinkelbach. La estrategia selecciona el satélite que maximiza la diferencia entre su capacidad de servicio instantánea y el producto de la capacidad persistente óptima y su duración de servicio.
4. Análisis de Aproximación: El artículo demuestra que una estrategia más simple, que maximiza la "capacidad de servicio" (capacidad por unidad de tiempo) sin conocimiento explícito de la capacidad óptima global, aproxima estrechamente el óptimo teórico.

Resultados

• Cotas de Capacidad: Se demuestra que la cota superior derivada para la capacidad persistente es ajustada, particularmente para usuarios de alta latitud donde la densidad satelital es mayor.
• Rendimiento de la Estrategia:
  • En escenarios con tiempos de servicio sin restricciones (larga persistencia), la estrategia óptima ($H^\star$) proporciona solo una ganancia marginal (aprox. 0.03–0.07 dB) sobre la estrategia más simple de capacidad de servicio máxima ($H_{MSC}$).
  • Bajo predicciones de órbita realistas basadas en SGP4, la estrategia $H_{MSC}$ a menudo supera a la $H^\star$ teórica derivada del modelo NBPP, probablemente debido a que las suposiciones de independencia en el modelo estocástico no se cumplen perfectamente en trayectorias deterministas.
  • Para tiempos de servicio fijos (por ejemplo, 15 segundos, imitando las operaciones actuales de Starlink), la distinción entre estrategias óptimas y subóptimas disminuye, y $H_{MSC}$ funciona mejor.
  • En comparación con una estrategia de handover aleatoria en el peor de los casos, el uso de información lateral (posición y estadísticas de desvanecimiento) produce una ganancia significativa de aproximadamente 1.07–1.15 dB.
• Precisión del Modelo: El modelo semi-estocástico muestra un acuerdo cercano con las simulaciones de órbita SGP4 y circular, validando su uso para el análisis teórico.

Significado
El artículo establece la capacidad persistente como un referente manejable de teoría de la información para el handover en megaconstelaciones LEO. Clarifica la relación entre las formulaciones no persistentes (instantáneas) y persistentes (promediadas en el tiempo), mostrando que los modelos puramente estocásticos son más apropiados para tiempos de servicio cortos. El significado práctico principal radica en el hallazgo de que una estrategia de baja complejidad —maximizar la capacidad de servicio— aproxima estrechamente el óptimo teórico. Esto proporciona una base principista y computacionalmente eficiente para diseñar algoritmos de handover en redes satelitales a gran escala, reduciendo el espacio de búsqueda para la coordinación multiusuario sin sacrificar un rendimiento significativo. El trabajo no afirma resolver el problema de asignación multiusuario en sí mismo, sino que proporciona la métrica de utilidad de la capa física necesaria para informar algoritmos de programación de capas superiores.