Radio Resource Allocation for Beam Hopping Scheduling in LEO Satellite Communications: A Spatio-Temporal Perspective

Resumen Técnico: Asignación de Recursos de Radio para la Programación de Salto de Haz en Comunicaciones de Satélites LEO

Planteamiento del Problema
Las redes de satélites de Órbita Terrestre Baja (LEO) enfrentan desafíos significativos en la asignación de recursos de radio debido a las demandas de tráfico dinámicas y las estrictas restricciones de interferencia. La tecnología de salto de haz (Beam Hopping - BH) ofrece una solución al permitir la asignación dinámica de recursos de haz a través de los dominios espacial y temporal. Sin embargo, el problema de programación de BH es fundamentalmente una tarea de optimización combinatoria discreta de alta dimensión. Requiere optimizar conjuntamente las secuencias de activación de haces y gestionar la interferencia bajo restricciones de potencia de transmisión, ancho de banda y calidad de servicio (QoS). Los enfoques existentes enfrentan limitaciones prácticas:

• Heurísticas Voraces (Greedy): Aunque poseen baja complejidad, dependen de diseños de vecindad fijos y son propensas a óptimos locales, fallando a menudo en equilibrar el rendimiento (throughput), la equidad y la interferencia en paisajes multimodales.
• Algoritmos Evolutivos: Métodos como los Algoritmos Genéticos (GA) ofrecen capacidades de búsqueda global pero pueden ser computacionalmente intensivos y pueden tener dificultades con la velocidad de convergencia.
• Enfoques Basados en Aprendizaje: El Aprendizaje por Refuerzo Profundo (DRL) y otros algoritmos inteligentes requieren extensos datos de entrenamiento, presupuestos computacionales elevados y, a menudo, carecen de interpretabilidad y generalización ante cambios ambientales (por ejemplo, dinámica orbital o cambios en el modelo de tráfico).

Metodología
El artículo propone una estrategia de asignación de recursos de BH espacio-temporal basada en Búsqueda Tabú (TS) que integra un marco de generación-evaluación de dos etapas con criterios de aceptación de Recocido Simulado (SA). Los componentes centrales de la metodología incluyen:

1. Formulación del Problema: El problema de programación de BH se modela para maximizar la satisfacción de la demanda del usuario mediante la minimización de la brecha al cuadrado entre la capacidad total suministrada y la demanda del usuario durante un período de programación, sujeto a restricciones de distancia de interferencia y un límite en el número de haces simultáneamente activos ($N_b$).
2. Marco de Solución de Dos Etapas:
   • Etapa 1 (Factibilidad e Inicialización): Se construye una solución inicial factible utilizando una heurística voraz. Este proceso prioriza las celdas con mayor demanda de tráfico residual mientras aplica estrictamente las restricciones de distancia de interferencia intra-satelital (asegurando que los haces activos estén separados por al menos un umbral $D_{thr}$).
   • Etapa 2 (Efectividad y Optimización): El algoritmo realiza la exploración de vecindad y selección adaptadas a objetivos de optimización específicos (por ejemplo, compensaciones entre cobertura-rendimiento-equidad).
3. Innovaciones Algorítmicas Clave:
   • Control Adaptativo de la Tenacidad de Tabú: A diferencia de las listas tabú de parámetros fijos, la longitud de la tenacidad ($L_{tabu}$) se configura dinámicamente según la dimensionalidad del problema ($N_b \times N_m$). Esto permite que la intensidad de búsqueda escale con el tamaño del problema, equilibrando la exploración y la explotación.
   • Aceptación Probabilística (Recocido Simulado): Para evitar la convergencia prematura y el estancamiento de la búsqueda, el método incorpora un criterio de aceptación de SA. Esto permite que el algoritmo acepte probabilísticamente soluciones "peores", facilitando la salida de los óptimos locales y mejorando el equilibrio entre la cobertura del usuario y la demanda de tráfico variable en el tiempo.
   • Estrategia de Movimiento de Vecindad: El algoritmo emplea una estrategia de recuento de haces aleatorios e índice de haces aleatorios, guiada por heurísticas de prioridad y de evitación de interferencias para generar soluciones candidatas.

Contribuciones Clave
El artículo reclama tres contribuciones primarias:

1. Esquema de Asignación de Recursos Espacio-Temporal: La introducción de un mecanismo de control de tenacidad de tabú adaptable al tamaño del problema que escala la intensidad de búsqueda con la dimensionalidad del problema, reduciendo la dependencia del ajuste manual de parámetros.
2. Marco de Generación-Evaluación de Dos Etapas: Un enfoque estructurado que separa la factibilidad (inicialización consciente de la interferencia) de la efectividad (exploración de vecindad consciente del objetivo), asegurando un equilibrio entre la eficiencia de la búsqueda local y la capacidad de búsqueda global.
3. Robustez e Interpretabilidad: El enfoque propuesto está diseñado para ser más robusto ante cambios ambientales (dinámica orbital, cambios de tráfico) y ofrece una lógica de decisión más clara en comparación con los modelos de aprendizaje de caja negra, reduciendo además los requisitos de datos y computación en relación con el aprendizaje de extremo a extremo.

Resultos
Se realizaron simulaciones extensas comparando el método propuesto de Búsqueda Tabú + Recocido Simulado (TS+SA) contra el Salto de Haz Voraz con y sin Control de Interferencia (GBH-AIC/GBH-WIC) y un modelo base de Algoritmo Genético (GA). Los resultados indican:

• Rendimiento (Throughput): El método propuesto mejora el rendimiento del sistema en un 17.2% en comparación con GBH-AIC y un 6.5% en comparación con GA.
• Satisfacción del Usuario: La satisfacción del servicio aumentó un 11.7% sobre GBH-AIC y un 4.4% sobre GA.
• Calidad del Enlace: El método logró una SINR promedio más alta (10.2 dB frente a 9.7 dB para GA) y redujo la tasa de interrupción (outage) al 2.3%, significativamente menor que los modelos base.
• Robustez: La brecha de rendimiento entre el método propuesto y los modelos base voraces se amplió bajo distribuciones de tráfico sesgadas (por ejemplo, la regla de Pareto 80/20), donde el método propuesto mostró una mejora del rendimiento del 36.7% sobre la base voraz, demostrando un manejo superior de demandas heterogéneas.
• Complejidad: El algoritmo mantiene una carga computacional razonable (aproximadamente 5 segundos por período de programación en una CPU estándar), lo que lo hace adecuado para la computación fuera de línea con ranuras de tiempo de 40 ms.

Significancia
El artículo posiciona este trabajo como una solución práctica para la asignación dinámica de recursos en redes de satélites LEO limitadas por interferencia. Aborda los compromisos entre la simplicidad de las heurísticas, la capacidad de búsqueda global de los algoritmos evolutivos y la naturaleza dependiente de datos de los métodos de aprendizaje. Al combinar los mecanismos de memoria de la Búsqueda Tabú con las capacidades de escape probabilístico del Recocido Simulado, el marco propuesto ofrece un enfoque escalable, robusto e interpretable para la programación de BH. Los autores concluyen que esta estrategia equilibra eficazmente la eficiencia de la optimización local con la capacidad de búsqueda global, proporcionando una alternativa viable para futuros sistemas de control de BH inteligentes sin los altos costos de datos y computación asociados con el aprendizaje profundo.