Mean Gain Is Not a Guarantee: Risk-Controlled Open-Loop Scheduling for Ka-Band LEO Semantic Downlinks

Résumé Technique : Ordonnancement en boucle ouverte à contrôle de risque pour les liaisons descendantes sémantiques en bande Ka pour les satellites LEO

Énoncé du problème
Les satellites en orbite terrestre basse (LEO) sont confrontés à des contraintes sévères pour la transmission d'images, opérant avec des budgets de puissance limités et de courtes fenêtres de contact. Bien que les stratégies d'ordonnancement adaptatives qui allouent plus de puissance aux conditions de canal favorables (basées sur les statistiques météorologiques) augmentent théoriquement le nombre d'images livrées, elles reposent sur une planification en boucle ouverte en raison de la latence et de la mobilité des LEO, ce qui rend l'information sur l'état du canal (CSI) obsolète.

Le problème central identifié est que les métriques d'ordonnancement conventionnelles se concentrent sur le gain moyen par rapport à une référence non adaptative (puissance uniforme). L'auteur soutient que cette métrique est trompeuse pour les opérateurs qui n'ont qu'une seule tentative par passage. Un ordonnanceur peut présenter un gain moyen positif tout en échouant à livrer plus d'images que la puissance uniforme lors d'une minorité significative de passages individuels (un événement de « retour de bâton » ou backfire). De plus, même un « génie » possédant une connaissance parfaite de la trajectoire météorologique ne peut éliminer ce risque si le codec sémantique sous-jacent possède une courbe de réponse « peu profonde » où les créneaux différés entraînent un échec certain.

Méthodologie
Le document propose un cadre d'ordonnancement en boucle ouverte à contrôle de risque qui déplace l'objectif de conception de la maximisation du gain moyen vers la garantie d'une borne sur la probabilité de sous-performance par rapport à la puissance uniforme.

1. Modèle de système :

   • Canal : Un passage LEO en bande Ka est modélisé avec des composantes géométriques déterministes (élévation, perte de trajet) et une composante météorologique stochastique (atténuation par la pluie) synthétisée à l'aide de l'ITU-R P.1853 et d'un modèle de stress de Gauss-Markov.
   • Codecs : Trois codecs sémantiques sont évalués sur la même représentation latente :
     • Récepteur appris (Learned Receiver) : Un récepteur basé sur un auto-encodeur variationnel avec des étapes de raffinement conditionnées par le SNR estimé et la pluie. Il présente une réponse « peu profonde » où la qualité se dégrade progressivement mais atteint rarement un « mur » brutal.
     • Échelle ACM (ACM Ladder) : Un schéma de codage et de modulation adaptative avec plusieurs étapes discrètes (réponse en escalier).
     • Codec à seuil (Cliff Codec) : Un système à taux unique avec un code idéal atteignant la capacité qui échoue complètement si le débit n'est pas respecté (réponse en échelon).
   • Ordonnanceur : Un ordonnanceur en boucle ouverte sélectionne un sous-ensemble de créneaux temporels pour transmettre en se basant sur une marge de pluie prédite $m_t(s) = \mu(\epsilon_t) + s\sigma(\epsilon_t)$, où $s$ est un multiplicateur. La puissance est allouée inversement au gain prédit.

2. Cibles de calibration :

   • Cible conventionnelle (Fiabilité des prévisions) : Dimensionnement de la marge $s$ de telle sorte que la prévision couvre la pluie réelle pour un pourcentage élevé de créneaux (par exemple 95 %). L'auteur montre que cela n'est pas la contrainte limitante pour la performance du système.
   • Cible proposée (Risque de décision) : Dimensionnement de la marge pour contrôler le taux de déficit par passage. La fonction de perte est définie par $L_s(P) = \mathbb{I}[D_u(P) - D_s(P) > c]$, où $D$ est le nombre d'images livrées, $u$ la puissance uniforme, $s$ la puissance planifiée, et $c$ un seuil (fixé à 1 image). Le but est de garantir que la probabilité que ce déficit se produise est inférieure à un budget de risque $\epsilon$ spécifié par l'utilisateur.

3. Mécanisme de contrôle du risque :
   Le document emploie la procédure Learn-then-Test (une forme de contrôle de risque conforme).

   • Les candidats (multiplicateurs de marge $s$) sont ordonnés par performance estimée sur une division de conception (design split).
   • Chaque candidat est testé contre une hypothèse nulle $H_s: R(s) > \epsilon$ (où $R(s)$ est le risque réel) en utilisant un test binomial exact sur un ensemble de calibration.
   • Le test s'arrête au premier non-rejet. Cela garantit qu'avec une grande confiance, l'ordonnancement sélectionné ne sous-performera pas la puissance uniforme de plus de $c$ images sur plus d'une fraction $\epsilon$ des passages futurs.

Résultats clés
Des expériences ont été menées avec des images EuroSAT RGB et 800 passages de calibration/500 d'évaluation.

• Gain moyen vs Risque par passage : Pour le récepteur appris, la meilleure marge a amélioré le nombre moyen d'images livrées de 0,83 à 1,69 image par passage. Cependant, ce gain moyen positif coexiste avec un taux de déficit de 0,260 à 0,316 pour la meilleure marge (avec un déficit minimum de 0,250 sur l'ensemble des tests), ce qui signifie que l'ordonnanceur a été moins performant que la puissance uniforme sur 26 à 32 % des passages.
• La limite du « Génie » : Un ordonnanceur avec une connaissance parfaite de la trajectoire de la pluie (genie-CSI) a également échoué sur 0,314 des passages. Cela démontre que le risque est inhérent à la réponse peu profonde du codec et à la nature en boucle ouverte du problème, et non simplement à un manque de rétroaction.
• Dépendance au codec :
  • Le Récepteur appris n'a pas pu être certifié pour un budget de risque strict ($\epsilon = 0,10$) ; la procédure a correctement renvoyé la « puissance uniforme » comme seule option sûre.
  • L'Échelle ACM (à +8 dB) a réussi à certifier 6 candidats sur 19, atteignant un taux de déficit mesuré de 0,060 (dans le budget) tout en livrant environ 7,33 images de plus en moyenne.
  • Le Codec à seuil a certifié tous les candidats mais a offert une garantie vacue puisque sa base uniforme était de zéro (il n'aurait rien livré sans ordonnancement).
• Compromis du budget de risque : Le document quantifie la relation entre la tolérance de l'opérateur au risque ($\epsilon$) et le nombre de candidats ordonnançables. Pour le récepteur appris, la certification n'est devenue possible qu'à un budget de risque élevé ($\epsilon \approx 0,35$), tandis que l'échelle ACM était certifiable à $\epsilon = 0,10$.

Signification et revendications
Le document affirme que pour les liaisons descendantes sémantiques LEO, le gain moyen est une métrique insuffisante pour les décisions d'ordonnancement. Un ordonnanceur qui améliore la moyenne peut néanmoins être préjudiciable pour une minorité significative de passages, un risque que même une connaissance parfaite du canal ne peut atténuer si la réponse du codec est trop peu profonde.

La contribution principale est une procédure d'ordonnancement certifiée qui :

1. Remplace l'objectif conventionnel de « prévision météorologique fiable » par une garantie directe sur le risque de la décision d'ordonnancement.
2. Utilise le Learn-then-Test pour fournir une garantie statistique que l'ordonnanceur ne fera pas de retour de bâton plus souvent qu'un taux spécifié.
3. Démontre que cette procédure agit comme un filtre : elle refuse d'ordonnancer les codecs appris avec des réponses peu profondes (recommandant la puissance uniforme à la place) mais certifie l'ordonnancement pour les codecs ayant des courbes de réponse plus nettes (comme les échelles ACM).

L'auteur conclut que les opérateurs peuvent utiliser ce cadre pour fixer un taux de retour de bâton acceptable et déterminer, sur la base de données historiques, si une stratégie d'ordonnancement est viable pour leur codec et leurs conditions de canal spécifiques, plutôt que de s'appuyer aveuglément sur les gains de performance moyenne.