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

Sintesi Tecnica: Allocazione delle Risorse Radio per lo Scheduling del Beam Hopping nelle Comunicazioni Satellitari LEO

Definizione del Problema
Le reti satellitari in orbita terrestre bassa (LEO) affrontano sfide significative nell'allocazione delle risorse radio a causa della dinamicità delle richieste di traffico e dei rigorosi vincoli di interferenza. La tecnologia del beam hopping (BH) offre una soluzione consentendo l'allocazione dinamica delle risorse dei beam attraverso i domini spaziale e temporale. Tuttavia, il problema dello scheduling del BH è fondamentalmente un compito di ottimizzazione combinatoria discreta ad alta dimensionalità. Esso richiede l'ottimizzazione congiunta delle sequenze di attivazione dei beam e la gestione delle interferenze sotto i vincoli di potenza di trasmissione, larghezza di banda e qualità del servizio (QoS). Gli approcci esistenti presentano limitazioni pratiche:

• Euristiche Greedy: Sebbene a bassa complessità, si affidano a design di vicinato fissi e sono soggette a ottimi locali, fallendo spesso nel bilanciare throughput, equità (fairness) e interferenza in paesaggi multimodali.
• Algoritmi Evolutivi: Metodi come gli Algoritmi Genetici (GA) offrono capacità di ricerca globale ma possono essere computazionalmente intensivi e potrebbero avere difficoltà con la velocità di convergenza.
• Approcci Basati sull'Apprendimento: Il Deep Reinforcement Learning (DRL) e altri algoritmi intelligenti richiedono estesi dati di addestramento, budget computazionali elevati e spesso mancano di interpretabilità e generalizzazione sotto cambiamenti ambientali (ad esempio, dinamiche orbitali o cambiamenti del modello di traffico).

Metodologia
Il documento propone una strategia di allocazione delle risorse BH spazio-temporale basata su Tabu Search (TS) che integra un framework di generazione-valutazione a due stadi con criteri di accettazione di Simulated Annealing (SA). I componenti principali della metodologia includono:

1. Formulazione del Problema: Il problema dello scheduling del BH è modellato per massimare la soddisfazione della domanda dell'utente minimizzando il quadrato del divario tra la capacità totale fornita e la domanda dell'utente su un periodo di pianificazione, soggetto a vincoli di distanza di interferenza e a un limite sul numero di beam simultaneamente attivi ($N_b$).
2. Framework di Soluzione a Due Stadi:
   • Stadio 1 (Fattibilità e Inizializzazione): Una soluzione iniziale fattibile viene costruita utilizzando un'euristica greedy. Questo processo dà priorità alle celle con maggiore domanda di traffico residuo, imponendo rigorosamente i vincoli di distanza di interferenza intra-satellite (garantendo che i beam attivi siano separati da almeno una soglia $D_{thr}$).
   • Stadio 2 (Efficacia e Ottimizzazione): L'algoritmo esegue l'esplorazione del vicinato e la selezione adattate a specifici obiettivi di ottimizzazione (ad esempio, compromessi tra copertura-throughput-equità).
3. Innovazioni Algoritmiche Chiave:
   • Controllo Adattivo della Durata della Tabu (Tabu Tenure Control): A differenza delle liste tabu a parametri fissi, la durata della tenure ($L_{tabu}$) è configurata dinamicamente in base alla dimensionalità del problema ($N_b \times N_m$). Ciò consente alla intensità di ricerca di scalare con la dimensione del problema, bilanciando esplorazione e sfruttamento.
   • Accettazione Probabilistica (Simulated Annealing): Per prevenire la convergenza prematura e lo stallo della ricerca, il metodo incorpora un criterio di accettazione SA. Ciò consente all'algoritmo di accettare probabilisticamente soluzioni "peggiori", facilitando la fuga dagli ottimi locali e migliorando il bilanciamento tra la copertura dell'utente e la domanda variabile nel tempo.
   • Strategia di Movimento nel Vicinato: L'algoritmo impiega una strategia di conteggio dei beam casuali e di indice dei beam casuali, guidata da euristiche basate sulla priorità e sull'evitamento delle interferenze per generare soluzioni candidate.

Contributi Chiave
Il documento rivendica tre contributi primari:

1. Schema di Allocazione delle Risorse Spazio-Temporali: L'introduzione di un meccanismo di controllo della durata della tabu adattivo alla dimensione del problema che scala l'intensità della ricerca con la dimensionalità del problema, riducendo la dipendenza dalla regolazione manuale dei parametri.
2. Framework Genera-Valuta a Due Stadi: Un approccio strutturato che separa la fattibilità (inizializzazione consapevole delle interferenze) dall'efficacia (esplorazione del vicinato orientata all'obiettivo), garantendo un equilibrio tra l'efficienza della ricerca locale e la ricercabilità globale.
3. Robustezza e Interpretabilità: L'approccio proposto è progettato per essere più robusto ai cambiamenti ambientali (dinamiche orbitali, cambiamenti del traffico) e offre una logica decisionale più chiara rispetto ai modelli black-box, riducendo al contempo i requisiti di dati e computazione rispetto all'apprendimento end-to-end.

Risultati
Sono state condotte estese simulazioni confrontando il metodo proposto Tabu Search + Simulated Annealing (TS+SA) contro il Greedy Beam Hopping con/senza Controllo dell'Interferenza (GBH-AIC/GBH-WIC) e un baseline di Algoritmo Genetico (GA). I risultati indicano:

• Throughput: Il metodo proposto migliora il throughput del sistema del 17,2% rispetto a GBH-AIC e del 6,5% rispetto a GA.
• Soddisfazione dell'Utente: La soddisfazione del servizio è aumentata dell'11,7% rispetto a GBH-AIC e del 4,4% rispetto a GA.
• Qualità del Link: Il metodo ha raggiunto un SINR medio più elevato (10,2 dB rispetto a 9,7 dB per GA) e ha ridotto il tasso di outage al 2,3%, significativamente inferiore ai baseline.
• Robustezza: Il divario di prestazioni tra il metodo proposto e i baseline greedy si è ampliato sotto distribuzioni di traffico asimmetriche (ad esempio, regola Pareto 80/20), dove il metodo proposto ha mostrato un miglioramento del throughput del 36,7% rispetto al baseline greedy, dimostrando una gestione superiore delle domande eterogenee.
• Complessità: L'algoritmo mantiene un overhead computazionale ragionevole (circa 5 secondi per periodo di pianificazione su una CPU standard), rendendolo adatto al calcolo offline con slot temporali di 40 ms.

Significatività
Il documento posiziona questo lavoro come una soluzione pratica per l'allocazione dinamica delle risorse in reti satellitari LEO limitate dalle interferenze. Affronta i compromessi tra la semplicità delle euristiche, la capacità di ricerca globale degli algoritmi evolutivi e la natura vorace di dati dei metodi basati sull'apprendimento. Combinando i meccanismi di memoria della Tabu Search con le capacità di fuga probabilistica del Simulated Annealing, il framework proposto offre un approccio scalabile, robusto e interpretabile allo scheduling del BH. Gli autori concludono che questa strategia bilancia efficacemente l'efficienza dell'ottimizzazione locale con la ricercabilità globale, fornendo un'alternativa vitale per i futuri sistemi di controllo BH intelligenti senza gli elevati costi di dati e computazione associati al deep learning.