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

Sintesi Tecnica: Programmazione Open-Loop a Controllo del Rischio per Downlink Semantici LEO in Banda Ka

Definizione del Problema
I satelliti in orbita bassa (LEO) affrontano severi vincoli nel downlink delle immagini, operando entro budget di potenza limitati e brevi finestre di contatto. Sebbene le strategie di programmazione adattiva che allocano più potenza a condizioni di canale favorevoli (basate sulle statistiche meteorologiche) aumentino teoricamente il numero di immagini consegnate, esse si basano su una pianificazione open-loop a causa della latenza e della mobilità dei LEO, che rendono obsoleta l'Informazione sullo Stato del Canale (CSI) in tempo reale.

Il problema centrale identificato è che le metriche di programmazione convenzionali si concentrano sul guadagno medio rispetto a un riferimento non adattivo (potenza uniforme). L'autore sostiene che questa metrica sia fuorviante per gli operatori che hanno un solo tentativo per ogni passaggio. Uno scheduler potrebbe mostrare un guadagno medio positivo, pur fallendo nel consegnare più immagini rispetto alla potenza uniforme in una significativa minoranza di singoli passaggi (un evento di "backfire"). Inoltre, anche un "genio" con perfetta conoscenza della traiettoria meteorologica non può eliminare questo rischio se il codec semantico sottostante possiede una curva di risposta "superficiale" (shallow) in cui il differimento degli slot risulta in un fallimento certo.

Metodologia
Il documento propone un framework di programmazione open-loop a controllo del rischio che sposta l'obiettivo del design dal massimizzare il guadagno medio al garantire un limite alla probabilità di sottoperformare rispetto alla potenza uniforme.

1. Modello di Sistema:

   • Canale: Un passaggio LEO in banda Ka è modellato con componenti geometriche deterministiche (elevazione, perdita di percorso) e una componente meteorologica stocastica (attenuazione da pioggia) sintetizzata utilizzando ITU-R P.1853 e un modello di stress Gauss-Markov.
   • Codec: Vengono valutati tre codec semantici sullo stesso piano di rappresentazione latente:
     • Ricevitore Appreso (Learned Receiver): Un ricevitore basato su autoencoder variazionali con step di raffinamento condizionati su SNR stimato e pioggia. Presenta una risposta "superficiale" dove la qualità degrada gradualmente ma raramente raggiunge un "cliff" (precipizio) netto.
     • Scala ACM (ACM Ladder): Uno schema di Codifica e Modulazione Adattiva con molteplici step discreti (risposta a gradini).
     • Codec a Cliff (Cliff Codec): Un sistema a tasso singolo con un codice ideale che raggiunge la capacità, il quale fallisce completamente se il tasso non viene rispettato (risposta a gradino).
   • Scheduler: Uno scheduler open-loop seleziona un sottoinsieme di slot temporali per trasmettere basandosi su un margine di pioggia predetto $m_t(s) = \mu(\epsilon_t) + s\sigma(\epsilon_t)$, dove $s$ è un moltiplicatore. La potenza è allocata inversamente al guadagno previsto.

2. Target di Calibrazione:

   • Target Convenzionale (Affidabilità delle Previsioni): Dimensionamento del margine $s$ affinché la previsione copra la pioggia effettiva per un'alta percentuale di slot (ad es. 95%). L'autore dimostra che questo non è il vincolo determinante per le prestazioni del sistema.
   • Target Proposto (Rischio Decisionale): Dimensionamento del margine per controllare il tasso di carenza per passaggio (per-pass shortfall rate). La funzione di perdita è definita come $L_s(P) = \mathbb{I}[D_u(P) - D_s(P) > c]$, dove $D$ è il numero di immagini consegnate, $u$ è la potenza uniforme, $s$ è la potenza programmata e $c$ è una soglia (impostata a 1 immagine). L'obiettivo è garantire che la probabilità che questa perdita si verifichi sia inferiore a un budget di rischio $\epsilon$ specificato dall'utente.

3. Meccanismo di Controllo del Rischio:
   Il documento impiega la procedura Learn-then-Test (una forma di controllo del rischio conforme).

   • I candidati (moltiplicatori di margine $s$) sono ordinati in base alla prestazione stimata su una divisione di design.
   • Ogni candidato viene testato contro un'ipotesi nulla $H_s: R(s) > \epsilon$ (dove $R(s)$ è il rischio reale) utilizzando un test binomiale esatto su un set di calibrazione.
   • Il test si interrompe al primo non-rigetto. Ciò garantisce che, con alta confidenza, lo scheduler selezionato non sottoperformi la potenza uniforme di più di $c$ immagini in una frazione di passaggi superiore a $\epsilon$.

Risultati Chiave
Gli esperimenti sono stati condotti utilizzando immagini EuroSAT RGB e 800 passaggi di calibrazione/valutazione.

• Guadagno Medio vs. Rischio per Passaggio: Per il ricevitore appreso, il miglior margine ha migliorato il numero medio di immagini consegnate di 0,83 - 1,69 immagini per passaggio. Tuttavia, questo guadagno medio positivo coesisteva con un tasso di carenza di 0,260 - 0,316 per il miglior margine (con un minimo di carenza di 0,250 nell'intero sweep), il che significa che lo scheduler ha performato peggio della potenza uniforme nel 26–32% dei passaggi.
• Il Limite del "Genie": Uno scheduler con perfetta conoscenza della traiettoria della pioggia (genie-CSI) ha comunque fallito nel 0,314 dei passaggi. Ciò dimostra che il rischio è intrinseco alla risposta superficiale del codec e alla natura open-loop del problema, non semplicemente alla mancanza di feedback.
• Dipendenza dal Codec:
  • Il Ricevitore Appreso non poteva essere certificato con un budget di rischio rigoroso ($\epsilon = 0,10$); la procedura ha correttamente restituito "potenza uniforme" come l'unica opzione sicura.
  • La Scala ACM (a +8 dB) ha certificato con successo 6 dei 19 candidati, ottenendo un tasso di carenza misurato di 0,060 (entro il budget) fornendo circa 7,33 immagini in più in media.
  • Il Codec a Cliff ha certificato tutti i candidati ma ha offerto una garanzia vacua poiché il suo baseline uniforme era zero (non consegnava nulla senza programmazione).
• Trade-off del Budget di Rischio: Il documento quantifica la relazione tra la tolleranza al rischio dell'operatore ($\epsilon$) e il numero di candidati programmabili. Per il ricevitore appreso, la certificazione è diventata possibile solo con un alto budget di rischio ($\epsilon \approx 0,35$), mentre la scala ACM era certificabile con $\epsilon = 0,10$.

Significatività e Rivendicazioni
Il documento sostiene che per i downlink semantici LEO, il guadagno medio è una metrica insufficiente per le decisioni di programmazione. Uno scheduler che migliora la media può comunque essere dannoso per una significativa minoranza di passaggi, un rischio che la perfetta conoscenza del canale non può mitigare se la risposta del codec è troppo superficiale.

Il contributo primario è una procedura di programmazione certificata che:

1. Sostituisce l'obiettivo convenzionale della "previsione meteorologica affidabile" con una garanzia diretta sul rischio della decisione di programmazione.
2. Utilizza il metodo Learn-then-Test per fornire una garanzia statistica che lo scheduler non avrà un effetto "backfire" più spesso di un tasso specificato.
3. Dimostra che questa procedura agisce come un filtro: rifiuta di programmare i codec appresi con risposte superficiali (raccomandando la potenza uniforme invece) ma certifica la programmazione per i codec con curve di risposta più nette (come le scale ACM).

L'autore conclude che gli operatori possono utilizzare questo framework per impostare un tasso di backfire tollerabile e determinare, sulla base dei dati storici, se la programmazione sia una strategia praticabile per il loro specifico codec e le loro condizioni di canale, piuttosto che affidarsi ciecamente ai guadagni di prestazione media.