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

기술 요약: Ka-밴드 LEO 시맨틱 다운링크를 위한 리스크 제어형 오픈 루프 스케줄링

문제 정의
저궤도(LEO) 위성은 제한된 전력 예산과 짧은 접촉 시간 내에서 영상 데이터를 다운링크해야 하는 심각한 제약에 직면해 있습니다. 기상 통계(날씨 조건)에 따라 더 많은 전력을 할당하는 적응형 스케줄링 전략은 이론적으로 전달되는 이미지 수를 증가시키지만, LEO의 지연 시간과 이동성으로 인해 실시간 채널 상태 정보(CSI)가 무효해지기 때문에 오픈 루프(open-loop) 계획에 의존해야 합니다.

핵심 문제는 기존의 스케줄링 지표가 비적응형 참조 모델(균일 전력) 대비 **평균 이득(average gain)**에 초점을 맞추고 있다는 점입니다. 저자는 이 지표가 단 한 번의 통과(pass) 기회만을 갖는 운영자에게 오해의 소지가 있다고 주장합니다. 스케줄러가 양(+)의 평균 이득을 보이더라도, 상당한 소수의 개별 통과 시점에서는 균일 전력보다 더 많은 이미지를 전달하지 못하는 "역효과(backfire)" 이벤트가 발생할 수 있기 있습니다. 또한, 완벽한 날씨 궤적을 알고 있는 "지니(genie)"라 할지라도, 지연된 슬롯이 확실한 실패로 이어지는 "얕은(shallow)" 응답 곡선을 가진 시맨틱 코덱을 사용한다면 이러한 리스크를 제거할 수 없습니다.

방법론
본 논문은 설계 목표를 평균 이득 극대화에서 균일 전력보다 성능이 저하될 확률에 대한 상한선을 보장하는 것으로 전환하는 리스크 제어형 오픈 루프 스케줄링 프레임워크를 제안합니다.

1. 시스템 모델:

   • 채널: Ka-밴드 LEO 통과는 결정론적 기하학적 성분(고도, 경로 손실)과 ITU-R P.1853 및 가우스-마르코프 스트레스 모델을 사용하여 합성된 확률적 날씨 성분(강우 감쇠)으로 모델링됩니다.
   • 코덱: 동일한 잠재 표현(latent representation)에 대해 세 가지 시맨틱 코덱을 평가합니다:
     • 학습된 수신기(Learned Receiver): 추정된 SNR 및 강우 조건에 따라 정제 단계(refinement steps)가 수행되는 변이형 오토인코더(VAE) 기반 수신기입니다. 이는 품질이 점진적으로 저하되지만 결코 급격한 절벽에 도달하지 않는 "얕은" 응답 특성을 보입니다.
     • ACM 사다리(ACM Ladder): 여러 불연속적인 단계(계단형 응답)를 가진 적응형 부호화 및 변조 방식입니다.
     • 클리프 코덱(Cliff Codec): 속도가 충족되지 않으면 완전히 실패하는 이상적인 용량 달성 부호(capacity-achieving code)를 가진 단일 속도 시스템(계단형 응답)입니다.
   • 스케줄러: 예측된 강우 마진 $m_t(s) = \mu(\epsilon_t) + s\sigma(\epsilon_t)$를 기반으로 전송할 시간 슬롯의 부분 집합을 선택하며, 여기서 $s$는 승수입니다. 전력은 예측된 이득에 반비로 할당됩니다.

2. 교정 대상(Calibration Targets):

   • 기존 대상 (예측 신뢰도): 예측치가 실제 강우를 높은 비율(예: 95%)로 커버하도록 마진 $s$를 설정하는 것입니다. 저자는 이것이 시스템 성능의 구속 조건이 아님을 보여줍니다.
   • 제안된 대상 (의사결정 리스크): 마진을 설정하여 **통과당 미달률(per-pass shortfall rate)**을 제어하는 것입니다. 손실 함수는 $L_s(P) = \mathbb{I}[D_u(P) - D_s(P) > c]$로 정의됩니다. 여기서 $D$는 전달된 이미지 수, $u$는 균일 전력, $s$는 스케줄링된 전력, $c$는 임계값(1 이미지로 설정)입니다. 목표는 이 손실이 발생할 확률을 사용자가 지정한 리스크 예산 $\epsilon$ 미만으로 유지하는 것입니다.

3. 리스크 제어 메커즘:
   본 논문은 Learn-then-Test 절차(컨포멀 리스크 제어의 일종)를 채택합니다.

   • 후보군(마진 승수 $s$)은 설계 분할(design split)에서의 추정 성능에 따라 정렬됩니다.
   • 각 후보는 캘리브레이션 세트에서의 정확한 이항 검정을 사용하여 귀무가설 $H_s: R(s) > \epsilon$ (여기서 $R(s)$는 실제 리스크)에 대해 테스트됩니다.
   • 테스트는 첫 번째 비기각(non-rejection)에서 중단됩니다. 이는 선택된 스케줄이 미래의 통과 중 $\epsilon$ 비율보다 더 많이 균일 전력보다 성능이 저하되지 않을 것임을 높은 신뢰도로 보장합니다.

주요 결과
실험은 EuroSAT RGB 영상을 사용하여 800개의 캘리브레이션 및 500개의 평가 통과를 대상으로 수행되었습니다.

• 평균 이득 vs. 통과당 리스크: 학습된 수신기의 경우, 최적의 마진은 통과당 전달되는 이미지의 평균을 0.83에서 1.69까지 개선했습니다. 그러나 이러한 양(+)의 평균은 최적 마진의 미달률이 0.260에서 0.316 사이라는 사실과 공존했습니다(최소 미달률은 전체 탐색 범위에서 0.250). 즉, 스케줄러가 균일 전력보다 성능이 떨어지는 통과가 26~32%에 달했습니다.
• "지니" 한계: 완벽한 강우 궤적을 아는 스케줄러(genie-CSI)조차 0.314의 통과에서 실패했습니다. 이는 리스크가 단순히 피드백의 부족 때문이 아니라, 코덱의 얕은 응답 특성과 문제의 오픈 루프 성격에 내재된 것임을 입증합니다.
• 코덱 의존성:
  • 학습된 수신기는 엄격한 리스크 예산($\epsilon = 0.10$) 하에서 인증될 수 없었습니다(절차는 균일 전력을 유일하게 안전한 옵션으로 권장했습니다).
  • ACM 사다리(+8 dB)는 19개의 후보 중 6개를 성공적으로 인증했으며, 약 7.33개의 이미지를 평균적으로 더 전달하면서도 측정된 미달률을 0.060(예산 범위 내)으로 유지했습니다.
  • 클리프 코덱은 모든 후보를 인증했으나, 균일 베이스라인 자체가 0이었기 때문에(스케줄링 없이는 아무것도 전달하지 못함) 그 보증은 무의미(vacuous)했습니다.
• 리스크 예산 트레이드오프: 본 논문은 운영자의 리스크 허용치($\epsilon$)와 스케줄링 가능한 후보 수 사이의 관계를 정량화합니다. 학습된 수신기의 경우, $\epsilon \approx 0.35$의 높은 리스크 예산에서만 인증이 가능했던 반면, ACM 사다리는 $\epsilon = 0.10$에서도 인증이 가능했습니다.

의의 및 주장
본 논문은 LEO 시맨틱 다운링크를 위해 평균 이득은 스케줄링 결정을 위한 불충분한 지표라고 주장합니다. 평균을 개선하는 스케줄러라도 상당한 소수의 통과에서는 해가 될 수 있으며, 이는 완벽한 채널 지식을 가지고 있더라도 코덱의 응답이 너무 얕다면 완화할 수 없는 리스크입니다.

본 논문의 주요 기여는 다음과 같은 인증된 스케줄링 절차를 제공하는 것입니다:

1. 전통적인 목표인 "신뢰할 수 있는 날씨 예측"을 직접적인 스케줄링 결정의 리스크에 대한 보증으로 대체합니다.
2. Learn-then-Test를 사용하여 선택된 스케줄이 미래의 통과 중 지정된 비율 $\epsilon$보다 더 자주 역효과를 내지 않을 것이라는 통계적 보증을 제공합니다.
3. 이 절차가 필터 역할을 수행함을 입증합니다. 즉, 얕은 응답을 가진 학습된 코덱의 스케줄링은 거부(균일 전력 권장)하지만, 더 날카로운 응답 곡선을 가진 코덱(ACM 사다리 등)에 대해서는 스케줄링을 인증합니다.

결론적으로, 운영자는 이 프레임워크를 사용하여 자신의 허용 가능한 역효과율을 설정하고, 역사적 데이터를 바탕으로 스케줄링이 특정 코덱 및 채널 조건에서 실행 가능한 전략인지 판단할 수 있습니다.