Attention-Based SINR Estimation in User-Centric Non-Terrestrial Networks

Probleemstelling

In satellietgebaseerde niet-terrestrische netwerken (NTN), specifiek in systemen met user-centric beamforming, is de Signal-to-Interference-plus-Noise Ratio (SINR) een cruciale metriek voor prestatieoptimalisatie. De huidige methoden om de SINR te beoordelen hebben echter aanzienlijke nadelen:

1. Hoge rekentijd: De SINR wordt doorgaans berekend door eerst een beamforming-matrix te genereren via Minimum Mean Squared Error (MMSE) formuleringen. Dit vereist complexe matrixbewerkingen (vermenigvuldiging en inversie) die een grote computerelastiek veroorzaken, vooral bij een groot aantal stralelementen ($N_R$).
2. Latentie en veroudering: In NTN-systemen (zowel GEO als LEO) kan het rapporteren van kanaalstatusinformatie (CSI) of locatie leiden tot verouderde data door propagatiedelay of orbitale beweging.
3. Beperkte schaalbaarheid: Het evalueren van meerdere kandidaat-gebruikersgroepen voor planning (scheduling) is onhaalbaar met traditionele MMSE-methoden vanwege de hoge complexiteit, wat de mogelijkheid beperkt om de groep met de beste totale capaciteit te selecteren.

Methodologie

De auteurs stellen een nieuw, diep leergebaseerd raamwerk voor dat gebruikmaakt van Multi-Head Self-Attention (MHSA) om de SINR direct te schatten zonder expliciete berekening van de MMSE-beamforming-matrix.

• Architectuur (DMHSA): Het voorgestelde model is een Dual Multi-Headed Self-Attention (DMHSA) architectuur.

  • Input: Het model accepteert twee soorten invoer, afhankelijk van de beschikbare data:
    1. CSI-gebaseerd: Genormaliseerde fasen en gemiddelde magnitude van de kanaalvectoren, plus de verhouding tussen het aantal geplande gebruikers en het aantal stralen ($\rho = N_{UE,sched}/N_B$).
    2. Locatie-gebaseerd: User-koordinaten $(u, v)$ en dezelfde verhouding $\rho$.
  • Dual Mechanisme: Het model bestaat uit twee parallelle MHSA-modules:
    1. Een SNR-module die alle interacties tussen gebruikers bekijkt (volle attentiemasker).
    2. Een INR-module (Interferentie) die zelf-interferentie uitsluit en zich richt op inter-user interferentie (masker zonder diagonale elementen).
  • Output: Het verschil tussen de output van deze twee modules (in dB) levert de geschatte SINR op. Dit benadert de formule $SINR = SNR / (1 + INR)$.

• Complexiteitsreductie:

  • De traditionele MMSE-benadering heeft een complexiteit van $O(N_{UE,sched}^2 N_R)$.
  • De CSI-DMHSA benadering reduceert dit tot $O(N_{UE,sched} N_C N_R)$, wat een factor 3 reductie oplevert (waarbij $N_C$ de grootte van de embedding is en veel kleiner is dan $N_R$).
  • De GEO-DMHSA (locatie-gebaseerde) benadering reduceert de complexiteit tot $O(N_{UE,sched}^2 N_C)$, wat een reductie van twee grootteordes oplevert ten opzichte van MMSE, omdat de afhankelijkheid van het aantal stralelementen ($N_R$) verdwijnt.

• Training: De modellen zijn getraind op gesimuleerde data van een LEO-satelliet (1000 km hoogte, 20 GHz) met een random scheduler. De ground truth voor de training werd berekend via de MMSE-formule. Er werden twee aparte modellen getraind: één voor CSI-input en één voor locatie-input.

Belangrijkste Resultaten

De prestaties zijn geëvalueerd onder twee scenario's: een random scheduler en een geavanceerde Priority Queue Scheduler (PQS).

1. Berekeningscomplexiteit:

   • De locatie-gebaseerde (GEO) DMHSA-modellen zijn extreem efficiënt. Bij een embedding-grootte van $N_C=8$ is de complexiteit ongeveer $4.6 \times 10^3$ operaties, vergeleken met $2.9 \times 10^5$ voor de MMSE-benchmark.
   • De modellen zijn zeer compact met slechts 4.8k (CSI) en 762 (GEO) leerbare parameters.

2. Schattingnauwkeurigheid (Random Scheduler):

   • De modellen vertonen een vertekende verdeling bij slecht geplande gebruikersgroepen (hoge correlatie tussen gebruikers), wat leidt tot een hogere foutmarge. Dit bevestigt dat de kwaliteit van de input-data (scheduling) essentieel is.

3. Schattingnauwkeurigheid (PQS Scheduler):

   • Wanneer het model wordt gebruikt in combinatie met een PQS-algoritme (dat gebruikers selecteert op basis van capaciteitsbehoeften en onderlinge afstand/correlatie), verbetert de nauwkeurigheid aanzienlijk.
   • De Root Mean Squared Error (RMSE) blijft in de meeste gevallen onder de 1 dB.
   • Specifiek bij een minimum capaciteitsverzoek van 20 Mbps wordt een RMSE van ongeveer 0.7 dB bereikt.
   • Het locatie-gebaseerde model presteert iets beter bij hoge percentielen, terwijl het CSI-gebaseerde model beter scoort bij lagere percentielen (behalve bij specifieke lage eisen).

Bijdragen en Significantie

De belangrijkste bijdragen en implicaties van dit werk zijn:

• Efficiënte SINR-schatting: Het introduceert de eerste toepassing van self-attention mechanismen voor SINR-schatting in NTN-systemen, wat de noodzaak van zware MMSE-berekeningen elimineert.
• Schaalbaarheid voor Planning: Door de drastische reductie in rekencomplexiteit (factor 3 tot 100x), wordt het mogelijk om tijdens het planningsproces (scheduling) meerdere kandidaat-gebruikersgroepen te evalueren. Dit stelt netwerkbewerkingen in staat om de groep te selecteren die de hoogste totale capaciteit of gemiddelde SINR biedt, wat eerder onhaalbaar was door de rekentijd.
• Flexibiliteit: Het systeem werkt zowel met gedetailleerde kanaalgegevens (CSI) als met eenvoudige locatiegegevens, wat het robuust maakt voor verschillende satelliet- en terminal-scenario's.
• Toekomstperspectief: De auteurs suggereren dat deze schatters kunnen worden geïntegreerd in "top-K" selectiemechanismen voor planners en dat online learning kan worden ingezet om het model aan te passen aan dynamische kanaalomstandigheden.

Kortom, dit werk biedt een praktische, diep leergebaseerde oplossing om de computerelastiek van user-centric beamforming in satellietnetwerken te overwinnen, waardoor efficiëntere en hogere capaciteitsplanning mogelijk wordt.