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

Technische Samenvatting: Risicogestuurde Open-Loop Planning voor Ka-band LEO Semantische Downlinks

Probleemstelling
Low-Earth-orbit (LEO) satellieten worden geconfronteerd met strikte beperkingen bij het downlinken van beelden, opererend binnen beperkte energiebudgetten en korte contactvensters. Hoewel adaptieve planningsstrategieën die meer vermogen toewijzen aan gunstige kanaalcondities (gebaseerd op weerstatistieken) theoretisch het aantal geleverde beelden verhogen, vertrouwen zij op open-loop planning vanwege de latentie en mobiliteit van LEO, waardoor real-time Channel State Information (CSI) verouderd is.

Het kernprobleem dat wordt geïdentificeerd, is dat conventionele planningsmetrieken zich richten op de gemiddelde winst ten opzichte van een niet-adaptieve referentie (uniform vermogen). De auteur stelt dat deze metriek misleidend is voor operators die slechts één poging per passage hebben. Een planner kan een positieve gemiddelde winst vertonen, maar toch minder beelden leveren dan uniform vermogen tijdens een significante minderheid van de individuele passages (een "backfire"-event). Bovendien kan zelfs een "genie" met perfecte kennis van het weertraject de risico's niet elimineren als de onderliggende semantische codec een "ondiepe" responscurve heeft waarbij uitgestelde slots leiden tot zeker falen.

Methodologie
Het artikel stelt een risicogestuurd open-loop planningsframework voor dat de ontwerpopgave verschuift van het maximaliseren van de gemiddelde winst naar het garanderen van een grens aan de waarschijnlijkheid van onderpresteren ten opzichte van uniform vermogen.

1. Systeemmodel:

   • Kanaal: Een Ka-band LEO-passage wordt gemodelleerd met deterministische geometrische componenten (elevatie, padverlies) en een stochastische weerelement (regenattenuatie) gesynthetiseerd met behulp van ITU-R P.1853 en een Gauss-Markov stressmodel.
   • Codecs: Drie semantische codecs worden geëvalueerd op dezelfde latente representatie:
     • Learned Receiver: Een variational autoencoder-gebaseerde ontvanger met verfijningsstappen geconditioneerd op geschatte SNR en regen. Deze vertoont een "ondiepe" respons waarbij de kwaliteit geleidelijk degradeert maar zelden een hard "klif"-punt bereikt.
     • ACM Ladder: Een Adaptive Coding and Modulation-schema met meerdere discrete stappen (trapsgewijze respons).
     • Cliff Codec: Een single-rate systeem met een ideale capaciteitsbereikende code die volledig faalt als de snelheid niet wordt gehaald (staprespons).
   • Scheduler: Een open-loop scheduler selecteert een subset van tijdslots om te verzenden op basis van een voorspelde regenmarge $m_t(s) = \mu(\epsilon_t) + s\sigma(\epsilon_t)$, waarbij $s$ een multiplier is. Vermogen wordt omgekeerd evenredig aan de voorspelde winst toegewezen.

2. Kalibratietargets:

   • Conventionele Target (Voorspellingsbetrouwbaarheid): Het bepalen van de marge $s$ zodat de voorspelling de werkelijke regen voor een hoog percentage slots dekt (bijv. 95%). De auteur laat zien dat dit niet de beperkende factor is voor de systeemprestaties.
   • Voorgestelde Target (Beslissingsrisico): Het bepalen van de marge om de per-passage tekortkomingsvoet (shortfall rate) te controleren. De verliesfunctie is gedefinieerd als $L_s(P) = \mathbb{I}[D_u(P) - D_s(P) > c]$, waarbij $D$ het aantal geleverde beelden is, $u$ uniform vermogen, $s$ het geplande vermogen, en $c$ een drempelwaarde (gesteld op 1 beeld). Het doel is om de waarschijnlijkheid dat dit verlies optreedt onder een door de gebruiker gespecificeerd risicobudget $\epsilon$ te houden.

3. Risicocontrolemechanisme:
   Het artikel maakt gebruik van de Learn-then-Test procedure (een vorm van conformal risk control).

   • Kandidaten (marge-multipliers $s$) worden gerangschikt op basis van de geschatte prestaties op een design-split.
   • Elke kandidaat wordt getest tegen een nulhypothese $H_s: R(s) > \epsilon$ (waarbij $R(s)$ het werkelijke risico is) met behulp van een exacte binomiale toets op een kalibratieset.
   • Het testen stopt bij de eerste niet-verwerping. Dit garandeert dat, met hoge betrouwbaarheid, de geselecteerde planning niet meer dan $c$ beelden minder levert dan uniform vermogen op meer dan een $\epsilon$ fractie van de toekomstige passages.

Belangrijkste Resultaten
Experimenten werden uitgevoerd met EuroSAT RGB-beelden en 800 kalibratie/500 evaluatie-passages.

• Gemiddelde Winst vs. Per-Passage Risico: Voor de learned receiver verbeterde de beste marge het gemiddelde aantal geleverde beelden met 0,83 tot 1,69 beelden per passage. Echter, deze positieve gemiddelde waarde ging gepaard met een tekortkomingsvoet (shortfall rate) van 0,260 tot 0,316 voor de beste marge (met een minimum shortfall van 0,250 over de sweep), wat betekent dat de scheduler op 26–32% van de passages slechter presteerde dan uniform vermogen.
• De "Genie"-limiet: Een scheduler met perfecte kennis van het regentraject (genie-CSI) faalde ook op 0,314 van de passages. Dit demonstreert dat het risico inherent is aan de ondiepe respons van de codec en het open-loop karakter van het probleem, en niet louter aan een gebrek aan feedback.
• Codec Afhankelijkheid:
  • De Learned Receiver kon niet gecertificeerd worden voor een strikt risicobudget ($\epsilon = 0,10$); de procedure gaf correct "uniform vermogen" terug als de enige veilige optie.
  • De ACM Ladder (bij +8 dB) slaagde erin 6 van de 19 kandidaten te certificeren, waarbij een gemeten shortfall rate van 0,060 werd behaald (binnen het budget), terwijl er gemiddeld ~7,33 meer beelden werden geleverd.
  • De Cliff Codec certificeerde alle kandidaten, maar bood een triviale garantie omdat de uniform baseline nul was (het leverde zonder planning niets).
• Risicobudget Trade-off: Het artikel kwantificeert de relatie tussen de risicotolerantie van de operator ($\epsilon$) en het aantal planbare kandidaten. Voor de learned receiver werd certificering pas mogelijk bij een hoog risicobudget ($\epsilon \approx 0,35$), terwijl de ACM ladder certificeerbaar was bij $\epsilon = 0,10$.

Betekenis en Claims
Het artikel claimt dat voor LEO semantische downlinks gemiddelde winst een onvoldoende metriek is voor planningsbeslissingen. Een planner die de gemiddelde waarde verbetert, kan nog steeds nadelig zijn voor een significante minderheid van de passages, een risico dat zelfs perfecte kanaalkennis niet kan mitigeren als de codec-respons te ondiep is.

De primaire bijdrage is een gecertificeerde planningsprocedure die:

1. Het conventionele doel van "betrouwbare weervoorspelling" vervangt door een directe garantie op het risico van de planningsbeslissing.
2. Learn-then-Test gebruikt om een statistische garantie te bieden dat de planner niet vaker zal "backfiren" dan een gespecificeerde snelheid.
3. Aantoont dat deze procedure fungeert als een filter: het weigert om learned codecs met ondiepe responsen te plannen (en beveelt uniform vermogen aan), maar certificeert planning voor codecs met scherpere responscurves (zoals ACM ladders).

De auteur concludeert dat operators dit framework kunnen gebruiken om een aanvaardbare backfire-rate vast te stellen en op basis van historische gegevens te bepalen of een planningsstrategie levensvatbaar is voor hun specifieke codec en kanaalcondities, in plaats van blind te vertrouwen op gemiddelde prestatiewinsten.