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

Resumo Técnico: Alocação de Recursos de Rádio para Escalonamento de Beam Hopping em Comunicações de Satélites LEO

Definição do Problema
As redes de satélites de Órbita Terrestre Baixa (LEO) enfrentam desafios significativos na alocação de recursos de rádio devido à demanda dinâmica de tráfego e às rigorosas restrições de interferência. A tecnologia de Beam Hopping (BH) oferece uma solução ao permitir a alocação dinâmica de recursos de feixe nos domínios espacial e temporal. No entanto, o problema de escalonamento de BH é fundamentalmente uma tarefa de otimização combinatória discreta de alta dimensão. Ele requer a otimização conjunta das sequências de ativação de feixes e o gerenciamento de interferência sob restrições de potência de transmissão, largura de banda e qualidade de serviço (QoS). As abordagens existentes enfrentam limitações práticas:

• Heurísticas Gananciosas (Greedy): Embora possuam baixa complexidade, dependem de designs de vizinhança fixos e são propensas a ótimos locais, frequentemente falhando em equilibrar vazão (throughput), equidade (fairness) e interferência em paisagens multimodais.
• Algoritmos Evolutivos: Métodos como Algoritmos Genéticos (GA) oferecem capacidades de busca global, mas podem ser computacionalmente intensivos e podem ter dificuldade com a velocidade de convergência.
• Abordagens Baseadas em Aprendizado: Aprendizado por Reforço Profundo (DRL) e outros algoritmos inteligentes exigem extensos dados de treinamento, altos orçamentos computacionais e frequentemente carecem de interpretabilidade e generalização sob mudanças ambientais (ex: dinâmica orbital ou mudanças no modelo de tráfego).

Metodologia
O artigo propõe uma estratégia de alocação de recursos de BH espaço-temporal baseada em Busca Tabu (TS) que integra um framework de dois estágios (gerar-avaliar) com critérios de aceitação de Simulated Annealing (SA). Os componentes principais da metodologia incluem:

1. Formulação do Problema: O problema de escalonamento de BH é modelado para maximizar a satisfação da demanda do usuário, minimizando o desvio quadrático entre a capacidade total fornecida e a demanda do usuário ao longo de um período de escalonamento, sujeito a restrições de distância de interferência e a um limite no número de feixes simultaneamente ativos ($N_b$).
2. Framework de Solução de Dois Estágios:
   • Estágio 1 (Viabilidade e Inicialização): Uma solução inicial viável é construída usando uma heurística gananciosa. Este processo prioriza células com maior demanda de tráfego residual, enquanto impõe estritamente as restrições de distância de interferência intra-satélite (garantindo que os feixes ativos estejam separados por pelo menos um limiar $D_{thr}$).
   • Estágio 2 (Efetividade e Otimização): O algoritmo realiza a exploração de vizinhança e seleção adaptadas a alvos de otimização específicos (ex: trade-offs entre cobertura-vazão-equidade).
3. Inovações Algorítmicas Principais:
   • Controle Adaptativo de Tempo de Tabu (Tabu Tenure): Diferente de listas tabu de parâmetros fixos, o comprimento do tempo de tabu ($L_{tabu}$) é configurado dinamicamente com base na dimensionalidade do problema ($N_b \times N_m$). Isso permite que a intensidade da busca escale com o tamanho do problema, equilibrando exploração e explotação.
   • Aceitação Probabilística (Simulated Annealing): Para evitar a convergência prematura e o estagnação da busca, o método incorpora um critério de aceitação de SA. Isso permite que o algoritmo aceite probabilisticamente soluções "piores", facilitando a fuga de ótimos locais e melhorando o equilíbrio entre a cobertura do usuário e a demanda de tráfego variante no tempo.
   • Estratégia de Movimento de Vizinhança: O algoritmo emprega uma estratégia de contagem de feixes aleatórios e índice de feixe aleatório, guiada por heurísticas de prioridade e de evasão de interferência para gerar soluções candidatas.

Principais Contribuições
O artigo reivindica três contribuições primárias:

1. Esquema de Alocação de Recursos Espaço-Temporal: A introdução de um mecanismo de controle de tempo de tabu adaptável ao tamanho do problema que escala a intensidade da busca com a dimensionalidade do problema, reduzindo a dependência de ajuste manual de parâmetros.
2. Framework Gerar-Avaliar de Dois Estágios: Uma abordagem estruturada que separa a viabilidade (inicialização consciente de interferência) da efetividade (exploração de vizinhança consciente do objetivo), garantindo um equilíbrio entre eficiência de busca local e capacidade de busca global.
3. Robustez e Interpretabilidade: A abordagem proposta foi desenhada para ser mais robusta a mudanças ambientais (dinâmica orbital, mudanças de tráfego) e oferece uma lógica de decisão mais clara comparada a modelos de aprendizado de caixa-preta, reduzindo também os requisitos de dados e computação em relação ao aprendizado de ponta a ponta.

Resultos
Simulações extensas foram conduzidas comparando o método proposto de Busca Tabu + Simulated Annealing (TS+SA) contra o Beam Hopping Ganancioso com/sem Controle de Interferência (GBH-AIC/GBH-WIC) e um baseline de Algoritmo Genético (GA). Os resultados indicam:

• Vazão (Throughput): O método proposto melhora a vazão do sistema em 17,2% em comparação ao GBH-AIC e 6,5% em relação ao GA.
• Satisfação do Usuário: A satisfação do serviço aumentou em 11,7% sobre o GBH-AIC e 4,4% sobre o GA.
• Qualidade do Link: O método alcançou um SINR médio superior (10,2 dB vs. 9,7 dB para o GA) e reduziu a taxa de interrupção (outage) para 2,3%, significativamente menor que os baselines.
• Robustez: A lacuna de desempenho entre o método proposto e os baselines gananciosos ampliou-se sob distribuições de tráfego enviesadas (ex: regra Pareto 80/20), onde o método proposto mostrou uma melhoria de vazão de 36,7% sobre o baseline ganancioso, demonstrando superioridade no tratamento de demandas heterogêneas.
• Complexidade: O algoritmo mantém um overhead computacional razoável (aproximadamente 5 segundos por período de escalonamento em uma CPU padrão), tornando-o adequado para computação offline com slots de tempo de 40 ms.

Significância
O artigo posiciona este trabalho como uma solução prática para a alocação dinâmica de recursos em redes de satélites LEO limitadas por interferência. Ele aborda os trade-offs entre a simplicidade das heurísticas, a capacidade de busca global dos algoritmos evolutivos e a natureza ávida por dados dos métodos de aprendizado. Ao combinar os mecanismos de memória da Busca Tabu com as capacidades de escape probabilístico do Simulated Annealing, o framework proposto oferece uma abordagem escalável, robusta e interpretável para o escalonamento de BH. Os autores concluem que esta estratégia equilibra efetivamente a eficiência da otimização local com a capacidade de busca global, fornecendo uma alternativa viável para futuros sistemas de controle de BH inteligentes sem os altos custos de dados e computação associados ao aprendizado profundo.