Новейшие миссии спутниковой связи (SatCom) характеризуются полностью переконфигурируемой полезной нагрузкой с программным управлением на борту, способной адаптировать радиоресурсы к временным и пространственным вариациям системного трафика. Поскольку чисто оптимизационные решения оказались вычислительно сложными и недостаточно гибкими, методы на основе машинного обучения (МО) стали перспективной альтернативой. Мы исследуем применение энергоэффективных вдохновленных мозгом моделей МО для управления радиоресурсами на борту. Помимо программного моделирования, мы представляем обширные экспериментальные результаты с использованием недавно выпущенного чипа Intel Loihi 2. Для сравнения производительности предложенной модели мы реализуем традиционные сверточные нейронные сети (CNN) на платформе Xilinx Versal VCK5000 и предоставляем детальное сравнение точности, прецизионности, полноты и энергоэффективности для различных нагрузок трафика. Что наиболее примечательно, для соответствующих рабочих нагрузок спайковые нейронные сети (SNN), реализованные на Loihi 2, демонстрируют более высокую точность, одновременно снижая энергопотребление более чем в 100 раз по сравнению с эталонной платформой на основе CNN. Наши выводы указывают на значительный потенциал нейроморфных вычислений и SNN в поддержке операций SatCom на борту, прокладывая путь к повышению эффективности и устойчивого развития в будущих системах спутниковой связи.
А. Контекст и мотивация
Спутниковая связь (SatCom) приобрела все большее значение в последние годы из-за резкого роста спроса на глобальную связь. Благодаря интеграции с наземными системами, такими как 6G (связь шестого поколения), и насущной необходимости сократить цифровой разрыв и обеспечить повсеместное покрытие, спутниковая связь играет жизненно важную роль в устранении разрыва в коммуникациях по всему миру [1]. Однако растущий спрос на трафик в системах спутниковой связи создает значительные проблемы в эффективном управлении распределением радиоресурсов для удовлетворения требований к качеству обслуживания (QoS) при минимизации использования ресурсов [2].
Обычные системы спутниковой связи обычно используют статические многолучевые конфигурации с фиксированным распределением полосы пропускания и мощности. Эти системы не способны адаптироваться к динамическому характеру трафика. В результате ресурсы могут расходоваться впустую, в то время как потребности пользователей могут оставаться неудовлетворенными. Признавая временные и пространственные вариации спроса, появились программно-определяемые полезные нагрузки, предлагающие беспрецедентную гибкость и адаптивность в управлении радиоресурсами (RRM) для спутниковой связи [3].
Программно-определяемые полезные нагрузки произвели революцию в спутниковой связи, предоставив полностью переконфигурируемые системы, способные динамически распределять ресурсы мощности и полосы пропускания. Появление этих полезных нагрузок стимулировало потребность в эффективных методах RRM для оптимизации распределения ресурсов и обеспечения эффективного их использования. В то время как традиционные оптимизационные решения изучались для RRM, они часто являются вычислительно громоздкими и не обладают необходимой гибкостью для решения разнообразных и динамичных моделей трафика, встречающихся в системах спутниковой связи [4].
В последние годы алгоритмы машинного обучения (МО) стали перспективной альтернативой традиционным оптимизационным подходам для RRM в спутниковой связи [5], [6]. Решения на основе МО не только предлагают потенциал для адаптивного обучения и прогнозирования моделей трафика, но также способствуют ускорению сложных алгоритмов RRM и привносят адаптацию и гибкость в статические оптимизационные решения. Однако реализация алгоритмов МО на борту может быть проблематичной из-за потенциально высоких энергозатрат, несовместимых с доступными ресурсами спутников.
*Перевод выполнен с помощью нейросетей
Energy-Efficient On-Board Radio Resource Management for Satellite Communications via Neuromorphic Computing
The latest satellite communication (SatCom) missions are characterized by a fully reconfigurable on-board software-defined payload, capable of adapting radio resources to the temporal and spatial variations of the system traffic. As pure optimization-based solutions have shown to be computationally tedious and to lack flexibility, machine learning (ML)-based methods have emerged as promising alternatives. We investigate the application of energy-efficient brain-inspired ML models for on-board radio resource management. Apart from software simulation, we report extensive experimental results leveraging the recently released Intel Loihi 2 chip. To benchmark the performance of the proposed model, we implement conventional convolutional neural networks (CNN) on a Xilinx Versal VCK5000, and provide a detailed comparison of accuracy, precision, recall, and energy efficiency for different traffic demands. Most notably, for relevant workloads, spiking neural networks (SNNs) implemented on Loihi 2 yield higher accuracy, while reducing power consumption by more than 100 as compared to the CNN-based reference platform. Our findings point to the significant potential of neuromorphic computing and SNNs in supporting on-board SatCom operations, paving the way for enhanced efficiency and sustainability in future SatCom systems.
A. Context and Motivation
Satellite Communications (SatCom) have become increasingly important in recent years due to the surge in global connectivity demands. With the integration of terrestrial systems like 6G (Sixth-Generation) and the pressing need to reduce the digital divide and obtain ubiquitous coverage, SatCom plays a vital role in bridging the communication gap worldwide [1]. However, the growing traffic demand in SatCom systems presents significant challenges in effectively managing the allocation of radio resources to meet Quality-of-Service (QoS) requirements, while minimizing resource utilization [2].
Conventional SatCom systems typically employ static multi-beam configurations with fixed bandwidth and power allocations. These systems are incapable of adapting to the dynamic nature of traffic demands. As a result, resources may be wasted, while user demands may be left unfulfilled. Recognizing the temporal and spatial variations in demand, software-defined payloads have emerged, offering unprecedented flexibility and adaptability in Radio Resource Management (RRM) for SatCom [3].
Software-defined payloads have revolutionized the SatCom landscape by providing fully reconfigurable systems capable of dynamically allocating power and bandwidth resources. The advent of these payloads has driven the need for effective RRM techniques to optimize resource allocation and ensure efficient utilization. While traditional optimization-based solutions have been explored for RRM, they are often computationally cumbersome and lack the required flexibility to address the diverse and dynamic traffic patterns encountered in SatCom systems [4].
In recent years, Machine Learning (ML) algorithms have emerged as a promising alternative to conventional optimization approaches for RRM in SatCom [5], [6]. ML-based solutions not only offer the potential to adaptively learn and predict traffic patterns, but also contribute to accelerate complex RRM algorithmics and bring adaptation and flexibility to static optimization solutions. However, implementing ML algorithms on board may be problematic due to the potentially high energy budgets incompatible with satellites’ available resources.