边缘部署的AI技术优化多波束卫星系统中的分数频率复用

《IEEE Open Journal of the Communications Society》：Edge-Deployed AI Optimizing Fractional Frequency Reuse in Multibeam Satellite System

　　

摘要：

将原生人工智能/机器学习（AI/ML）技术集成到无线接入网（RAN）中，正在迅速成为实现非地面网络（NTNs）中可扩展、自适应和上下文感知的资源管理的关键手段。然而，要实现高效的频谱利用并保持稳定的网络容量，不仅取决于算法本身的智能性，还取决于控制环路网络架构的设计。在这种情况下，AI与开放RAN（O-RAN）的结合为灵活且强大的AI驱动的无线资源管理（RRM）功能的部署提供了变革性的路径。为了进一步提高整体资源管理效率，本文提出了一种智能分数频率复用（FFR）优化框架，该框架适用于集成到O-RAN生态系统中的多波束卫星系统。这使得在边缘（太空中）执行分布式AI成为可能，从而支持完整的AI/ML生命周期，包括数据采集、模型训练、模型传输、推理和在线适应。这种分层部署不仅缓解了集中式架构固有的延迟、可扩展性和连接性限制，而且在地面覆盖受限或过载的情况下，也成为地面网络（TN）的一种可行替代方案。在算法层面，所提出的智能FFR范式在网络边缘部署，共同优化了内外波束宽度比和功率分配，以最小化多个波束之间的网络容量偏差。这是通过基于集中式训练用于分布式执行（CTDE）的多智能体框架实现的，该框架支持波束之间的协作决策。与非协作式多智能体方案和传统的单智能体学习方法相比，CTDE在异构多波束NTN环境中提供了更具可扩展性、稳定性和效果的优化性能。