[论文解读] Revolutionizing Future Connectivity: A Contemporary Survey on AI-empowered Satellite-based Non-Terrestrial Networks in 6G

Shadab Mahboob, Lingjia Liu|arXiv (Cornell University)|Mar 2, 2023

Satellite Communication Systems被引用 4

一句话总结

本文提出基于人工智能的解决方案，以应对6G卫星非地面网络（NTN）中的关键挑战，利用监督学习和强化学习等机器学习技术，解决长传播时延、高多普勒频移、动态切换和资源分配等问题。人工智能的集成实现了对NTN系统的智能、自适应管理，提升了未来6G网络的性能、可扩展性和可靠性。

ABSTRACT

Non-Terrestrial Networks (NTN) are expected to be a critical component of 6th Generation (6G) networks, providing ubiquitous, continuous, and scalable services. Satellites emerge as the primary enabler for NTN, leveraging their extensive coverage, stable orbits, scalability, and adherence to international regulations. However, satellite-based NTN presents unique challenges, including long propagation delay, high Doppler shift, frequent handovers, spectrum sharing complexities, and intricate beam and resource allocation, among others. The integration of NTNs into existing terrestrial networks in 6G introduces a range of novel challenges, including task offloading, network routing, network slicing, and many more. To tackle all these obstacles, this paper proposes Artificial Intelligence (AI) as a promising solution, harnessing its ability to capture intricate correlations among diverse network parameters. We begin by providing a comprehensive background on NTN and AI, highlighting the potential of AI techniques in addressing various NTN challenges. Next, we present an overview of existing works, emphasizing AI as an enabling tool for satellite-based NTN, and explore potential research directions. Furthermore, we discuss ongoing research efforts that aim to enable AI in satellite-based NTN through software-defined implementations, while also discussing the associated challenges. Finally, we conclude by providing insights and recommendations for enabling AI-driven satellite-based NTN in future 6G networks.

研究动机与目标

• 解决6G卫星非地面网络（NTN）中长期传播时延、高多普勒频移和频繁切换等关键挑战。
• 克服集成空-天-地网络中的频谱共享复杂性与动态资源分配问题。
• 在混合陆地-卫星6G基础设施中实现高效的任务卸载、网络路由与网络切片。
• 将人工智能技术——尤其是监督学习与强化学习——集成到NTN中，实现自适应、实时的网络优化。
• 推进安全、节能且紧凑的系统设计，以支持在资源受限的卫星平台上的星上人工智能部署。

提出的方法

• 采用监督学习（SL）执行预测与估计任务，如信道状态估计与波束成形优化。
• 利用强化学习（RL）在动态环境中实现闭环控制，包括自适应资源分配与切换管理。
• 实施软件定义无线电（SDR）与O-RAN架构框架，以支持NTN测试平台中灵活的、集成人工智能的协议栈。
• 设计低复杂度、分布式学习架构，并配备高效的反馈机制，以支持在卫星上实现实时人工智能推理。
• 将无线接入网智能控制器（RIC）与人工智能模型集成，实现网络切片与服务编排的集中式智能。
• 应用深度学习模型以建模时变卫星信道条件与用户移动性模式中的复杂非线性关系。

Figure 1 : Structure of the paper.

实验结果

研究问题

• RQ1 如何有效应用人工智能技术（如监督学习与强化学习）以缓解卫星非地面网络中的长传播时延与高多普勒频移问题？
• RQ2 在多波束、高移动性卫星网络中，动态波束与资源分配的最优人工智能驱动策略是什么？
• RQ3 人工智能如何通过高效的任务卸载、网络路由与网络切片，实现NTN与陆地网络的无缝集成？
• RQ4 在资源受限的卫星平台部署人工智能时，关键的系统级设计原则——尤其是能效、安全与紧凑性——是什么？
• RQ5 如何设计基于人工智能的入侵检测与防护系统，以应对开放、非地面环境中出现的对抗性攻击与拒绝服务（DoS）攻击？

主要发现

• 人工智能技术，特别是监督学习与强化学习，在应对NTN中动态且时变的挑战（如多普勒频移与切换管理）方面展现出强大潜力。
• 人工智能与软件定义及O-RAN架构的结合，实现了对卫星网络的灵活、可扩展且实时的控制。
• 低复杂度与分布式人工智能学习框架对于在严格功耗与计算约束下实现实时星上推理至关重要。
• 能效与紧凑的系统设计是实现在卫星上部署人工智能的关键推动因素，直接影响人工智能驱动的NTN运行的可行性。
• 基于人工智能的安全机制（包括异常检测与入侵防护）对于应对开放NTN环境中新兴的威胁（如对抗性攻击与数据中毒）至关重要。
• 人工智能与NTN的融合为6G网络提供了可持续且高性能的基础，支持高达1 Tbps的峰值数据速率与10 Gbps的用户体验速率。

Figure 2 : An illustration of different NTN components in 6G.