💻 computer science

Dynamic Interference Prediction for In-X 6G Sub-networks

원저자: Pramesh Gautam, Ravi Sharan Bhagavathula, Paolo Baracca, Carsten Bockelmann, Thorsten Wild, Armin Dekorsy

게시일 2026-02-05

📖 3 분 읽기☕ 가벼운 읽기

원저자: Pramesh Gautam, Ravi Sharan Bhagavathula, Paolo Baracca, Carsten Bockelmann, Thorsten Wild, Armin Dekorsy

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

수십 개의 작고 독립적인 무선 네트워크(이를 "서브 네트워크"라고 부릅니다)가 동시에 서로 통신하려고 시도하는 활기찬 공장 현장을 상상해 보십시오. 이것들은 각각 하나의 마스터 타워(액세스 포인트)와 몇 명의 작업자(사용자 단말)를 가진 작은 자립형 라디오 방송국과 같습니다.

목표는 메시지를 1밀리초 미만으로, 거의 완벽한 정확도로 매우 빠르고 안정적으로 전달하는 것입니다. 이것이 바로 6G 산업용 네트워크가 약속하는 바입니다.

하지만 큰 문제가 하나 있습니다: 바로 **간섭(Interference)**입니다.

문제점: "붐비는 방" 효과

모두가 소리를 지르고 있는 붐비는 방에서 개인적인 대화를 나누려고 노력하는 상황을 상상해 보십시오. 우리 공장에서도 한 네트워크가 신호를 보낼 때, 그것은 이웃 네트워크의 신호를 덮어버리는 "소음"을 만들어냅니다. 이러한 네트워크들은 매우 조밀하게 배치되어 있고 계속 움직이기 때문에, 이 소음은 즉각적이고 예측 불가능하게 변합니다.

이를 해결하기 위해, 네트워크는 메시지가 반드시 전달될 수 있도록 자신의 "볼륨"과 "언어"(이를 **링크 적응(Link Adaptation)**이라고 합니다)를 조정해야 합니다. 이를 수행하기 위해 마스터 타워는 현재 배경 소음이 정확히 어느 정도인지 알아야 합니다.

함정: 마스터 타워는 소음을 직접 들을 수 있는 마이크를 가지고 있지 않습니다. 타워는 사용자 단말기로부터 전달되는 'CQI 보고서'라는 지연되고 요약된 보고만을 받습니다. 이는 마치 5분 전에 읽힌 온도를 정수로 반올림된 수치로 보고받고, 그 수치를 통해 현재 방의 온도를 추측하려는 것과 같습니다.

해결책: "스마트 탐정" (EKF)

이 논문의 저자들은 **확장 칼만 필터(Extended Kalman Filter, EKF)**라는 수학적 도구를 사용하여 소음 수준을 추측하는 새로운 방법을 제안합니다.

저자들은 이를 쉬운 비유를 통해 다음과 같이 설명합니다:

숨겨진 변수: 실제 소음 수준은 타워가 직접 볼 수 없는 "비밀"(잠재 변수)입니다.
단서: CQI 보고서는 타워가 가진 유일한 "단서"입니다.
예측: 저자들은 **동적 상태 공간 모델(Dynamic State Space Model, DSSM)**을 구축했습니다. 이것은 *"만약 어제 소음이 높았고 날씨(채널)가 안정적이었다면, 오늘도 아마 여전히 높겠지만 조금은 다를 것이다"*라고 말하는 정교한 규칙 책과 같습니다.
필터: EKF는 스마트 탐정처럼 작동합니다. 이 탐정은 오래된 "단서"(지연된 CQI 보고서)를 가져와서, 자신의 규칙 책(소음이 움직이는 모델)과 결합하여, 새로운 보고서가 도착하기도 전에 현재 소음 수준이 어떠할지에 대한 최선의 추측을 내놓습니다.

어떻게 성공했는가

이 수학적 원리는 복잡하지만, 저자들은 두 가지 영리한 방법으로 이를 단순화했습니다.

변동성 완화(Smoothing the Jumps): 그들은 무선 신호가 즉각적으로 변하지 않고 부드럽게 움직인다는 점을 깨달았습니다. 그들은 소음이 다음 순간으로 넘어갈 때 어떻게 "꿈틀거리는지(wiggle)" 예측하기 위해 수학적 곡선(베셀 함수, Bessel function)을 사용했습니다.
지저분한 데이터 처리: CQI 보고서는 불완전하기 때문에(반올림된 숫자, 지연된 시간 등), 탐정은 단서에 어느 정도의 "정적"이나 오류가 있다고 가정하고 그에 따라 추측을 조정합니다.

결과: 효과가 있었는가?

연구진은 이 "스마트 탐정"을 두 가지 다른 방법과 비교 테스트했습니다.

"이동 평균(Moving Average)" (구식 방식): 이 방식은 지난 몇 개의 소음 보고를 보고 평균을 냅니다. 이는 내일의 날씨를 지난 3일간의 평균값으로 추측하는 것과 같습니다. 이 방식은 급격한 변화를 따라잡는 데 실패했습니다.
"LSTM" (헤비급 AI): 이는 방대한 양의 훈련 데이터와 강력한 컴퓨팅 파워를 요구하는 복잡한 인공지능 모델입니다. 이는 날씨를 맞추기 위해 슈퍼컴퓨터 팀을 고용하는 것과 같습니다.

결과:

**스마트 탐정(EKF)**은 구식 방식보다 훨씬 뛰어났으며, 예측 오차를 크게 줄였습니다.
놀랍게도, 스마트 탐정은 별도의 훈련 데이터나 무거운 컴퓨팅 파워가 필요하지 않았음에도 불구하고, **헤비급 AI(LSTM)**와 거의 대등한 성능을 보여주었습니다.
또한, 타워가 소음을 즉각적으로 알 수 있는 이론적인 완벽한 시나리오인 "지니(Genie)" 시나리오에 매우 근접한 성능을 보였습니다. 이는 표준 지표가 됩니다.

핵심 요약

이 논문은 어려운 문제를 해결하기 위해 항상 초복잡한 AI가 필요한 것은 아니라는 점을 보여줍니다. 무선 신호가 시간에 따라 어떻게 행동하는지 이해하는 영리한 수학적 모델을 사용함으로써, 공장 네트워크는 이미 가지고 있는 제한적이고 지연된 보고만을 사용하여 간섭을 정확하게 예측할 수 있습니다. 이를 통해 네트워크는 설정을 즉각적으로 조정할 수 있으며, 혼란스럽고 붐비는 환경 속에서도 메시지가 빠르고 안정적으로 전달되도록 보장할 수 있습니다.

기술 요약: In-X 6G 서브 네트워크를 위한 동적 간섭 예측

문제 정의
본 논문은 0.1~1 ms의 지연 시간 요구 사항과 최대 99.99999 퍼센타일의 신뢰성을 지원하도록 설계된 초고신뢰 저지연 통신(HRLLC)을 위한 In-X 6G 서브 네트워크(SN) 내의 간섭 관리(Interference Management, IM) 과제를 다룹니다. 초밀집 SN 환경에서는 채널 특성, 이동성 및 자원 제한으로 인해 간섭이 급격하게 변합니다.

채널 품질 지표(CQI) 보고와 ACK/NACK 피드백에 의존하는 기존의 링크 적응(Link Adaptation, LA) 방식은 이러한 맥락에서 상당한 난관에 봉착합니다:

급격한 간섭 변동: HRLLC 트래픽은 전송 시간 간격(TTI)당 물리적 자원의 일부만을 점유하는 짧은 패킷을 사용하므로, 전통적인 추적 방법이 처리할 수 있는 속도보다 더 빠르게 간섭이 변동합니다.
보고 지연: CQI 보고 메커니즘의 고유한 지연으로 인해, 액세스 포인트(AP)에 도달할 때쯤에는 간섭 정보가 이미 구식이 됩니다.
재전송 제한: 극단적인 지연 시간 제약으로 인해 재전송이 단 한 번의 시도로 제한되는 경우가 많으며, 이로 인해 정확한 초기 변조 및 코딩 방식(MCS) 선택이 매우 중요해집니다.

기존 솔루션들은 종종 간섭 장치로부터 명시적인 채널 추정치를 요구하거나(오버헤드 증가), 정답(ground-truth) 간섭 라벨이 필요한 지도 학습 모델에 의존합니다(실시간 획득이 어려움). 또한, 많은 기존 방법론들은 간섭 분포의 꼬리 확률(tail probabilities)에만 집중하여 LA 문제를 지나치게 단순화합니다.

방법론
저자들은 명시적인 피드백이나 정답 라벨 없이 오직 가용 가능한 CQI 보고에만 의존하는 온라인, 비지도 학습 기반의 AP 측 간섭 예측 방법을 제안합니다. 핵심 방법론은 다음 세 단계로 구성됩니다:

시스템 모델링:
- 저자들은 공간적으로 일관된 3GPP 채널 모델과 ON-OFF 트래픽 모델을 사용하여 상호 SN 간의 간섭을 모델링합니다.
- 간섭 전력 값(Interference Power Values, IPV)은 경로 손실, 소규모 페이딩(LOS의 경우 Rician, NLOS의 경우 Rayleigh), 그리고 섀도잉을 포함하여 간섭하는 SN들의 기여도를 합산하여 정의됩니다.
이산 시간 상태 공간 모델 (Discrete-Time State Space Model, DSSM):
- IPV를 잠재(hidden) 상태 변수로 취급하고 CQI 보고를 관측값으로 하는 가우시안 DSSM을 공식화합니다.
- 프로세스 모델: 모델링 오류 및 전송 지연을 고려하기 위해 프로세스 노이즈를 포함하여, TTI에 따른 IPV의 동적 진화를 설명합니다.
- 측정 모델: 유효 SNR 매핑(ESM) 압축 및 CQI 양자화로 인한 오류를 고려하여, 관측된 CQI(SINR로 매핑됨)와 근본적인 IPV 사이의 관계를 설명합니다.
확장 칼만 필터(Extended Kalman Filter, EKF) 근사화:
- 이 비선형 시스템에 EKF를 효율적으로 적용하기 위해, 저자들은 다음과 같은 특정 근사법을 도입합니다:
  - 전이 역학(Transition Dynamics): 소규모 페이딩의 상관관계는 0차 베셀 함수(zeroth-order Bessel function)를 사용하여 근사화됩니다. 전이 함수는 상관관계 매칭 기준을 사용하여 두 최근 IPV 추정치의 볼록 조합(convex combination)으로 선형화됩니다.
  - 측정 노이즈: 측정 노이즈는 ESM 오류와 CQI 양자화 오류를 나타내는 두 개의 한계 가우시안 변수의 곱으로 근사화됩니다.
- EKF는 최적의 MCS 선택을 위해 SINR 추정치를 조정하는 데 사용되는 IPV를 매 TTI마다 추정하기 위해 표준적인 2단계 과정(예측 및 업데이트)으로 작동합니다.

주요 기여

공식적 특성화: 본 논문은 공간적으로 일치하는 3GPP 채널 모델과 ON-OFF 트래픽 모델을 결합하여 상호 SN 간의 간섭을 공식적으로 특성화합니다.
새로운 DSSM 공식화: IPV를 잠재 변수로, CQI 보고를 관측값으로 하는 이산 시간 가우시안 DSSM을 제시합니다. 기존 방법들과 달리, 이 접근 방식은 꼬리 확률뿐만 아니라 전체 범위의 IPV를 모델링합니다.
EKF 기반 예측: 명시적인 간섭 라벨 없이 CQI 보고만을 사용하여 온라인 IPV 예측을 위한 EKF를 효율적으로 사용하기 위해 필요한 DSSM 근사법을 도입합니다.
성능 검증: 수치적 결과는 제안된 방법이 기존의 베이스라인보다 우수한 성능을 보이며, 정답(ground-truth) 간섭 라벨 없이도 지도 학습 방법(LSTM) 및 이상적인 "Genie" 베이스라인과 대등한 성능을 달성함을 입증합니다.

수치적 결과
시뮬레이션은 20x20 m² 영역, 16개의 SN, 6 GHz 반송파 주파수 및 0.1 ms TTI를 사용하여 수행되었습니다.

예측 오차: 제안된 EKF 예측기는 이동 평균(Moving-Average, MA) 예측기보다 약 8 dB 낮은 상대 절대 오차(Relative Absolute Error, RAE)를 달축했습니다. EKF의 성능은 비지도 학습 기반의 모델 기반 접근 방식임에도 불구하고, 사전 학습된 LSTM 예측기와 거의 대등한 수준이었습니다.
링크 적응 성능: 링크 적응 성능 측면에서, EKF 기반 LA는 95%의 사례에서 목표 BLER인 $10^{-5}$ 를 달성했습니다.
비교: EKF 접근 방식은 완벽한 SINR 지식을 가정하는 "Genie" LA 및 LSTM 베이스라인과 밀접하게 일치했습니다. 이는 비선형 간섭 역학을 추적하는 데 어려움을 겪은 이동 평균(MA) 예측기보다 현저히 우수한 성능을 보였습니다.

의의 및 주장
본 논문은 제안된 접근 방식이 소형 폼 팩터 SN 장치에 적합한 저복잡도, 계산 효율적 솔루션을 제공한다고 주장합니다. 상태-공간 모델을 통해 CQI 보고와 IPV 사이의 상호 의존성을 활용함으로써, 이 방법은 학습 데이터나 명시적인 간섭 피드백 없이도 복잡한 머신러닝 베이스라인(LSTM) 및 최적의 이론적 한계(Genie)와 대등한 성능을 달합니다. 저자들은 적절한 모델링과 근사화를 통해, 저복잡도 상태-공간 모델링이 동적 간섭 예측을 위한 실용적인 대안이 될 수 있음을 결론짓습니다. 또한, 이를 AP당 여러 UE를 위한 벡터 값 DSSM으로 확장하는 것이 향후 연구 과제로 남아 있다고 언급합니다.