Joint Optimization of Multi-UAV Deployment and 3D Positioning in Traffic-Aware Aerial Networks

기술 요약: 트래픽 인지형 에어리얼 네트워크에서의 다중 UAV 배치 및 3D 위치 결정 결합 최적화

문제 정의
본 논문은 동적인 트래픽 인지형 에어리얼 네트워크에서 다수의 무인 항공기(UAV)를 배치하는 데 있어 발생하는 핵심적인 과제를 다룹다. UAV는 온디맨드 배치와 신뢰할 수 있는 가시선(LoS) 연결성을 제공하지만, 비균일하고 시간에 따라 변하는 트래픽 수요를 충족하기 위해 이들을 실시간으로 효과적으로 배치하는 것은 여전히 어려운 과제이다. 기존 방식들은 대개 정적인 사용자 분포, 고정된 UAV 수 또는 별도의 최적화 단계를 활용하며, 이는 배치되는 UAV의 수를 최소화하는 동시에 네트워크 처리량을 극대화하는 결합 최적화에 실패한다. 핵심 문제는 혼합 정수 비선형 계획법(Mixed-Integer Nonlinear Programming, MINLP) 문제로 정식화된다. 즉, 데이터 전송률 요구 사항, 대역폭 제약 및 LoS 확률 모델을 준수하면서, 활성 UAV의 최소 개수, 각 UAV의 최적 3D 좌표, 그리고 지상 사용자 단말(UE)과 UAV 간의 연관 관계를 동시에 결정하는 것이다. 저자들은 이 문제가 NP-hard임을 지적하며, 대규모 시나리오에서는 최적해를 계산하는 것이 매우 어렵다고 명시하였다.

방법론: EMTAD 알고리즘
이 최적화 문제를 해결하기 위해 저자들은 EMTAD(Efficient Multi-UAV Traffic-Aware Deployment) 알고리즘을 제안한다. 이 프레임워크는 두 가지 주요 단계로 작동한다:

1. 커버리지 교차를 통한 공간 클러스터링:

   • 알고리즘은 먼저 사용자(UE)와 UAV 사이의 최대 허용 거리($d^{MAX}_{ik}$)를 계산한다. 이 거리는 사용자의 특정 트래픽 수요, 할당된 대역폭, 그리고 (도시 환경을 위한 Al-Hourani 모델에 기반한) 확률적 LoS/NLoS 채널 모델로부터 도출된다.
   • 이 거리를 바탕으로 각 UE 주변에 "커버리지 구체(coverage sphere)"가 정의된다.
   • 알고리즘은 이러한 구체들의 공간적 교차를 계산하여, 단일 UAV가 개별 트래픽 제약을 만족하면서 동시에 여러 UE를 서비스할 수 있는 후보 3D 영역($s_p$)을 식별한다.
   • 그 후, 모든 UE를 커버하는 데 필요한 가장 작은 교차 영역의 부분 집합을 식별함으로써, 근접성과 트래픽 호환성을 기준으로 사용자를 그룹화하고 필요한 총 UAV 수를 최소화한다.

2. 입자 군집 최적화(PSO)를 통한 3D 위치 결정 최적화:

   • 후보 교차 영역이 설정되면, PSO 기반 메타휴리스틱을 사용하여 할당된 영역 내 각 UAV의 정밀한 3D 좌표($P_k$)를 결정한다.
   • PSO 적합도 함수(fitness function)는 대역폭 제한을 준수하면서 UAV당 서비스되는 UE의 수를 최대화하는 동시에, 달성 가능한 데이터 전송률이 사용자의 수요를 충족하도록 하며, 높은 LoS 확률을 가진 위치를 우선시하는 것을 목표로 한다.
   • 알고-리즘은 가장 효율적인 배치 구성을 찾기 위해 UAV의 수($K_{max}$)를 반복적으로 줄여나간다.

주요 기여
본 논문은 세 가지 주요 기여를 기술한다:

1. 트래픽 인지형 실시간 위치 결정: 정적인 패턴이 아닌, 실시간 사용자 위치와 공간적 트래픽 분포에 따라 UAV 배치를 동적으로 조정하는 전략을 제공한다.
2. 통합 최적화 프레임워크: 배치되는 UAV의 수를 최소화하는 동시에, 최적의 UE-UAV 연관 관계를 결정하고 대역폭 용량 및 LoS 전파와 같은 실제적인 제약 조건을 고려하는 통합된 접근 방식을 제시한다.
3. 확장 가능한 알고리즘: 자원 효율성과 전체 네트워크 성능 사이의 균형을 맞추도록 설계된, 동적이고 이질적인 네트워크 환경을 위한 휴리스틱 솔루션이다.

성능 평가 및 결과
저자들은 Python 스크립트와 ns-3 네트워크 시뮬레이터를 사용하여 EMTAD를 평가하였으며, 이를 고정 고도 방식(fixed-altitude approach) 및 UAV당 고정 사용자 수 방식(fixed-number-of-UEs-per-UAV approach)이라는 두 가지 최신 베이스라인과 비교하였다. 평가는 세 가지 시나리오를 통해 수행되었다:

• 시나리오 A (변동 트래픽): 고정된 UE 수(20개)와 장소 크기(100m x 100m) 조건에서, EMTAD는 특히 높은 트래픽 수요로 인해 더 많은 UAV가 필요한 상황에서 베이스라인 대비 우수한 총 처리량을 입증하였다.
• 시나리오 B (변동 장소 크기): 더 큰 장소(최대 500m x 500m)에서, EMTAD는 더 적은 수의 UAV로도 대등하거나 더 나은 처리량을 달-성하였다. 예를 들어, 500m x 500m 영역에서 EMTAD는 수요를 충족하기 위해 3대의 UAV를 배치한 반면, 2대의 UAV를 사용하는 벤치마크 방식은 요구 사항을 충족하는 데 실패하였다.
• 시나리오 C (변동 UE 수): UE의 수가 증가함에 따라(최대 60개), EMTAD는 최대 2대의 UAV만을 사용하여 모든 사용자를 성공적으로 커버하고 트래픽 수요를 충족하였다. 반면, 벤치마크 방식은 동일한 시나리오에서 유의미한 처리량 개선 없이 최대 6대의 UAV를 필요로 하였다.

의의 및 주장
본 논문은 EMTAD가 배치 오버헤드를 줄이면서 네트워크 성능을 크게 향상시킨다고 주장한다. 동적인 환경에서 필요한 UAV 수를 최소화함으로써, 이 프레임워크는 효율적인 자원 활용과 운영 비용 절감을 보장한다. 저자들은 자신들의 접근 방식이 기존의 정적 전략에 비해 LoS 커버리지를 강화하고, 네트워크 부하를 조절하며, 스펙트럼 효율성을 개선한다고 강조한다. 본 연구는 단일 UAV 위치 결정에 관한 선행 연구를 바탕으로 하며, 이를 다중 UAV 최적화 및 동적 사용자 연관의 복잡성을 해결하는 방향으로 확장하였다. 향-후 연구 과제로는 UAV 이동성, 에너지 인지 운영 지원, 그리고 6G 네이티브 엣지 인텔리전스와의 통합이 제시되었다.