⚡ electrical engineering

Digital-Twin-Aided Dynamic Spectrum Sharing and Resource Management in Integrated Satellite-Terrestrial Networks

본 논문은 실세계 트래픽 데이터와 3D 지도를 이용한 시뮬레이션을 통해 검증된 바와 같이, 장기 및 단기 자원 관리를 공동으로 최적화하기 위해 압축 센싱과 순차적 볼록 근사법을 활용하여 통합 위성-지상 네트워크를 위한 디지털 트윈 기반의 동적 스펙트럼 공유 프레임워크를 제안하며, 이를 통해 시스템 혼잡을 크게 감소시킨다.

원저자: Hung Nguyen-Kha, Vu Nguyen Ha, Ti Nguyen, Eva Lagunas, Joel Grotz, Symeon Chatzinotas, Björn Ottersten

게시일 2026-07-16

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Hung Nguyen-Kha, Vu Nguyen Ha, Ti Nguyen, Eva Lagunas, Joel Grotz, Symeon Chatzinotas, Björn Ottersten

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

전 세계의 인터넷을 수십억 명의 사람들이 동시에 대화를 나누려 하는 거대하고 북적이는 도시라고 상상해 보십시오. 수년 동안 우리는 이 교통량을 처리하기 위해 지상의 도로(기지국)를 더 많이 건설해 왔지만, 인구 밀집 지역의 도로는 꽉 막혀 있고, 외딴 마을에는 도로 자체가 없습니다. 이를 해결하기 위해 과학자들은 하늘을 바라보고 있으며, 지구 저궤도(LEO) 위성을 이용해 지구 주위를 빠르게 회전하는 새로운 층위의 "고속도로"를 추가하고 있습니다. 핵심 아이디어는 이 위성들과 지상 기지국이 동일한 무선 주파수를 공유하게 하는 것입니다. 이는 마치 두 이웃이 식료품점에 가기 위해 하나의 진입로를 공유하는 것과 같습니다. 이것을 "동적 스펙트럼 공유(Dynamic Spectrum Sharing)"라고 부릅니다. 하지만 문제는 위성은 빠르게 움직이고, 지상 기지국은 고정되어 있으며, 도시의 건물들은 신호를 마치 핀볼처럼 사방으로 튕겨내어 혼란스러운 상황을 만든다는 점입니다. 이 교통량을 실시간으로 관리하는 것은 외발자전거를 타면서 코끼리 떼의 돌진을 지시하는 것과 같습니다. 당신이 명령을 외치는 순간, 코끼리들은 이미 이동해 버렸을 것이기 때문입니다.

여기서 "디지털 트윈(Digital Twin)"이 등장합니다. 디지털 트윈을 로봇이 아니라, 현실 세계를 초고해밀도로 구현한 살아있는 비디오 게임 시뮬레이션이라고 생각하십시오. 그것은 도시, 위성, 그리고 사람들의 가상 복사본이며 슈퍼컴퓨터에서 실행됩니다. 시뮬레이션이기 때문에, 그것은 미래를 엿볼 수 있습니다. 그것은 10분 후에 위성이 어디에 있을지, 혹은 어디에 사람들이 모일지를 예측할 수 있습니다. 이를 통해 네트워크 관리자는 정체가 발생하기 전에 교통 신호를 설정할 수 있습니다. 여러분이 읽게 될 이 논문은 이 "수정구슬"을 사용하여 위성과 지상 기지국 사이의 공유 무선파를 관리하여, 전체 시스템이 무너지지 않으면서도 모두가 인터넷이라는 파이를 공평하게 나누어 가질 수 있도록 하는 방법을 탐구합니다.

논문의 이야기: 두 단계의 댄스

이 논문의 저자들인 룩셈부르크 연구진과 산업 파트너들은 이러한 통합 위성-지상 네트워크의 혼잡 문제를 해결하기 위한 영리한 2단계 전략을 제안합니다. 그들은 이 시스템을 "디지털 트윈 지원 동적 스펙트럼 공유(Digital-Twin-Aided Dynamic Spectrum Sharing)"라고 부릅니다.

1단계: 수정구슬 전략 (DT-JointRA)
먼저, 시스템은 디지털 트윈을 사용하여 앞을 내다봅니다. 교통 정체가 발생할 때까지 기다리는 대신, "네트워크 관리 시스템"(운영의 두뇌)은 디지털 트윈을 사용하여 다음 주기(cycle)에 네트워크가 어떤 모습일지 예측합니다. 시스템은 위성의 움직임, 사용자(구글 맵의 자동차와 같은)의 위치, 심지어 건물이 신호를 어떻게 차단하거나 반사할지까지 시뮬레이션합니다. 이 미래의 관점을 바탕으로, 시스템은 "장기적인 결정"을 내립니다. 어떤 위성이나 지상 기지국이 어떤 그룹의 사람들에게 서비스를 제공할지, 각 서비스에 얼마나 많은 무선 주파수 공간(대역폭)을 할당할지, 그리고 트래픽을 어떻게 나눌지를 결정합니다. 이는 마치 레이더로 폭풍이 다가오는 것을 보고, 비행기가 이륙하기도 전에 난기류를 피하도록 미리 경로를 변경하는 항공 관제사와 같습니다.

2단계: 현실 점검 (RT-Refine)
하지만 시뮬레이션은 결코 완벽할 수 없습니다. 현실 세계는 무질서합니다. 사용자가 갑자기 차를 멈출 수도 있고, 건물이 지도에서 예측한 것과 다르게 신호를 반사할 수도 있습니다. 만약 시스템이 수정구슬에만 의존한다면 실수를 할 수도 있습니다. 그래서 저자들은 두 번째 단계인 "실시간 정교화(Real-Time Refinement)"를 추가했습니다. 시스템이 실제 환경에서 작동하기 시작하면, 끊임없이 실제 조건을 확인합니다. 시스템은 디지털 트윈이 만든 계획을 가져와서, 특히 지상 기지국을 대상으로 실시간으로 미세 조정합니다. 이는 교통 예측에 기반해 경로를 알려주지만, 실제 사고가 발생했을 때 즉시 경로를 재탐색하는 GPS 앱과 같습니다. 이 단계는 불완전한 예측으로 인해 발생하는 오류를 수정하기 위해 지상 기지국의 전력과 연결을 조정하며, 계획이 실제로 작동하도록 보장합니다.

그들이 발견한 것 (그리고 발견하지 못한 것)

연구진은 매우 현실적인 설정을 사용하여 아이디어를 테스트했습니다. 그들은 단순히 수학적 모델만 사용한 것이 아니라, 신호가 실제 건물에 어떻게 튕기는지 시뮬레이션하기 위해 런던의 3D 지도를 사용했습니다. 또한 실제 사람들의 실제 교통 데이터와 실제 위성 궤도 데이터(Starlink의 TLE 데이터)를 사용했습니다. 그들은 알고리즘을 강력한 컴퓨터에서 실행하여 "큐 길이(queue lengths)"—즉, 사람들이 데이터를 기다려야 하는 시간—를 얼마나 최소화할 수 있는지 확인했습니다.

시뮬레이션 결과는 상당히 유망했습니다. 그들은 디지털 트윈을 사용하지 않거나 미래를 내다보지 않고 교통을 관리하려는 다른 방법들보다 자신들의 2단계 방식(먼저 예측하고, 그 다음 정교화하는 방식)이 훨씬 더 뛰어나다는 것을 발견했습니다.

"전체 정보" 벤치마크: 그들은 미래와 현재의 모든 것을 즉각적으로 아는 이론적인 완벽한 시스템인 "전체 정보 알고리즘(Full Information Algorithm, FIA)"과 비교했습니다. 그들의 방식은 예측을 사용함에도 불구하고, 이 완벽한 시스템에 매우 근접한 성능을 보였으며, 큐 길이에서 단 0.27 MB의 미미한 차이만을 보였습니다.
"휴리스틱" 벤치마크: 앞을 내다보지 않고 단순히 사용 가능한 최선의 신호를 잡으려는 단순한 "탐욕적(greedy)" 방법과 비교했을 때, 그들의 방식은 대기 시간(큐 길이)을 엄청나게 줄였습니다. 일부 시나리오에서는 최대 17 MB까지 감소했습니다.
속도: 가장 흥식한 발견 중 하나는 속도에 관한 것이었습니다. 디지털 트윈이 미리 계획을 세우는 무거운 작업을 수행했기 때문에, 실시간 "정교화" 단계는 그리 힘들게 일할 필요가 없었습니다. 이 단계는 단 몇 번의 반복(약 3회)만으로도 좋은 솔루션을 찾아냈는데, 이는 다른 방법들이 훨씬 더 오래 걸렸던 것(약 10회 반복)과 대조적입니다. 이는 이 시스템이 실제로 실생활에서 사용될 수 있을 만큼 빠르게 실행될 수 있음을 시사합니다.

그들이 명시적으로 배제한 것

이 논문은 자신들의 시스템이 무엇을 하지 않는지를 주의 깊게 밝히고 있습니다. 그들은 단순히 위성이나 지상 기지국의 전력을 높여서 문제를 해결하려는 것이 아님을 명시적으로 밝힙니다. 실제로 시뮬레이션 결과, 지상 기지국의 전력을 일정 수준(36 dBm) 이상으로 높이는 것은 큰 도움이 되지 않았으며 오히려 에너지만 낭비한다는 것을 보여주었습니다. 또한, 디지털 트윈 없이 또는 미래를 내다보지 않고 네트워크를 관리하는 아이디어도 배제했습니다. 그들의 결과는 미래를 무시하거나 복잡한 3D 환경을 고려하지 않는 것이 훨씬 더 심각한 혼잡을 초래한다는 것을 보여주었습니다.

얼마나 확신하는가?

이 결과들이 컴퓨터 시뮬레이션에서 나온 것이라는 점을 기억하는 것이 중요합니다. 현재 하늘에서 실제로 운영 중인 라이브 네트워크가 아닙니다. 저자들은 최대한 현실적인 시뮬레이션을 만들기 위해 실제 데이터(런던 지도, 실제 교통 패턴)를 사용했지만, 아직 이 기술을 실제 위성 네트워크에 물리적으로 구축하여 테스트하지는 않았습니다. 그들은 자신들의 방법이 "실용적으로 실현 가능하고(practically feasible)" "효율적"이라고 제안하지만, 이는 특정 테스트 환경에서의 강력한 결과임을 전제로 합니다. 그들은 현실 세계에서 디지털 트윈이 100% 완벽하지 않을 수 있다는 점을 인정하며(시뮬레이션에 "오류"를 추가하여 이를 테스트함), 자신들의 "정교화" 단계가 바로 이러한 작은 실수들을 바로잡기 위해 설계되었다고 설명합니다.

요약하자면, 이 논문은 "수정구슬(디지털 트윈)"을 사용하여 앞을 내다보고, 그 후 빠른 "현실 점검(정교화)"을 통해 오류를 수정함으로써, 가장 붐비는 도시에서도 지상과 별 사이의 인터넷 흐름을 원활하게 유지할 수 있다고 제안합니다. 이는 수백만 개의 새로운 도로를 건설할 필요 없이 교통 흐름을 유지하는 영리한 2단계 댄스입니다.

기술 요약: 통합 위성-지상 네트워크에서의 디지털 트윈 기반 동적 스펙트럼 공유 및 자원 관리

1. 문제 정의

본 논문은 5G-Advanced 및 6G 요구사항을 지원하는 통합 위성-지상 네트워크(ISTN)에서 자원 할당 및 동적 스펙트럼 공유(DSS)를 관리하는 과제를 다룹다. 모바일 트래픽이 증가함에 따라 지상 네트워크(TN)에만 의존하는 것은 희소 지역에서의 비효율적인 스펙트럼 활용과 높은 인프라 비용을 초래한다. 저궤도(LEO) 위성은 보완적인 커버리지를 제공하지만, 이를 지상 네트워크와 통합하는 과정에서 다음과 같은 결정적인 복잡성이 발생한다:

계통 간 간섭(Inter-System Interference, ISyI): 지상 네트워크(TN)와 위성 네트워크(SatNet) 간의 공통 주파수 공유는 복잡한 간섭 패턴을 생성하며, 이는 반사와 차폐를 유발하는 다양한 지상 환경(예: 어반 캐니언)에 의해 더욱 악화된다.
동적 조건: LEO 위성과 사용자 모두의 높은 이동성, 그리고 긴 전파 거리로 인해 급격히 변화하는 링크 조건이 발생한다.
시그널링 오버헤드: 긴 위성-지상 간 거리로 인해 실시간 채널 추정 및 제어 시그널링이 어렵고 지연 시간을 유발한다.
트래픽 이질성: 시스템은 지연 시간에 민감한 서비스(uRLLC), 위성 통신, 멀티 네트워크 서비스 등 각각 고유한 지연 시간 및 신뢰성 요구사항을 가진 다양한 서비스를 지원해야 한다.

핵심 목표는 대역폭 할당(BWA), 트래픽 스티어링, 사용자 결합(User Association), 자원 블록(RB) 할당, 전력 제어와 같은 공동 자원 관리 결정을 최적화하여 시스템 혼잡(평균 큐 길이로 측정)을 최소화하는 것이다.

2. 방법론

저자들은 두 가지 시간 척도(장기/사이클 기반 및 단기/서브 프레임 기반)에서 작동하는 시간 창 기반 디지털 트윈(DT) 지원 프레임워크를 제안한다.

A. 시스템 및 디지털 트윈 모델

네트워크 아키クス처: 시스템은 $N$ 개의 지상 액세스 포인트(TAP)와 $K$ 개의 사용자 단말(UE)을 서비스하는 하나의 LEO 위성으로 구성된다. 위성에는 주파수 분할 쌍방향 방식(FDD)을, 지상 네트워크에는 시분할 쌍방향 방식(TDD)을 사용하는 5G-NR 다운링크 전송 모델을 활용한다.
디지털 트윈 구축: 물리적 네트워크의 가상 복제본을 만들기 위해 네트워크 관리 시스템(NMS)에 DT가 배치된다.
- 정적 구성 요소: 대상 지역(런던)의 3D 지도, TAP 위치, 안테나 특성을 포함한다.
- 동적 구성 요소: UE 이동성, 트래픽 수요, LEO 위성의 움직임(Two-Line Element 데이터 사용)을 모델링한다.
- 채널 예측: DT는 3D 지도와 결합된 레이 트레이싱(Ray-Tracing, RayT) 도구를 사용하여 채널 상태 정보(CSI)를 예측한다. 예측 오류(예: 누락된 지도 세부 정보)를 처리하기 위해, 모델은 가상 비가시선(NLoS) 성분과 실제 채널을 연결하는 상관 계수 $\xi$ 를 도입한다.
트래픽 모델: 세 가지 서비스 유형을 지원한다: 지연 민감형(D, TAP에 의해서만 서비스됨), 위성 통신(S, LEO에 의해서만 서비스됨), 멀티 네트워크(M, 양쪽 모두에 의해 서비스됨). 트래픽 스티어링은 예측된 수요에 따라 데이터 흐름을 TN과 SatNet 사이로 분할한다.

B. 최적화 프레임워크

평균 큐 길이(QL)를 최소화하기 위해 두 가지 최적화 문제를 정식화한다:

DT-JointRA (장기/사전 해결):
- 목표: 예측된 정보(DT 출력)를 사용하여 향후 사이클에 대한 자원 할당을 최적화한다.
- 변수: 대역폭 할당, 트래픽 스티어링 비율, 사용자 결합, RB 할당 및 전력 제어.
- 복잡도: 이진 결합 변수와 비볼록(non-convex) SINR/전송률 제약 조건으로 인해 혼합 정수 비선형 계획법(MINLP)으로 정식화된다.
- 해결 접근 방식:
  - 압축 센싱(Compressed Sensing): 링크 활성화를 나타내기 위해 $\ell_0$ -노름 근사를 사용하여 이진 변수를 완화한다.
  - 순차적 볼록 근사(Successive Convex Approximation, SCA): 슬랙 변수와 1차 테일러 근사를 사용하여 비볼록 전송률 및 SINR 제약 조건을 볼록화한다.
  - 알고리즘: 변환된 볼록 문제를 해결하여 국소 최적해를 얻기 위해 반복 알고리즘(DT-JointRA)을 사용한다.
RT-Refine (단기/정밀화):
- 목표: 긴 전파 지연으로 인해 위성 결정은 고정한 채, 실제 실시간 피드백을 사용하여 각 서브 프레임에 대한 지상 네트워크의 단기 결정(전력 제어, 결합, RB 할당)을 정밀화한다.
- 메커니즘: DT-JointRA의 솔루션을 초기값으로 사용한다. 지상 링크에 대한 실제 CSI와 위성 링크에 대한 예측된 CSI를 통합하며, 계통 간 간섭의 예측 불확실성을 고려하기 위해 간섭 마진 계수( $\kappa$ )를 적용한다.
- 해결 접근 방식: 효율적인 정밀화 문제 해결을 위해 유사한 SCA 기반 볼록화를 지상 중앙 유닛(TCU)에서 적용한다.

3. 주요 기여

본 논문은 다음과 같은 구체적인 기여를 주장한다:

새로운 DT 모델: 트래픽과 위치의 복제를 넘어 실제 단말 안테나 패턴, 실제 3D 지도, ISTN을 위한 RayT 기반 CSI 에뮬레이션을 포함하는 DT 모델을 개발하였다.
결합 최적화 정식화: 예측된 정보를 장기 계획에 활용하고 실시간 피드백을 단기 교정에 활용하여, 혼합 정수 비선형 특성을 가진 문제를 해결하는 두 가지 별도의 최적화 문제("Joint-RA" 및 "Refinement")를 정식화하였다.
효율적인 알고리즘: 복잡한 MINLP 문제를 해결하기 위해 압축 센싱 및 SCA 기법을 활용하는 DT-JointRA 및 RT-Refine 알고리즘을 제안하였다.
실제적인 평가: 실제 트래픽 데이터, Google Navigator의 차량 이동성 궤적, 실제 교통 데이터셋을 사용하여 검증하였다. 본 연구는 실제 환경 조건에 적응하는 시스템의 능력을 입증한다.

4. 수치 결과

실제 트래픽 데이터와 런던 3D 지도를 사용하여 시뮬레이션을 수행하였다. 주요 결과는 다음과 같다:

혼잡 최소화: 제안된 RT-Refine 알고리즘은 평균 큐 길이를 최소화하는 데 있어 벤치마크(Greedy, Heuristic, Reference, SF-RA 알고리즘)보다 크게 우수하다. Greedy/Heuristic 방식 대비 약 17 MB, 간섭 인식 벤치마크 대비 1.5~4 MB의 큐 길이를 감소시킨다.
수렴 속도:
- DT-JointRA 알고리즘은 약 25회의 반복 내에 수렴한다.
- DT-JointRA 출력을 초기값으로 사용할 경우, RT-Refine 단계 2(실시간 정밀화)는 표준 서브 프레임 알고리즘이 약 10회 반복되는 것에 비해 단 3회의 반복만으로 수렴한다.
예측 오류에 대한 강건성:
- 시스템은 정밀화 단계를 통해 위치 오류로 인한 채널 불일치를 효과적으로 완화한다.
- 간섭을 과대평가하여 발생하는 전송률 저하를 피하면서도 평균 큐 길이를 약 0.75 MB 감소시키는 최적의 간섭 마진 계수( $\kappa = 1.1$ )를 찾아냈다.
성능 격차: RT-Refine 방식은 모든 결정에 완벽한 실시간 지식을 사용하는 "Full-Info 알고리즘"과 매우 근접한 성능을 보이며, 평균 큐 길이 격차는 단 0.27 MB에 불과하여 DT 지원 사전 최적화의 효용성을 입증하였다.
서비스 만족도: 상당 부분의 지연 민감형 트래픽을 처리하지 못하는(최대 22.2%) 벤치마크들과 달리, 제안된 알고리즘은 모든 지연 민감형 서비스 요구사항을 충족한다.

5. 의의 및 주장

본 논문은 미래의 6G ISTN을 위한 실질적인 솔루션으로서 자신의 연구를 포지셔닝한다. 그 의의는 다음과 같다:

간극 해소: 실제 3D 환경 모델링을 포함하고 위성 통신의 지연 제약을 처리함으로써, 이론적인 자원 관리와 실제 배포 사이의 간극을 메운다.
선제적 vs 반응적: 디지털 트윈을 활용한 선제적(Proactive) 장기 의사결정과 반응적(Reactive) 단기 정밀화의 결합이 ISTN의 동적이고 복잡한 특성을 다루기 위한 유효한 전략임을 입과한다.
실행 가능성: 제안된 알고리즘이 실행 시간 범위를 충족하고 실제 트래픽 및 이동성 패턴에 적응할 수 있음을 보여줌으로써, 기존의 최첨단 벤치마크들에 비해 시스템 혼잡을 크게 줄이는 솔루션의 실질적인 실행 가능성을 강조한다.

저자들은 "사전 해결-정밀화(pre-solve–refinement)" 전략이 예측된 정보가 장기 계획을 지원하고 실시간 피드백이 실제 시스템 조건과의 정렬을 보장하는 DT 기반 시스템을 위한 일반화 가능한 접근 방식라고 결론짓는다.