⚡ electrical engineering

HAPS-RIS and UAV Integrated Networks: A Unified Joint Multi-objective Framework

본 논문은 6G 비지상 네트워크의 커버리지 확장과 성능 향상을 위해 HAPS-RIS와 UAV를 통합하여 사용자 수 최대화, UAV 수 최소화, 경로 손실 최소화를 동시에 달성하는 다목적 최적화 프레임워크와 저복잡도 해결 전략을 제안합니다.

원저자: Arman Azizi, Mostafa Rahmani Ghourtani, Mustafa A. Kishk, Hamed Ahmadi, Arman Farhang

게시일 2026-02-11

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Arman Azizi, Mostafa Rahmani Ghourtani, Mustafa A. Kishk, Hamed Ahmadi, Arman Farhang

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

1. 배경: "통신 사각지대라는 어두운 골목길"

우리가 사는 도시에는 통신이 잘 터지지만, 깊은 산골이나 재난이 발생한 지역은 마치 **'가로등이 하나도 없는 깜깜한 골목길'**과 같습니다. 이곳에 통신 신호를 보내려면 기지국을 세워야 하는데, 땅에는 기지국을 세우기 어렵거나 비용이 너무 많이 듭니다.

그래서 과학자들은 두 가지 아이디어를 냈습니다.

드론(UAV): "이동식 가로등"입니다. 필요할 때마다 드론을 띄워 신호를 쏴줍니다. 하지만 드론은 배터리가 금방 닳고, 한 번에 여러 대를 띄우기엔 돈이 많이 듭니다.
HAPS-RIS (하늘 위의 거울): 아주 높은 하늘(성층권)에 떠 있는 거대한 '스마트 거울'입니다. 지상 기지국에서 쏜 신호를 받아서, 필요한 곳으로 반사해 보내줍니다. 드론보다 훨씬 넓은 범위를 커버하지만, 신호를 아주 정밀하게 꺾어서 보내야 하는 기술이 필요합니다.

2. 문제점: "한정된 자원, 어떻게 나눠 쓸까?"

문제는 **'에너지(배터리)'**와 **'대역폭(도로의 폭)'**이 한정되어 있다는 점입니다.

드론을 너무 많이 띄우면 배터리와 비용이 감당이 안 됩니다.
거울(RIS)만 쓰기엔 데이터 양이 너무 많아지면 속도가 느려집니다.
마치 **"좁은 도로(대역폭)에 자동차(데이터)가 너무 많아서 정체가 일어나는 상황"**과 같습니다.

3. 이 논문의 해결책: "하늘 위의 스마트 교통 관제 시스템"

연구팀은 이 두 가지(거울과 드론)를 따로 노는 게 아니라, 하나의 팀으로 묶어서 관리하는 **'통합 관제 시스템'**을 만들었습니다.

이 시스템의 핵심 전략은 다음과 같습니다.

전략 1: "거울 먼저, 드론은 보조!" (우선순위 결정)
먼저 하늘 위의 거울(HAPS-RIS)을 최대한 활용해서 넓은 지역을 커버합니다. 그러다가 거울만으로는 도저히 감당 안 되는 '데이터 폭주 지역'이 생기면, 그때 비로소 드론을 투입합니다. (마치 넓은 광장에 조명을 먼저 켜고, 구석진 곳에만 손전등을 비추는 것과 같습니다.)
전략 2: "수학적 지름길 찾기" (복잡한 계산 해결)
원래 이 문제는 계산이 너무 복잡해서 슈퍼컴퓨터로도 한참 걸리는 문제입니다. 연구팀은 이를 **'K-평균 클러스터링(K-means clustering)'**이라는 기술을 써서 아주 쉽게 풀었습니다.
- 비유하자면, 수만 명의 사람들에게 일일이 "어디로 가세요"라고 말하는 대신, **"비슷한 위치에 있는 사람들끼리 묶어서 그 중심에 드론을 배치하세요"**라고 명령하는 식입니다. 계산이 엄청나게 빨라졌죠.
전략 3: "도로 폭 조절하기" (대역폭 최적화)
거울이 쓸 도로와 드론이 쓸 도로의 폭을 상황에 따라 실시간으로 조절합니다. 데이터 요구량이 적을 때는 거울에게 도로를 많이 주고, 데이터가 엄청나게 많이 필요할 때는 드론에게 도로를 더 넓게 내어줍니다.

4. 결론: "무엇이 좋아졌나요?"

이 연구를 통해 다음과 같은 사실을 알아냈습니다.

효율적인 팀워크: 거울과 드론을 같이 쓰면, 거울만 쓸 때보다 훨씬 빠르고, 드론만 쓸 때보다 훨씬 경제적입니다.
맞춤형 설계: 사용자가 "나는 유튜브 고화질(높은 데이터 속도)을 보고 싶어!"라고 하면 드론을 더 많이 배치하고, "나는 그냥 카톡(낮은 데이터 속도)만 되면 돼"라고 하면 거울 위주로 운영하면 됩니다.
비용 절감: 거울(RIS)의 크기를 키우면 드론을 적게 써도 된다는 '교환 법칙'을 찾아내어, 통신망을 구축하는 비용을 최적화할 수 있게 되었습니다.

한 줄 요약:
"하늘 위의 거대한 스마트 거울과 드론을 마치 한 몸처럼 움직이게 만드는 똑똑한 수학적 규칙을 찾아내어, 어디서든 끊김 없이 빠른 인터넷을 쓸 수 있는 방법을 제시한 연구"입니다.

1. 연구 배경 및 문제 정의 (Problem Statement)

6G 비지상 네트워크(NTN)의 핵심 목표는 원격지 및 소외 지역에 보편적인 연결성을 제공하는 것입니다. 이를 위해 무인 항공기(UAV) 기반 기지국이 활용되지만, UAV는 제한된 수량과 한정된 전력 예산이라는 근본적인 한계가 있습니다.

본 논문은 이러한 UAV의 한계를 극복하기 위해 **HAPS(고고도 플랫폼 스테이션)**에 **RIS(재구성 가능한 지능형 표면)**를 결합한 HAPS-RIS를 UAV 네트워크와 통합하는 방안을 제시합니다. 하지만 이 두 시스템을 통합할 경우, 대역폭(Bandwidth) 자원의 효율적 배분과 복잡한 자원 할당 문제라는 새로운 과제가 발생합니다.

따라서 본 연구는 다음과 같은 핵심 질문을 해결하고자 합니다:

"HAPS-RIS와 UAV 인프라를 어떻게 통합된 시스템 레벨의 다목적 최적화 프레임워크 내에서 공동 설계할 것인가?"

2. 제안 방법론 (Methodology)

연구진은 매우 복잡한 혼합 정수 비선형 계획법(MINLP) 문제를 해결하기 위해, 수학적 증명을 통해 문제를 단순화하고 효율적으로 푸는 단계적 변환 전략을 제안합니다.

A. 다목적 최적화 프레임워크 (OP 1)

다음 세 가지 목표를 동시에 고려하는 통합 프레임워크를 설계했습니다:

HAPS-RIS가 서비스하는 사용자 수 최대화
배치에 필요한 UAV 수 최소화
UAV 사용자들의 평균 경로 손실(Path Loss) 최소화

B. 저복잡도 솔루션 전략 (Key Mathematical Transformations)

원래의 문제는 NP-hard(계산 복잡도가 기하급수적으로 증가) 문제이므로, 세 가지 핵심 기법을 통해 이를 해결 가능한 형태로 변환했습니다:

k-means 클러스터링과의 등가성 증명 (Theorem 1):
UAV의 평균 경로 손실 상한선을 최소화하는 문제가 수학적으로 **k-means 클러스터링(비지도 학습)**을 수행하는 것과 동일함을 증명했습니다. 이를 통해 복잡한 UAV 배치 및 사용자 할당 문제를 단순한 클러스터링 연산으로 전환했습니다.
RIS 위상 변화(Phase-shift) 설계 (Lemma 1):
수많은 RIS 소자의 위상을 일일이 최적화하는 대신, 기하학적 특성을 이용한 폐쇄형(Closed-form) 설계 방식을 제안하여 계산 복잡도를 획기적으로 낮췄습니다.
매핑 기술 (Proposition 1):
고차원의 조합 최적화 문제(사용자-UAV-서브캐리어 할당)를 **구역 반경(Zone Radius, $R$ )**과 **대역폭 분할 계수(Bandwidth-portioning factor, $\kappa$ )**라는 저차원의 매개변수로 압축(Mapping)했습니다.

C. 동적 파레토 최적화 (Dynamic Pareto Optimization)

변환된 문제를 풀기 위해 **계층적 파레토 최적화(Lexicographic approach)**를 적용했습니다. 우선순위는 다음과 같습니다:

1순위: HAPS-RIS 커버리지 극대화 (HAPS-RIS의 능력을 최대한 활용)
2순위: UAV 수 최소화 (비용 및 운영 효율성)
3순위: UAV 경로 손실 최소화 (통신 품질 정밀화)

3. 주요 기여 (Key Contributions)

통합 시스템 프레임워크 구축: HAPS-RIS와 UAV를 별개의 시스템이 아닌, 대역폭을 공유하며 상호 보완하는 하나의 통합된 네트워크 모델로 정의했습니다.
수학적 단순화 및 효율성: NP-hard 문제를 k-means, 폐쇄형 위상 설계, 매핑 기술을 통해 실시간 구현이 가능한 수준의 저복잡도 문제로 변환했습니다.
통합 모델의 범용성: 제안된 모델의 파라미터( $\kappa$ )를 조절함으로써 기존의 'UAV 전용', 'HAPS-RIS 전용', '균등 대역폭 배분' 모델을 하나의 수식 안에서 모두 재현할 수 있음을 보여주었습니다.

4. 연구 결과 및 시사점 (Results & Significance)

A. 주요 시뮬레이션 결과

데이터 전송률(Rate)에 따른 동작 변화: 저속 데이터 요구 환경에서는 HAPS-RIS만으로도 충분한 커버리지를 달성하지만, 고속 데이터 요구 환경에서는 UAV의 지원이 필수적임을 확인했습니다.
대역폭 최적화의 우수성: 제안된 최적화 방식( $\kappa_{opt}$ )은 대역폭을 균등하게 나누는 방식보다 더 많은 사용자를 커버하면서도 UAV 사용 수를 효율적으로 관리했습니다.
RIS 크기와 UAV 수의 트레이드오프: RIS의 소자(Element) 수를 늘리면 필요한 UAV의 수를 줄일 수 있다는 정량적 관계를 밝혀냈습니다.

B. 기술적 의의 (Significance)

이 논문은 6G 비지상 네트워크 설계자들에게 **"데이터 요구량에 따라 RIS의 규모를 키울 것인가, 아니면 UAV를 더 배치할 것인가?"**에 대한 명확한 가이드라인을 제공합니다. 특히, 고가의 UAV 배치를 줄이기 위해 수동적인 RIS 표면을 확장하는 설계 전략을 수학적으로 뒷받침했다는 점에서 실무적 가치가 매우 높습니다.