[기술 요약] 6G RAN 슬라이싱의 지연 시간 급증 해결을 위한 해석 가능한 어텐션 기반 멀티 에이전트 PPO

1. 문제 정의 (Problem Statement)

6G 무선 접속 네트워크(RAN)는 다양한 서비스 요구사항(URLLC, eMBB, mMTC)을 충족하기 위해 네트워크 슬라이싱(Network Slicing) 기술을 필수적으로 사용합니다. 그러나 다음과 같은 핵심적인 기술적 난제가 존재합니다:

• 예측 불가능한 지연 시간 급증(Latency Spikes): 슬라이스 간 간섭, 트래픽 급증, 사용자 이동성 등으로 인해 발생하는 갑작스러운 지연 시간 변동은 URLLC(초신뢰·저지연 통신)와 같은 미션 크리티컬 서비스의 SLA(서비스 수준 협약)를 위반합니다.
• 기존 AI 모델의 블랙박스 문제: 기존의 심층 강화 학습(DRL) 모델은 성능은 뛰어나지만, 왜 특정 자원 할당 결정을 내렸는지 설명하지 못합니다. 이는 신뢰성이 중요한 6G 운영 환경에서 자동화 도입을 저해하는 요소입니다.
• 설명 가능성(XAI)의 비용 문제: 기존의 사후 해석 방식(Post-hoc, 예: SHAP)은 결정이 내려진 후 별도의 계산을 수행하므로, 밀리초(ms) 단위의 실시간 대응이 필요한 RAN 환경에서는 너무 느리고 추가적인 연산 비용이 발생합니다.

2. 제안 방법론 (Methodology: AE-MAPPO)

본 논문은 해석 가능성을 정책 최적화 과정에 직접 통합한 AE-MAPPO (Attention-Enhanced Multi-Agent Proximal Policy Optimization) 프레임워크를 제안합니다.

A. 핵심 아키텍처: 6가지 특화 어텐션 메커니즘

단순한 성능 최적화를 넘어, 의사결정의 근거를 실시간으로 제공하기 위해 6개의 어텐션 헤드를 정책 네트워크에 내장했습니다:

1. Semantic Attention (의미론적): 버퍼 오버플로우, SNR 등 QoS에 결정적인 상태 특징을 식별.
2. Temporal Attention (시간적): 트래픽의 반복적 패턴을 감지하여 선제적 대응 가능하게 함.
3. Cross-slice Attention (슬라이스 간): 슬라이스 간의 자원 간섭 및 상호 영향을 수치화.
4. Confidence Attention (신뢰도): 상태 특징에 대한 불확실성을 측정하여 할당의 공격성을 조절.
5. Counterfactual Attention (반사실적): "만약 다른 행동을 했다면?"이라는 질문에 답하며 대안 행동과 비교.
6. Meta-controller (메타 컨트롤러): 상황에 따라 위 5개 어텐션의 가중치를 적응적으로 조절.

B. 3단계 자원 할당 전략 (Three-Phase Strategy)

O-RAN의 제어 루프 타임스케일에 맞춰 작동합니다:

• Predictive (예측 단계, 100ms): 수요 급증을 예측하여 자원을 선제 할당.
• Reactive (반응 단계, 10ms): 갑작스러운 SLA 위반 발생 시 즉각적으로 자원 수정.
• Inter-slice Optimization (슬라이스 간 최적화, 50ms): 중요도가 낮은 슬라이스(mMTC)의 자원을 URLLC로 재배분.

C. 통합 목적 함수 (Joint Objective Function)

기존의 성능 최적화(Utility)에 **설명 가능성 유틸리티(Explainability Utility)**를 결합했습니다. 즉, 성능을 높이는 동시에 어텐션 맵이 희소성(Sparse), 일관성(Consistent), 충실성(Faithful)을 갖도록 학습합니다.

3. 주요 기여 (Key Contributions)

1. 해석 가능한 AE-MAPPO 프레임워크 설계: 추가적인 계산 비용 없이 추론(Inference) 과정에서 즉각적인 설명을 생성하는 구조를 제안했습니다.
2. 지연 시간 급증 해결 파이프라인: SLA 위반을 신속하게 진단하고 완화하는 의사결정 프로세스를 구축했습니다.
3. 실시간 설명 메커니즘: 운영자가 즉시 이해할 수 있는 인간 중심의 해석 가능한 통찰력을 제공합니다.

4. 실험 결과 (Results)

URLLC, eMBB, mMTC 슬라이스가 공존하는 6G 시나리오에서 테스트한 결과는 다음과 같습니다:

• 지연 시간 해결 능력: URLLC의 지연 시간 급증 발생 시 18ms 이내에 해결하였으며, 지연 시간을 0.98ms로 복구하여 99.9999%의 신뢰성을 달성했습니다.
• 운영 효율성: 수동 트러블슈팅(평균 11.5분) 대비 문제 해결 시간을 93% 단축했습니다.
• 성능-설명력 트레이드오프 극복: 기존 모델(MAPPO, DRL+SHAP)은 성능과 설명력 중 하나를 포기해야 했으나, AE-MAPPO는 높은 성능(94.2%)과 높은 설명력(89%)을 동시에 달성하며 파레토 최적(Pareto Frontier) 영역을 확보했습니다.
• 서비스 연속성: URLLC를 보호하는 과정에서도 eMBB와 mMTC 서비스의 연속성을 유지했습니다.

5. 의의 및 결론 (Significance & Conclusion)

본 논문은 "설명 가능성은 성능을 저하시킨다"는 기존의 통념을 깨뜨렸습니다. 어텐션 메커니즘을 설계 단계부터 통합함으로써, 6G 네트워크 운영자가 AI의 결정을 신뢰하고 실시간으로 모니터링할 수 있는 기반을 마련했습니다. 이는 향후 인간의 개입 없이도 안전하고 투명하게 작동하는 자율형 네트워크(Autonomous Networks) 구현을 위한 핵심 기술이 될 것입니다.