Agentic AI-RAN: Enabling Intent-Driven, Explainable and Self-Evolving Open RAN Intelligence

이 논문은 O-RAN 아키텍처에 계획, 도구 활용, 기억 및 자기 관리 기능을 갖춘 에이전트 AI 를 도입하여 네트워크 슬라이스 수명 주기와 무선 자원 관리 성능을 기존 방식 대비 평균 8.83% 향상시키고, 안전성과 설명 가능성을 확보하는 프레임워크를 제안합니다.

핵심

🚦 비유: "스마트 교통 관제실" vs "자율 주행 교통 경찰"

기존의 통신망 관리 방식은 마치 정해진 규칙만 따르는 자동 신호등과 같습니다.

• **기존 방식 **(ML/RL) "차량이 10 대 모이면 신호를 초록으로 바꿔라"라는 단순한 규칙을 따릅니다. 하지만 갑자기 사고가 나거나, 특수 차량 (구급차) 이 지나가야 하는 상황처럼 예상치 못한 일이 생기면 당황해서 제대로 대응하지 못합니다. 또한, 왜 그렇게 신호를 바꿨는지 이유를 설명해주기 어렵습니다 (블랙박스).

이 논문이 제안하는 에이전트 AI-RAN은 마치 **현장 지식을 갖춘 '자율 주행 교통 경찰'**과 같습니다.

• 에이전트 AI: "지금 도로가 막히고, 구급차가 왔으며, 비도 오고 있어. 그래서 A 도로는 30 초, B 도로는 10 초만 신호를 바꿔야겠다. 만약 너무 위험해지면 다시 원래대로 돌리겠지."라고 **생각 **(계획)하고 행동합니다.

---

💡 이 기술의 핵심 4 가지 능력 (에이전트의 도구)

이 '교통 경찰' 에이전트는 네 가지 특별한 능력을 가지고 있습니다.

1. 계획하고 행동하고, 반성하기 (Plan-Act-Observe-Reflect)

• 비유: 경찰관이 신호를 바꾸기 전에 "지금 바꾸면 어떨까?"라고 1 분간 고민하고 (계획), 신호를 바꾼 뒤 (행동), "아, 너무 빨랐네, 차가 더 막히네"라고 확인하고 (관찰), "다음엔 조금 더 천천히 바꿔야겠다"라고 생각합니다 (반성).
• 효과: 실수를 바로잡고, 더 나은 결정을 내릴 수 있습니다.

2. 도구로 쓰는 '기술' (Skills as Tools)

• 비유: 경찰관에게 '신호등 조작', '차선 변경', '경적 울리기' 같은 정해진 행동 카드들이 있습니다. 에이전트는 이 카드들을 조합해서 복잡한 상황을 해결합니다.
• 효과: 통신망의 다양한 장비 (안테나, 주파수 등) 를 표준화된 방법으로 안전하게 제어할 수 있습니다.

3. 기억과 증거 (Memory & Evidence)

• 비유: "어제 비가 왔을 때 A 도로가 막혔던 적이 있었지"라고 과거의 경험을 기억하고, "왜 신호를 바꿨는지"에 대한 **기록 **(증거)을 남깁니다.
• 효과: 같은 실수를 반복하지 않고, 나중에 "왜 그렇게 했냐"고 물어보면 명확하게 설명할 수 있어 투명합니다.

4. 안전 장치 (Self-Management Gates)

• 비유: "지금 너무 위험해! 차가 너무 많으니 신호를 바꾸지 말고 멈춰!"라고 스스로를 제어합니다.
• 효과: AI 가 미쳐서 통신망을 망가뜨리는 것을 막아줍니다.

---

🌐 이 기술이 해결하는 3 가지 큰 문제

이 논문은 이 에이전트 AI 가 통신망에서 주로 해결해야 할 세 가지 일을 정리했습니다.

1. **네트워크 슬라이스 **(가상 도로 관리)
   • 통신망은 한 번에 여러 목적 (게임용, 자율주행용, 일반 인터넷용) 으로 쓰입니다. 에이전트는 "구급차 (자율주행) 가 먼저 지나가야 해"라고 판단하여 각 도로 (슬라이스) 에 자원을 공정하게 배분합니다.
2. **전파 자원 관리 **(RRM)
   • 전파가 너무 많거나 적을 때, 안테나 출력을 조절하거나 주파수를 나누는 일을 실시간으로 처리합니다. 에이전트는 이를 단순한 조절이 아닌, 안전한 순서대로 수행합니다.
3. 보안과 규정 준수
   • 해킹이나 사생활 침해 위험이 감지되면, AI 가 스스로 "이건 위험하니 멈춰!"라고 판단하여 통신망을 보호합니다.

---

🧪 실험 결과: 실제로 효과가 있을까?

저자들은 컴퓨터 시뮬레이션으로 이 시스템을 테스트했습니다.

• 결과: 기존 방식보다 **자원 **(전력, 주파수)을 약 8.8% 더 절약하면서도, 중요한 서비스 (구급차 같은 URLLC) 가 끊어질 확률은 크게 줄였습니다.
• LLM 의 역할: 논문에서는 거대한 언어 모델 (LLM, 예: ChatGPT 같은 AI) 을 '지휘관'처럼 배치했습니다. 지휘관은 실시간으로 뛰지 않고 (실시간 제어는 다른 AI 가 함), 1 분 단위로 전체 상황을 보고 "지금 A 도로에 자원을 더 줘야겠다"는 큰 그림의 지시만 내립니다. 이렇게 하면 AI 가 너무 느려지는 것을 막으면서도 똑똑한 판단을 할 수 있었습니다.

---

🚀 결론: 왜 이것이 중요한가요?

이 논문은 통신망 관리가 단순한 '자동화'를 넘어, **목표를 이해하고, 스스로 계획하며, 실수를 인정하고 수정할 수 있는 '똑똑한 파트너'**가 되어야 한다고 말합니다.

• 안전함: AI 가 미쳐서 망을 망가뜨리지 않도록 스스로 멈출 수 있습니다.
• 투명함: 왜 그렇게 했는지 이유를 설명할 수 있습니다.
• 효율적: 자원을 아끼면서도 중요한 서비스는 잘 유지됩니다.

결국, 이 기술은 우리가 스마트폰으로 영상을 보거나 자율주행차를 탈 때, 통신망이 더 똑똑하고 안전하게 우리를 지켜줄 것을 약속합니다.

기술 요약

1. 문제 정의 (Problem Statement)

Open RAN(O-RAN) 은 비벤더 종속적이고 유연한 무선 액세스 네트워크 관리를 가능하게 하지만, 다중 테넌트 및 다중 목적을 가진 RAN 을 안전하고 감사 가능한 (auditable) 방식으로 운영하기 어렵게 만들었습니다.

• 기존 접근법의 한계: 기존의 머신러닝 (ML) 및 강화학습 (RL) 기반 xApps 는 주로 고정된 작업 정의와 단일 제어 목적을 가정하며, 오프라인 학습에 의존합니다. 이들은 종종 '블랙박스' 형태로 작동하여 명시적인 목표, 재사용 가능한 기술 (skills), 기억 (memory), 또는 자가 관리 (self-governance) 기능을 제공하지 못합니다.
• 도전 과제: O-RAN 의 복잡한 제어 루프 (Non-RT, Near-RT, RT) 에서 충돌 해결, 수명 주기 관리, 그리고 안전성 및 규정 준수를 보장하면서 지능형 제어를 구현하는 것이 어렵습니다.

2. 방법론 (Methodology)

이 논문은 O-RAN 제어 엔티티를 **목표 지향적 에이전트 (Goal-Driven Agents)**로 모델링하는 'Agentic AI-RAN' 관점을 제안합니다. 이 에이전트는 계획 (Plan), 실행 (Act), 관찰 (Observe), 성찰 (Reflect) 사이클을 통해 작동하며, O-RAN 아키텍처의 각 계층에 통합됩니다.

핵심 아키텍처 및 구성 요소

• 계층적 에이전트 배치:
  • Non-RT RIC/SMO: 운영자 의도 (Intent) 를 기계 검증 가능한 목표로 해석하고, LLM 을 활용하여 장기적 추론을 수행하며, 디지털 트윈을 증거원으로 사용합니다.
  • Near-RT RIC: SLA 위험, 불확실성, 예산 제약에 기반하여 기술을 순서화하고 게이트 (Gating) 를 적용합니다.
  • CU/DU (dApps): 실시간 데드라인 내에서 미세 조정 및 롤백을 수행합니다.
• 에이전트 원시 연산자 (Agentic Primitives):
  1. Plan-Act-Observe-Reflect: 시간 민감성을 고려한 제어 루프. 에이전트는 KPM/KQI 컨텍스트와 목표를 기반으로 O-RAN 기술 (스킬) 의 짧은 시퀀스를 계획하고 실행합니다.
  2. Skills as Tool-Use: 제어 동작을 사전 조건, 예상 효과, 비용, 롤백 옵션이 정의된 구조화된 '기술 (Skill)'로 캡슐화하여 표준 인터페이스 (A1, E2) 에 바인딩합니다.
  3. Memory & Evidence: 단기 상태 (Near-RT), 에피소드 기록, 장기 지식 (Non-RT) 을 관리하여 데이터 효율성을 높이고, 결정의 근거 (Provenance) 를 기록하여 감사 가능성을 확보합니다.
  4. Self-Management (Gating): 실행 전 위험 ($r_t$), 불확실성 ($u_t$), 예산 ($b_t$), 설명 일관성 ($c_t$) 을 평가하는 게이트를 통해 안전 인버턴트를 강제합니다. 조건이 충족되지 않으면 단계 축소, 대기, 또는 롤백을 수행합니다.

3. 주요 기여 (Key Contributions)

1. Agentic AI-RAN 프레임워크 제안: O-RAN 의 Non-RT, Near-RT, RT 계층을 아우르는 목표 지향적 에이전트 모델링 및 구조화된 프레임워크를 제시했습니다.
2. 전통적 ML/RL/MARL 과의 차별화: 고정된 매핑이나 반응형 정책 대신, 재사용 가능한 기술을 통한 계획, 명시적 의도 기반 평가, 내장형 안전 장치 (Guardrails) 를 갖춘 에이전트 접근법을 강조했습니다.
3. 작업 지형 (Task Landscape) 재정의: 네트워크 슬라이스 수명 주기, 무선 자원 관리 (RRM) 폐루프, 보안/개인정보/준수라는 세 가지 클러스터로 작업을 조직화하고 에이전트 접근법을 적용했습니다.
4. 시뮬레이션 기반 검증: 다중 셀 O-RAN 시뮬레이션을 통해 에이전트 원시 연산자 (계획, 기억, 게이트 등) 가 기존 베이스라인 및 개별 원시 연산자를 제거한 Ablation 모델보다 성능이 우수함을 입증했습니다.

4. 실험 결과 (Results)

• 실험 설정: 6 개의 O-RU(총 12 셀) 로 구성된 500m x 500m 영역에서 20 개의 활성 UE 를 시뮬레이션하여 다양한 부하 조건을 테스트했습니다.
• 성능 비교:
  • 완전 에이전트 (Fully Agentic): SLA 위반 및 p99 지연 시간이 가장 낮았습니다. 제어 오버헤드 (E2 바이트, 에너지) 는 다소 증가했으나, 이는 QoS 유지를 위한 능동적 측정 및 점진적 조정의 결과로 설명됩니다.
  • Ablation 연구:
    • No-Plan/No-Memory: SLA 위반 및 지연 시간 증가.
    • No-Gate: SLA 위반 및 불안정한 행동이 현저히 증가하여 게이트 메커니즘의 중요성을 입증.
    • No-Active-KPM: E2 오버헤드는 감소했으나 SLA 위험이 증가.
  • LLM 통합 효과 (Non-RT RIC): ChatGPT 5.2 기반 LLM 을 Non-RT 계층에 도입하여 슬라이스 할당을 최적화한 결과:
    • eMBB: 슬라이스 승인 정확도 5.7% 증가, 리소스 사용량 10.3% 감소, p99 지연 16.7% 감소.
    • URLLC: 승인 정확도 8.3% 증가, 리소스 사용량 9.1% 감소, p99 지연 17.9% 감소.
    • mMTC: 승인 정확도 4.7% 증가, 리소스 사용량 7.1% 감소, p99 지연 14.3% 감소.
• 자원 효율성: 세 가지 주요 네트워크 슬라이스 (eMBB, URLLC, mMTC) 에서 평균 8.83% 의 리소스 사용량 감소를 달성했습니다.

5. 의의 및 결론 (Significance)

• 안전하고 감사 가능한 AI-RAN: 이 프레임워크는 O-RAN 제어 루프의 시간 제약 내에서 안전성, 설명 가능성, 규정 준수를 보장하는 '자가 진화형' 지능을 실현합니다.
• 표준 호환성: 새로운 제어 평면을 도입하는 것이 아니라, 기존 O-RAN 인터페이스 (A1, E2) 와 아키텍처 (RIC, SMO) 를 활용하여 상호 운용성을 유지합니다.
• 미래 방향: RL 및 MARL 구성 요소를 에이전트 프레임워크에 더 깊이 통합하고, 디지털 트윈 환경에서의 성능을 평가하며, 기술 카탈로그 및 증거 버스 (Evidence Bus) 와 같은 표준화된 후크 (Hooks) 를 개발하여 실제 네트워크 배포를 준비하고 있습니다.

이 연구는 O-RAN 을 단순한 자동화 플랫폼을 넘어, 운영자의 의도를 이해하고 스스로 학습하며 안전하게 진화하는 지능형 에이전트 시스템으로 전환하는 중요한 이정표가 됩니다.