Toward Integrated Sensing, Communications, and Edge Intelligence Networks

논문 요약: 통합 감지, 통신 및 엣지 지능 네트워크를 위한 연구

1. 연구 배경 및 문제 정의 (Problem)

6G 무선 네트워크의 핵심 기술로 부상한 통합 감지 및 통신 (ISAC, Integrated Sensing and Communications) 과 목표 지향적 시맨틱 통신 (SemCom, Semantic Communications) 이 엣지 지능 (Edge Intelligence, EI) 과 결합될 때 발생하는 새로운 도전 과제를 다룹니다.

• 배경: 기존 시스템은 인간과 사물을 연결하는 데 그쳤으나, 6G 에서는 전파 신호를 통해 환경을 감지하고, AI 에이전트가 데이터를 기반으로 추론 (Inference) 을 수행하는 '지능 연결'로 진화하고 있습니다.
• 문제점:
  • 자원 경쟁: 통신 (Communication), 감지 (Sensing), 엣지 추론 (Edge Inference) 이라는 세 가지 서비스가 동일한 무선 인프라와 자원 (주파수, 전력, 시간) 을 공유할 때, 각 서비스의 목표가 상충됩니다.
  • 교차 계층 (Cross-layer) 복잡성: 통신 계층 (전력 할당, 빔포밍) 과 컴퓨팅 계층 (AI 모델 선택, 데이터 압축률) 간의 상호 의존성이 강합니다. 예를 들어, 데이터 압축을 강하게 하면 통신 자원은 절약되지만, 엣지 서버의 추론 정확도가 떨어지거나 더 강력한 (고연산) AI 모델이 필요해져 컴퓨팅 자원이 증가합니다.
  • 기존 연구의 한계: 기존 연구들은 주로 ISAC 내의 통신/감지 자원 분배나 SemCom 과 레거시 사용자의 간섭 문제에만 초점을 맞췄으며, 계산 자원 (AI 모델 가용성 및 성능) 을 명시적으로 고려하여 세 가지 서비스를 동시에 최적화하는 연구는 부족했습니다.

2. 방법론 (Methodology)

저자들은 계산 인지형 (Computation-aware) 자원 공유 체계를 제안하며, 세 가지 서비스의 자연스러운 결합을 수학적 모델링하고 최적화 문제를 해결합니다.

• 시스템 모델:
  • 구조: 기지국 (BS) 이 풀 듀플렉스 (Full-Duplex, FD) MIMO 아키텍처를 사용하여 하향 링크 (DL) 통신과 단안형 (Monostatic) 감지를 동시에 수행합니다.
  • 업링크 (UL): 카메라 장치가 이미지 데이터를 엣지 서버 (ES) 로 업로드하여 객체 분류 등의 추론을 수행합니다.
  • 시간 슬롯 할당: 프레임 $t$에서 UL 통신에 할당된 시간 비율 $\rho_{ul}$과 ISAC (DL 통신 + 감지) 에 할당된 시간 비율 $\rho_{dl}$은 $\rho_{ul} + \rho_{dl} = 1$을 만족하며 상호 배타적입니다. (UL 데이터가 감지 신호보다 훨씬 강력하므로 FD 를 UL 에 적용하지 않고 시간적으로 분리함).
• 성능 지표 (KPIs):
  • EI 서비스: 총 지연 시간 (전송 지연 + 계산 지연) 과 목표 효과성 (Goal Effectiveness, 즉 지연 제한 내에서 최소 품질 기준을 달성할 확률).
  • ISAC 서비스: DL 통신의 달성 가능 데이터율과 표적 파라미터 추정 (각도 추정) 의 크라머 - 라오 하한 (CRB, Cramér-Rao Bound).
• 상호 의존성 분석:
  • 선택된 AI 모델의 복잡도 ($L_{comp}$) 가 계산 지연을 결정하고, 이는 남은 시간 예산을 통해 UL 전송 시간 ($\rho_{ul}$) 을 제한합니다.
  • 결과적으로 ISAC 에 할당되는 시간 ($\rho_{dl}$) 이 줄어들어 감지 정확도 (CRB) 와 DL 데이터율이 동시에 영향을 받습니다.
• 최적화 문제 (Problem Formulation):
  • 목적: ISAC 서비스의 전송 전력을 최소화하고, 동시에 EI 서비스의 목표 효과성 (데이터 표현의 풍부함, 즉 비트 수 $n_b$) 을 최대화하는 트레이드오프를 찾습니다.
  • 제약 조건: CRB 임계값, 최소 DL 데이터율, 최대 전송 전력, 데이터 비트 수 집합 등.
  • 해법: 혼합 정수 비선형 계획법 (MINLP) 으로 정의된 문제를, 데이터 비트 수 ($n_b$) 를 고정하면 볼록 문제 (Convex Problem) 가 되는 특성을 이용하여 최적화합니다. CVXPY 를 사용하여 각 가능한 $n_b$에 대해 최적 해를 탐색합니다.

3. 주요 기여 (Key Contributions)

1. 삼중 기능 네트워크 (Triple-functional Networks) 개념 정립: 동일한 인프라에서 감지, 통신, 엣지 AI 추론을 동시에 수행하는 새로운 패러다임을 제시하고, 이 세 가지 서비스 간의 자원 경쟁과 상호 의존성을 체계적으로 분석했습니다.
2. 계산 인지형 (Compute-aware) 자원 할당 전략: 통신 자원 할당 시 AI 모델의 가용성과 계산 복잡도를 명시적으로 고려하여, 통신/계산/감지 간의 교차 계층 최적화를 수행했습니다.
3. 이론적 결합 및 최적화: 세 서비스의 성능 한계 (Performance Bounds) 가 서로 어떻게 결합되는지 이론적으로 증명하고, 이를 기반으로 최적의 자원 할당 문제를 수식화하여 최적 해를 도출했습니다.
4. 비교 분석: 기존 '분리된 할당 전략 (Disjoint allocation, 계산 무지한 접근법)' 대비 제안된 방법의 우수성을 입증했습니다.

4. 실험 결과 (Results)

• 실험 설정: CIFAR-100 데이터셋을 사용한 이미지 분류 작업, 10GHz 대역, 16 안테나 MIMO, 다양한 AI 모델 (MobileNet-v3-small, ResNet-50, ViT-b_16) 을 시뮬레이션했습니다.
• 주요 발견:
  • 전력 - 성능 트레이드오프: 제안된 계산 인지형 접근법은 동일한 목표 효과성 (Goal Effectiveness) 을 달성하는 데 있어 기존 방법보다 약 50% 적은 DL 전송 전력을 요구했습니다.
  • 모델 선택의 중요성: 계산 자원을 더 많이 사용하는 무거운 모델 (예: ViT-b_16) 을 사용할 때보다, 경량 모델 (예: ResNet-50) 을 상황에 맞게 선택하고 통신 자원을 최적화하는 것이 전체 시스템 효율성을 높였습니다.
  • 감지 제약의 영향: 감지 정확도 (CRB) 요구사항을 완화하면 DL 전송 전력 대비 EI 성능이 크게 향상됨을 확인했습니다.
  • 비선형적 관계: 물리 계층의 전력/시간 할당이 애플리케이션 계층의 추론 성공률에 직접적인 영향을 미치며, 이를 통합적으로 최적화해야 함을 보여줍니다.

5. 의의 및 결론 (Significance)

이 논문은 6G 네트워크가 단순한 연결을 넘어 '지능형 연결 (Intelligent Connectivity)' 로 진화하는 과정에서 필수적인 통합 자원 관리 프레임워크를 제공합니다.

• 실용적 가치: 제한된 무선 및 컴퓨팅 자원 하에서 여러 서비스 (감지, 통신, AI) 를 동시에 지원하는 네트워크 설계 시, AI 모델의 특성을 고려한 교차 계층 최적화가 필수적임을 입증했습니다.
• 미래 방향:
  • 환경 변화 (표적 행동 등) 에 적응하는 동적 최적화.
  • 온라인 AI 모델 선택.
  • 감지 데이터를 활용하여 EI 성능을 향상시키는 시너지 효과 (경쟁이 아닌 협력) 연구의 필요성을 제기했습니다.

결론적으로, 이 연구는 통신, 감지, 컴퓨팅이 분리되어 관리되던 기존 방식을 넘어, 세 가지 기능이 상호 보완적으로 작동하는 통합 네트워크 아키텍처의 실현 가능성을 수학적으로 증명하고 구체적인 최적화 방안을 제시했다는 점에서 큰 의의가 있습니다.