⚡ electrical engineering

Disaggregated multi-domain interference classification for O-RAN

이 논문은 O-RAN 의 기능 분할을 활용하여 시간, 주파수, 채널 상태 정보 (CSI) 등 다중 도메인 신호를 분산 처리하는 아키텍처를 제안함으로써, 기존 단일 모델 대비 9 배의 지연 시간 감소와 11 배의 계산 비용 절감을 달성하면서도 높은 분류 정확도를 유지하는 교차 기술 간섭 분류 솔루션을 제시합니다.

원저자: Dieter Verbruggen, Hazem Sallouha, Sofie Pollin

게시일 2026-04-14

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Dieter Verbruggen, Hazem Sallouha, Sofie Pollin

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

📡 핵심 비유: "혼잡한 도로의 교통 단속관"

想像해 보세요. 거대한 도시 (무선 네트워크) 에 수많은 차량 (데이터) 이 오가고 있습니다. 그런데 갑자기 레이저, 드론, 다른 나라의 차량 신호 등 다양한 **간섭 신호 (Interference)**들이 도로에 섞여 들어와 교통 체증을 일으키고 있습니다.

기존의 방식은 다음과 같았습니다:

기존 방식 (ResNet): 모든 차량과 간섭 신호를 한 번에, 아주 정교하게 분석하는 거대한 감시 카메라 하나를 도로 한가운데에 설치했습니다. 이 카메라는 매우 정확하지만, 사진을 찍고 분석하는 데 시간이 너무 오래 걸려서 (지연 시간), 교통 체증이 생기기 전에 대응하기 어렵습니다. 또한, 이 카메라를 돌리는 데 엄청난 전력이 듭니다.

이 논문이 제안하는 OSIRIS는 다음과 같이 작동합니다:

새로운 방식 (OSIRIS): 거대한 카메라 하나를 두드리기보다, 도로의 세 가지 다른 관점을 가진 작은 팀 3 명을 배치했습니다.
1. 시간 팀 (O-RU): 신호가 시간에 따라 어떻게 변하는지 (소리의 리듬)只看 봅니다.
2. 주파수 팀 (O-DU): 신호가 어떤 색깔 (주파수) 을 띠는지 봅니다.
3. 채널 상태 팀 (O-DU): 신호가 도로 상태 (장애물) 를 어떻게 통과했는지 봅니다.

이 세 팀은 각자 맡은 부분만 빠르게 분석한 뒤, 그 결과를 합쳐서 "아, 이건 레이저 간섭이야!"라고 결론을 내립니다.

🚀 이 기술의 3 가지 핵심 장점

1. "일찍 시작해서 일찍 끝내라" (분산 처리)

기존 방식은 모든 데이터를 한곳으로 모아 분석했지만, OSIRIS 는 **데이터가 생성되는 곳 (O-RU)**에서 바로 시간 데이터를 분석하고, 나머지 데이터는 조금 더 떨어진 곳 (O-DU) 에서 분석합니다.

비유: 택배를 받을 때, 박스를 뜯는 일을 창고에서 미리 해두고, 내용물 분류는 배송 센터에서 하는 것과 같습니다. 이렇게 하면 전체 처리 시간이 9 배 빨라집니다. (약 0.4 밀리초 만에 해결!)

2. "전문가 교육법" (단계별 학습)

이 모델은 처음부터 모든 것을 동시에 배우는 게 아니라, 먼저 각 팀 (시간, 주파수, 채널) 이 각각의 전문가가 되도록 따로 훈련시킵니다. 그 후에 팀을 합쳐서 협업하는 법을 배웁니다.

비유: 축구팀을 만들 때, 공격수, 수비수, 골키퍼를 각각 따로 훈련시켜 실력을 키운 뒤, 팀 연습을 시키는 것과 같습니다. 이렇게 하면 팀워크가 훨씬 안정적이고 빠릅니다.

3. "작지만 강한" (저비용 고효율)

이 모델은 기존 거대 모델보다 계산 비용이 11 배나 적게 듭니다.

비유: 거대한 슈퍼컴퓨터 대신, 최신형 스마트폰 CPU 하나만으로도 충분히 작동할 정도로 가볍습니다. 그래서 통신 기지국 같은 곳에서 실시간으로 작동하기 좋습니다.

📊 결과는 어떨까요?

정확도: 거대 모델 (ResNet) 과 비교했을 때 정확도는 약 4% 정도만 떨어졌지만, 간섭이 심한 상황에서도 90% 이상의 정확도를 유지합니다.
속도: 기존 모델이 3,700 마이크로초 걸렸다면, OSIRIS 는 398 마이크로초 만에 해결합니다. 이는 5G 통신이 요구하는 1 밀리초 (1,000 마이크로초) 제한을 여유롭게 통과하는 속도입니다.
특이점: 레이저나 Wi-Fi 신호처럼 특징이 뚜렷한 간섭은 거의 100% 찾아내고, LTE 와 5G 신호처럼 서로 매우 비슷해서 구별하기 힘든 신호도 여러 관점을 합쳐서 잘 구별해 냅니다.

💡 결론

이 논문은 **"하나의 거대한 두뇌" 대신 "여러 개의 작은 두뇌가 협력하는 방식"**을 통해, O-RAN 네트워크가 실시간으로 간섭을 막고 통신 품질을 유지할 수 있음을 증명했습니다.

마치 혼잡한 도로에서 거대한 경찰차 하나만 기다리는 대신, 각 교차로에 배치된 작은 교통 경찰들이 서로 정보를 공유하며 교통 체증을 즉시 해결하는 것과 같은 혁신입니다. 이는 미래 6G 네트워크가 더 빠르고 스마트하게 작동하는 데 중요한 디딤돌이 될 것입니다.

1. 문제 정의 (Problem Definition)

배경: 현대 무선 네트워크는 주파수 자원 부족을 해결하기 위해 스펙트럼 공유 및 동적 재사용 기술을 increasingly 도입하고 있습니다. 그러나 이로 인해 서로 다른 무선 기술 간의 교차 기술 간섭 (Cross-Technology Interference, CTI) 발생 빈도가 급증하고 있습니다.
O-RAN 의 요구사항: 개방형 무선 접속 네트워크 (O-RAN) 는 실시간 제어 및 서비스 품질 (QoS) 유지를 위해 정확하고 저지연 (low-latency), 계산 효율적인 간섭 분류 및 완화 솔루션이 필요합니다. 특히 5G 서브프레임 (1ms) 의 엄격한 시간 제약 내에서 작동해야 합니다.
기존 솔루션의 한계: 기존 연구들은 주로 높은 분류 정확도를 달성하지만, 고복잡도의 단일 구조 (Monolithic) 딥러닝 모델에 의존합니다. 이러한 모델은 O-RAN 의 실시간 제어 루프 (dApp) 에 배포하기에는 지연 시간 (Latency) 과 계산 오버헤드가 너무 크다는 문제가 있습니다.

2. 제안 방법론 (Methodology)

저자들은 OSIRIS (O-RAN Split Inference for Radio Interference Sensing) 라는 새로운 아키텍처를 제안합니다. 이는 O-RAN 의 기능 분할 (Split 7.2x) 을 활용하여 단일 입력이 아닌 다중 도메인 (Multi-domain) 신호 표현을 직접 활용합니다.

다중 도메인 데이터 활용: O-RAN Split 7.2x 파이프라인에서 생성되는 세 가지 서로 다른 도메인의 원시 신호를 추출하여 사용합니다.
1. 시간 도메인 (Time-domain): O-RU (Radio Unit) 에서 ADC 및 CP 제거 후 얻은 시계열 샘플 ( $X_{time}$ ).
2. 주파수 도메인 (Frequency-domain): O-DU (Distributed Unit) 에서 FFT 를 수행한 후 얻은 심볼 ( $X_{freq}$ ).
3. 채널 상태 정보 (CSI): O-DU 에서 채널 추정 및 RE 디매팅 후 얻은 정보 ( $X_{CSI}$ ).
분산 처리 아키텍처:
- 각 도메인은 O-RU 와 O-DU 에서 로컬로 처리됩니다.
- 각 도메인별 특징 추출기 (Feature Extractor) 는 독립적으로 작동하며, 이후 잠재 특징 (Latent Features) 을 결합하여 통합 분류기를 만듭니다.
- 이 구조는 O-RU 에서 시간 도메인 분석을 수행하고, O-DU 에서 주파수 및 CSI 특징과 융합함으로써 추가적인 신호 처리 부하를 주지 않으면서도 도메인 간 상호 보완성을 극대화합니다.
모델 구조:
- 각 도메인마다 전용 특징 추출 백본 (Learned Filterbank + Depthwise Separable Convolution) 을 사용합니다.
- 추출된 특징 ( $F_{time}, F_{freq}, F_{CSI}$ ) 을 연결 (Concatenation) 한 후 단일 분류 헤드를 통해 7 가지 간섭 클래스 (Noise, LTE, RADAR, Wi-Fi, NR 등) 를 분류합니다.
학습 전략 (Staged Pre-training):
- OSIRISrand: 무작위 가중치로 전체 네트워크를 한 번에 학습.
- OSIRISpre (제안): 각 도메인의 특징 추출기를 먼저 독립적으로 사전 학습 (Pre-training) 한 후, 최적의 가중치를 전체 모델에 전달하고 최종 융합 단계를 학습합니다. 이는 학습 안정성과 수렴 속도를 향상시킵니다.

3. 주요 기여 (Key Contributions)

OSIRIS 모델 제안: O-RAN Split 7.2x 파이프라인 내에서 이미 계산된 시간, 주파수, CSI 표현을 활용하여 복잡한 PHY 변환 학습 부하를 제거한 경량 다중 도메인 분류기 개발.
단계별 사전 학습 전략 도입: 다중 도메인 융합 전에 도메인별 특징 추출기를 최적화하는 전략을 통해 학습 안정성을 높이고, 유사한 간섭 파형 (예: LTE 와 NR) 을 구별하는 능력을 향상시킴.
성능 최적화 증명: 기존 단일 도메인 모델 대비 지연 시간을 9 배, 계산 비용을 11 배 감소시키면서도 분류 성능은 4% 이내로만 저하되는 효율성을 입증. 이는 표준 CPU 환경에서도 1ms 5G 제약 조건을 만족하는 실시간 배포를 가능하게 함.

4. 실험 결과 (Results)

데이터셋: 3GPP 규격에 기반한 합성 데이터 (5G NR SRS + 간섭 신호: RADAR, LTE, Wi-Fi, NR 등) 를 사용. 총 414,720 개의 샘플로 구성.
비교 대상: 단일 도메인 (주파수 도메인) 기반의 ResNet 모델.
성능 지표:
- 지연 시간 (Latency): ResNet 은 중앙값 3,761 µs 인 반면, OSIRIS 는 398 µs로 약 9.4 배 감소. (95 백분위수 기준 4266 µs → 494 µs).
- 계산 복잡도: ResNet 은 55.14 MFLOPs, 115.6k 파라미터인 반면, OSIRIS 는 4.9 MFLOPs, 52.7k 파라미터로 11 배 이상 감소.
- 분류 정확도: ResNet 이 최고 정확도 (84.86%) 를 보였으나, OSIRISpre 는 **80.22%**로 약 4.6% 차이만 발생. 고간섭 조건에서도 90% 이상의 정확도 유지.
- 학습 안정성: OSIRISpre 는 무작위 초기화 (OSIRISrand) 보다 학습 변동성 (Stability) 이 2.14% 로 더 낮아 더 안정적임.
도메인 협업 효과:
- RADAR(시간 도메인 우세), Wi-Fi(주파수 도메인 우세) 등 신호 특성에 따라 가장 유익한 도메인을 자동 활용.
- 특히 단일 도메인으로는 분류가 어려웠던 NR1,20 간섭의 경우, 다중 도메인 융합을 통해 82.4% 의 정확도를 달성하여 단일 도메인 모델의 한계를 극복.

5. 의의 및 결론 (Significance & Conclusion)

실시간 O-RAN 배포 가능성: 이 연구는 O-RAN 의 기능 분할 구조를 신경망 아키텍처에 명시적으로 매핑함으로써, 실시간 dApp 배포에 필수적인 저지연 및 저비용 간섭 지능을 실현 가능하게 했습니다.
비용 효율성: 고성능 GPU 가 아닌 표준 CPU에서도 1ms 이내의 추론이 가능하여, O-RU 및 O-DU 의 제한된 컴퓨팅 자원을 효율적으로 활용할 수 있습니다.
미래 방향: 단일 도메인 모델의 한계를 넘어, 서로 다른 물리 계층 (PHY) 도메인의 상호 보완적 정보를 활용하는 분산형 아키텍처가 차세대 네트워크의 간섭 관리 표준이 될 수 있음을 시사합니다.

요약하자면, 이 논문은 O-RAN 환경에서 발생하는 복잡한 간섭을 해결하기 위해, 기존 고비용의 단일 모델 대신 **O-RAN 의 분산 구조를 활용한 경량 다중 도메인 모델 (OSIRIS)**을 제안하고, 이를 통해 지연 시간과 계산 비용을 획기적으로 줄이면서도 높은 정확도를 유지하는 방법을 성공적으로 입증했습니다.