RIS-Assisted Cell-Free Massive MIMO: RIS-MS Selection in FR1 and FR3

논문 요약: FR1 및 FR3 대역에서의 RIS 지원 셀프리 대규모 MIMO 시스템

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 6G 통신의 핵심 기술로 주목받는 셀프리 대규모 MIMO (CF-mMIMO) 는 셀 경계를 없애고 분산된 액세스 포인트 (AP) 를 통해 사용자에게 균일한 서비스를 제공합니다. 또한, 가변형 지능 표면 (RIS) 은 수동 소자를 이용해 전자기파의 위상을 제어하여 비가시선 (NLoS) 환경에서의 커버리지를 확장하고 간섭을 줄이는 핵심 기술입니다.
• 문제점:
  • RIS 를 CF-mMIMO 에 통합할 때, 어떤 RIS 를 어떤 사용자 (MS) 에게 할당할지 (RIS-MS Selection) 에 대한 전략이 부재합니다. 무작위 할당이나 모든 RIS 를 모든 사용자에게 적용하려는 시도는 과도한 훈련 오버헤드 (Pilot Overhead) 를 초래합니다.
  • 주파수 대역의 차이: 기존 연구는 주로 FR1(6GHz 미만) 에 집중했으나, 6G 의 핵심 대역으로 부상한 FR3(7.125~24.25 GHz, 상부 중대역) 의 특성을 고려한 연구가 부족합니다. FR3 는 FR1 보다 높은 대역폭과 빔포밍 효율을 제공하지만, 차단 (Blockage) 에 더 취약하고 채널 추정 오버헤드가 증가할 수 있습니다.
  • 오버헤드와 성능의 트레이드오프: RIS 요소 수가 증가할수록 채널 이득은 커지지만, 이를 위한 채널 추정 (Separation Channel Estimation) 을 위한 훈련 시퀀스 길이가 급격히 늘어나 전체 스펙트럼 효율 (SE) 을 저하시킬 수 있습니다.

2. 제안된 방법론 (Methodology)

이 논문은 FR1 과 FR3 대역에서 작동하는 RIS 지원 CF-mMIMO 시스템을 분석하기 위한 포괄적인 프레임워크를 제시합니다.

• 시스템 모델:

  • 채널 모델: 공간적으로 상관된 라이시안 (Ricean) 페이딩 채널을 가정하며, 가시선 (LoS) 과 비가시선 (NLoS) 성분을 모두 고려합니다.
  • 신호 처리: 확장 가능한 부분 최소 평균 제곱 오차 (P-MMSE) 결합 기법을 사용하여 중앙 처리 장치 (CPU) 의 부하를 줄이고 프론트홀 신호를 최소화합니다.
  • 트레이닝 단계:
    1. 분리 채널 추정 (Separation Estimation): RIS 위상 설정을 위해 직접 링크 (MS-AP) 와 캐스케이드 링크 (MS-RIS-AP) 를 분리하여 추정합니다.
    2. 집합 채널 추정 (Aggregated Estimation): 데이터 전송을 위한 전체 채널을 추정합니다.

• 핵심 제안: LoS 기반 RIS-MS 할당 알고리즘 (Algorithm 1)

  • 전략: 각 RIS 를 단일 사용자 (MS) 에게만 할당하는 사용자 중심 전략을 도입합니다.
  • 할당 기준:
    1. 사용자를 LoS 링크를 가진 AP 의 수가 적은 순서 (즉, 채널이 약한 사용자) 로 정렬합니다.
    2. 약한 사용자부터 시작하여, 해당 사용자와 LoS 연결이 있는 미할당 RIS를 할당합니다.
    3. LoS 가 없는 RIS는 할당되지 않으며, 채널 추정을 수행하지 않고 미리 정의된 저오버헤드 패턴 (Default low-overhead pattern) 으로 고정됩니다. 이는 불필요한 훈련 오버헤드를 제거합니다.
  • 위상 최적화: 할당된 RIS 에 대해서는 순차적 업데이트 기법을 사용하여 캐스케이드 링크의 이득을 최대화하는 위상 시프트를 계산합니다.

• 오버헤드 효율화 (Subarray Grouping):

  • RIS 요소 수가 많을 때 발생하는 오버헤드 문제를 해결하기 위해, 서브어레이 기반 반-블라인드 스케치 (Subarray-based semi-blind sketching) 기법을 제안합니다.
  • 예를 들어, 64 개 요소의 RIS 를 16 개 요소씩 4 개 블록으로 묶어, 65 개의 상태 (1+64) 대신 5 개의 상태 (1+4) 만으로 채널 구조를 추정하도록 하여 훈련 오버헤드를 획기적으로 줄입니다.

3. 주요 기여 (Key Contributions)

1. FR1 및 FR3 대역 통합 분석: 기존 FR1 중심 연구에서 벗어나, 6G 의 핵심 대역인 FR3 를 포함한 다양한 주파수 대역에서의 RIS 지원 CF-mMIMO 성능을 체계적으로 분석했습니다.
2. LoS 기반 지능형 RIS 할당 알고리즘: 채널 상태 정보 (CSI) 획득 비용과 성능 향상 사이의 균형을 맞추기 위해, LoS 연결성을 기준으로 RIS 를 약한 사용자에게 우선 할당하는 새로운 알고리즘을 제안했습니다.
3. 확장 가능한 오버헤드 관리: RIS 요소 수가 증가할 때 발생하는 훈련 오버헤드 문제를 해결하기 위해 서브어레이 그룹핑 기법을 통합하여, 대규모 RIS 배치 시에도 스펙트럼 효율을 유지하는 방법을 제시했습니다.
4. 실제 배포 시나리오 검증: 다양한 RIS 개수, 사용자 밀도, 주파수 대역 (3.5GHz, 8GHz, 15GHz) 에 대한 광범위한 시뮬레이션을 통해 제안된 프레임워크의 유효성을 입증했습니다.

4. 실험 결과 (Numerical Results)

• RIS 개수에 따른 성능:
  • 제안된 Method 1 (LoS 기반 할당) 은 무작위 할당 (Method 3) 이나 모든 사용자를 고려한 최적화 (Method 2) 보다 우수한 성능을 보였습니다. 특히 RIS 개수가 적당할 때 (예: 5 개) 성능이 급격히 향상되지만, RIS 가 너무 많아지면 훈련 오버헤드로 인해 성능이 포화되거나 감소하는 경향을 보였습니다.
  • Method 5 (서브어레이 그룹핑) 는 RIS 개수가 5 개 이상일 때 Method 1 보다 더 높은 성능을 보였으며, 이는 오버헤드 절감 효과가 채널 이득을 상쇄하는 것을 방지했기 때문입니다.
• 주파수 대역별 비교 (FR1 vs FR3):
  • FR3 (8GHz, 15GHz): 동일한 물리적 크기 (30x30cm) 에서 주파수가 높을수록 더 많은 RIS 요소 (Metaatoms) 를 배치할 수 있어 (64 개 → 256 개 → 1024 개) 잠재적 이득이 큽니다.
  • 그러나 FR3 에서 요소 수가 많을수록 (예: 15GHz, 1024 개) 채널 추정 오버헤드가 성능을 저하시킬 수 있습니다. 이때 서브어레이 그룹핑 (Method 5) 을 적용하면 FR3 대역에서도 FR1 과 유사하거나 더 나은 스펙트럼 효율을 달성할 수 있음이 확인되었습니다.
• 사용자 밀도: 사용자 수가 30 명으로 증가하는 스트레스 테스트에서도 제안된 알고리즘은 가장 약한 사용자에게 RIS 를 할당하여 5 백분위수 (5th-percentile) SE 를 크게 개선하며 확장성을 입증했습니다.

5. 의의 및 결론 (Significance)

• 6G 구현의 실용성: RIS 지원 CF-mMIMO 시스템이 FR1 과 FR3 대역 모두에서 커버리지와 스펙트럼 효율을 크게 향상시킬 수 있음을 입증했습니다.
• 오버헤드 관리의 중요성: RIS 요소 수와 밀도가 증가할수록 단순한 채널 추정만으로는 성능 향상을 기대하기 어렵다는 점을 강조하며, 지능형 RIS-사용자 매칭과 확장 가능한 채널 추정 기법 (서브어레이 그룹핑 등) 이 필수적임을 밝혔습니다.
• 미래 전망: 본 연구는 RIS 를 대규모 CF-mMIMO 네트워크에 효율적으로 통합하기 위한 지능형 자원 할당 전략을 제공하며, 향후 6G 네트워크 설계에 중요한 지침이 될 것입니다. 특히 FR3 대역의 잠재력을 최대한 끌어내기 위해서는 오버헤드를 고려한 고급 채널 추정 기술의 발전이 필요함을 강조합니다.