GNN-based Online Beamforming Design for HAPS-Assisted NTN

기술 요약: HAPS 지원 NTN을 위한 GNN 기반 온라인 빔포밍 설계

문제 정의
지상 셀룰러 네트워크, 특히 도시 환경에서는 높은 경로 손실, 섀도잉 및 셀 간 간섭(ICI)으로 인해 셀 경계 사용자들의 용량 제한 문제가 심각합니다. HAPS(고고도 플랫폼 스테이션)는 이러한 문제를 완화하기 위해 가시선(LoS) 링크를 제공함으로써 유망한 대안이 될 수 있지만, 이를 멀티셀 네트워크에 통합하는 것은 복잡한 최적화 과제를 야ก합니다. 구체적으로, 본 논문은 지상 기지국(BS)과 전이중(Full-Duplex, FD) HAPS 모두에서의 하이브리드 빔포밍 벡터(아날로그 및 디지털)의 공동 설계를 다룹니다. 목표는 QoS(서비스 품질) 속도 제약 조건과 전력 제한을 만족하면서 시스템의 에너지 효율(EE)을 극대화하는 것입니다. 이 문제는 아날로그 가중치의 상수 위상(constant-modulus) 제약 조건과 비직교 다중 접속(NOMA) 환경에서의 결합된 간섭 특성으로 인해 본질적으로 비볼록(non-convex)합니다. 전통적인 반복적 최적화 방법(예: 교대 최적화, 적응형 교차 엔트로피)은 계산 복잡성과 밀집하고 동적인 네트워크에서의 확장성 문제로 어려움을 겪는 경우가 많습니다. 또한, 표준 딥러닝 방식(DNN, CNN)은 네트워크 토폴로지를 명시적으로 모델링하는 능력이 부족하여, 네트워크 차원이 변경될 때 일반화 성능이 제한됩니다.

방법론
저자들은 하이브리드 빔포밍 문제를 해결하기 위해 그래프 신경망(GNN)에 기반한 온라인 최적화 프레임워크를 제안합니다. 방법론은 다음과 같이 구성됩니다:

1. 시스템 모델: 네트워크는 균일 평면 배열(UPA)을 갖춘 BS가 있는 여러 셀과 하나의 중앙 FD-HAPS로 구성됩니다. 시스템은 NOMA를 사용하여 근거리 및 경계 사용자를 다중화하며 mmWave 대역(28 GHz)에서 동작합니다. HAPS는 BS로부터 신호를 수신하고 경계 사용자에게 전달하는 중계기 역할을 수행하며, 동시에 순차적 간섭 제거(SIC)를 통해 간섭을 관리합니다.
2. 아날로그 빔포밍 설계: 복잡도를 줄이기 위해 아날로그 빔포밍 가중치는 저복잡도 폐쇄형(closed-form) 전략을 사용하여 설계됩니다. 이 가중치들은 상수 위상 제약 조건을 충족하기 위해 복소 공액 채널 계수의 위상을 직접 매핑하거나 지배적인 출발 방향을 활용하여 도출됩니다.
3. GNN 기반 디지털 빔포밍: 핵심 혁신은 GNN을 사용하여 디지털 빔포밍 가중치를 온라인으로 최적화하는 데 있습니다.
   • 그래프 표현: 무선 네트워크를 BS, HAPS, 사용자 단말(UE)을 노드로 하고, 무선 채널 및 간섭 관계를 에지로 하는 그래프로 모델링합니다.
   • 아키텍처: 프레임워크는 세 가지 신경망 구성 요소를 채택합니다: 채널 특징을 처리하는 Link NN, 메시지를 집계하고 노드 상태를 업데이트하여 간섭 패턴을 포착하는 Node NN, 그리고 디지털 프리코딩 및 결합 가중치를 출력하는 Beamforming NN입니다.
   • 학습 목표: 오프라인 학습 대신, GNN 파라미터는 페널티 기반 손실 함수를 사용하여 온라인으로 업데이트됩니다. 이 함수는 최소 속도 제약 조건과 최대 전력 제약 조건을 페널티 항($\lambda_2$ 및 $\lambda_3$)을 통해 엄격히 준수하면서 EE의 역수를 최소화합니다.
4. 최적화 루프: 프로세스는 GNN이 빔포밍 가중치를 생성하고, 페널티 함수가 EE 및 제약 조건 만족 여부를 평가하며, 역전파를 통해 실시간으로 네트워크 파라미터를 업데이트하는 과정을 반복합니다.

주요 기여

• GNN 기반 온라인 프레임워크: 지상 BS 및 HAPS의 하이브리드 빔포밍 가중치를 공동 최적화하기 위한 GNN 기반 기술 개발. 이 접근 방식은 네트워크 토폴로지와 간섭을 명시적으로 모델링하여, 고정된 입력 크기를 가진 DNN 및 CNN의 일반화 한계를 해결합니다.
• 하이브리드 빔포밍 전략: 아날로그 가중치는 채널 위상 매핑을 통해 결정하고, 디지털 가중치는 GNN을 통해 온라인으로 최적화하여 성능과 하드웨어 제약 사이의 균형을 맞추는 2단계 설계를 제공합니다.
• 성능 벤치마킹: 제안된 GNN 방식과 적응형 교차 엔트로피(ACE), DNN, CNN 기반 기술 간의 종합적인 성능 비교 평가.
• HAPS 통합 분석: 지상 NOMA 네트워크에 HAPS를 통합했을 때의 구체적인 이점, 특히 셀 경계 사용자의 성능 향상 효과 입증.

결과
다양한 셀 반경(200m ~ 1000m)과 mmWave 파라미터를 적용한 수치 시뮬레이션 결과는 다음과 같습니다:

• 우수한 에너지 효율: GNN 기반 방식은 모든 셀 반경에 대해 ACE, DNN, CNN 방식보다 일관되게 높은 EE를 달면합니다. 이는 메시지 전달을 통해 셀 간 간섭과 토폴로지를 포착하는 GNN의 능력 덕분입니다.
• 경계 사용자 성능: 제안된 방법은 5백분위수(5th-percentile) EE를 크게 개선하여, 일반적으로 열악한 채널 조건으로 고통받는 셀 경계 사용자에 대한 서비스 신뢰성을 높였습니다.
• 토폴로지 변화에 대한 강건성: 셀 크기 변화에 따라 성능 편차를 보인 DNN 및 CNN과 달리, GNN 방식은 높은 일관성과 강건성을 보여주어 토폴로지 인식 설계의 유효성을 입증했습니다.
• HAPS의 영향: HAPS 지원 네트워크는 HAPS가 없는 네트워크에 비해 더 높은 전체 EE와 개선된 5백분위수 성능을 보여주었습니다. GNN-HAPS 조합은 셀 반경이 증가하더라도 안정적인 성능을 유지한 반면, HAPS가 없는 GNN 성능은 상당한 변동을 보였습니다.
• NOMA vs. OMA: GNN 프레임워크와 NOMA의 통합은 모든 시나리오에서 직교 다중 접속(OMA)보다 높은 EE를 기록했으며, 특히 GNN-NOMA 조합이 가장 일관된 이득을 보였습니다.

의의 및 주장
본 논문은 제안된 GNN 기반 온라인 최적화 프레임워크가 광범위한 오프라인 학습에 의존하지 않고도 HAPS 지원 멀티셀 NOMA 네트워크에서의 하이브리드 빔포밍의 비볼록성 및 결합된 특성을 효과적으로 해결한다고 주장합니다. 이 연구의 의의는 동적인 무선 환경에서 온라인 최적화를 위해 토폴로지 인식 학습이 필수적임을 입증했다는 점에 있습니다. 네트워크의 그래프 구조를 활용함으로써, 제안된 방법은 전통적인 반복 알고리즘 및 표준 딥러닝 모델보다 에너지 효율과 일반화 측면에서 뛰어난 성능을 보였습니다. 결과적으로, HAPS를 GNN 기반 빔포밍과 통합하는 것은 특히 밀집된 도시 시나리오에서 셀 경계 사용자를 지원하기 위한 차세대 6G 네트워크의 용량 및 에너지 효율을 높이는 유망한 전략임을 시사합니다. 저자들은 향후 연구에서 다중 HAPS 배치, 사용자 이동성 및 불완전한 채널 상태 정보(CSI)를 탐구할 것이라고 언급했습니다.