기술 요약: 미래 6G 네트워크에서의 AI 기반 KPI 예측 방법론: 서베이

1. 문제 정의 및 동기

5G에서 5G-Advanced로의 진화와 6G에 대한 비전은 자율 주행, 산업 자동화, 몰입형 통신과 같은 신규 애플리케이션을 지원하기 위해 전례 없는 네트워크 성능을 요구합니다. 기존의 사후 대응적(reactive) 네트워크 관리는 이러한 엄격한 요구사항을 충족하기에 불충분합니다. 결과적으로, 지능이 모든 네트워크 계층(RAN, 코어, 오케스트레이션)에 본질적으로 내재되는 AI 네이티브 아키텍처로의 결정적인 전환이 필요합니다.

본 연구가 다루는 핵심 문제는 핵심 성능 지표(KPI)를 예측하기 위한 데이터 기반의 예측적 접근 방식의 필요성입니다. 사후 대응적인 문제 해결과 달리, AI 네이티브 네트워크는 상태를 인지하고, 미래 조건을 예상하며, 행동을 선제적으로 조정할 수 있는 "예측적 센싱 계층"을 필요로 합니다. 본 서베이는 데이터 기반 KPI 예측에 초점을 맞추고 있으며, 이는 가용 가능한 정보 집합($I_t^k$, 과거 측정값, 카운터 및 컨텍스트 변수로 구성)으로부터 미지의 KPI 값($y_{t+\tau}$)을 추론하는 것으로 정의됩니다. 이 문제는 추정(현재 상태 추론, $\tau=0$)과 예측(미래 상태 예측, $\tau>0$)을 모두 포함합니다.

본 서베이의 동기는 기존 문헌의 파편화에서 비롯되었습니다. 기존 연구들은 대개 범위가 좁거나(처리량 또는 커버리지와 같은 단일 KPI에 집중), 아키텍처 중심적(예측을 더 넓은 시스템 논의의 하위 구성 요소로 취급)이며, 서로 다른 KPI 제품군, 데이터 소스 및 예측 지평(horizon) 간에 방법론을 비교할 수 있는 통일된 분류 체계(taxonomy)가 부족합니다.

2. 방법론 및 분류 체계

저자들은 2000년 1월부터 2026년 초까지 발표된 151개의 데이터 기반 KPI 예측 연구를 체계적으로 검토하였습니다. 방법론은 이러한 접근 방식들을 네 가지 직교 차원에 따라 분류하고 비교하기 위해 도입된 다차원 분류 체계에 의존합니다:

1. KPI 유형: 대상(target)을 네 가지 제품군으로 분류합니다:

   • 용량(Capacity): 사용자, 셀 또는 슬라이스 레벨에서의 처리량(throughput), 굿풋(goodput) 및 스펙트럼 효율성.
   • 지연 시간(Latency): RAN, 전송 및 코어 구성 요소로 분해된 종단 간 지연(end-to-end delay), 왕복 시간(RTT) 및 지터(jitter).
   • 커버리지/링크 품질(Coverage/Link Quality): 신호 강도 및 품질 지표(Path Loss, RSRP, RSSI, SINB, CQI)와 공간적 커버리지 맵.
   • 신뢰성(Reliability): 오류율(BER, BLER, PER) 및 패킷 손실로, 흔히 지연 시간 제약 내에서의 성공적인 전달로 정의됨.

2. 데이터 소스: 입력을 실제 측정 트레이스, 시뮬레이션/에뮬레이션 데이터, 합성 데이터 또는 하이브리드 조합으로 분류합니다.

3. 예측 속성:

   • 프로토콜 스택: KPI가 예측되는 계층(PHY, MAC, RLC, PDCP, IP, Application).
   • 지평(Horizon): 단기(1분 미만) 대 장기/정적(수 시간에서 수 주).
   • 출력 형식: 점 추정(point estimates) 대 확률적 출력(분포, 구간).

4. 모델 제품군: 고전적 통계 모델(ARIMA, 선형 회귀) 및 비지도 학습(클러스터링, 이상 탐지)부터 지도 학습(SVM, Random Forests), 앙상블 방법(XGBoost, LightGBM), 그리고 딥러닝 아키텍처(공간 데이터용 CNN, 시계열 시퀀스용 RNN/LSTM/Transformer, 토폴로지용 GNN)에 이릅니다.

본 서베이는 이러한 연구들을 분류 체계에 매핑함으로써 연구 분야의 정량적 지형을 제공하고, 방법론적 편향과 공백을 식별하여 최신 기술 수준을 분석합니다.

3. 주요 기여

본 논문은 다섯 가지 주요 기여를 합니다:

• 통합 다차원 분류 체계: 기존 서베이들이 KPI 의존성 및 방법론적 트레이드오프에 대한 총체적 관점이 부족하다는 점을 밝히며, 일관된 교차 연구 비교를 가능하게 하는 구조화된 프레임워크를 도입합니다.
• 정량적 지형 분석: 151개의 연구를 주석 처리함으로써, 저자들은 KPI 제품군, 모델 유형, 데이터 소스 및 예측 지평에 걸친 해당 분야의 첫 번째 경험적 분포를 제공합니다.
• KPI 중심 비교 분석: 각 4가지 KPI 제품군에 대한 예측 접근 방식을 체계적으로 검토하며, 고전적 통계 모델에서 딥러닝 및 강화 학습으로의 진화를 상세히 설명하고, 특정 네트워크 도메인(RAN, 코어, 에지)에 방법론을 매핑합니다.
• 시스템 레벨 및 배포 분석: 예측기를 3GPP(MnS, NWDAF) 및 O-RAN(RIC, xApps) 프레임워크 내에 실질적으로 통합하는 과정을 조사하며, 데이터 수집, 학습 파이프라인, 텔레메트리 세밀도 및 에지 자원 제한과 같은 운영 제약 조건을 다룹니다.
• 개방형 과제 및 로드맵 식별: 재현성, 평가 지표의 불일치, 오프라인-투-라이브(offline-to-live) 통합 격차, 추론 지연 시간 트레이드오프, 설명 가능하고 프라이버시를 보호하는 예측기의 필요성을 포함한 핵심적인 한계점들을 제시합니다.

4. 결과 및 발견

본 서베이는 KPI 제품군 전반에 걸쳐 몇 가지 주요 트렌드와 발견을 드러냅니다:

• 용량 예측: 고전적 모델(ARIMA, 선형 회귀)이 베이스라인 역할을 수행하지만, 견고성과 확장성 덕분에 앙상블 방법(Random Forests, XGBoost)이 운영 예측의 업계 표준입니다. 딥러닝(LSTM, GRU, Transformers)은 복잡한 시공간 역학을 포착하기 위해 점점 더 많이 사용되고 있으나, 스펙트럼 대역 및 하드웨어 구성 간의 일반화는 여전히 과제로 남아 있습니다.
• 지연 시간 예측: 특히 URLLC를 위해 드물지만 치명적인 지연 스파이크를 처리하기 위해 테일 인식 및 분포 모델링(예: 혼합 밀도 네트워크, 분위수 회귀)으로의 전환이 일어나고 있습니다. 시계열 의존성을 포착하기 위해 시퀀스 모델(LSTM, Transformers)이 지배적이며, 라우팅 및 토폴로지를 포함한 네트워크 규모의 추론을 위해 GNN(Graph Neural Networks)이 부상하고 있습니다.
• 커버리지 예측: 이 분야는 통계적 경로 손실 모델에서 멀티모달 딥러닝으로 진화했습니다. CNN 및 시맨틱 세그멘테이션 네트워크(예: U-Net)는 위성 이미지 및 3D 맵으로부터 무선 환경 맵(REM)을 직접 재구성하는 데 사용됩니다. 위험 인지형 계획을 위해 불확실성(알레아토리 및 에피스테믹)을 분해하는 베이지안 프레임워크가 점점 더 채택되고 있습니다.
• 신뢰성 예측: 오류율(BLER, PER)에 대한 예측기는 분석 공식에서 물리적 사전 지식(physics priors)과 데이터 기반 패턴 인식을 결합한 학습 기반 접근 방식으로 이동하고 있습니다. 시퀀스 모델은 버스트성 손실 역학을 탐지하는 데 효과적이며, 신뢰성 목표를 유지하기 위한 선제적 자원 할당을 위해 강화 학습(RL)이 통합되고 있습니다.

시스템적 관찰:

• 데이터 가용성: 용량 및 지연 시간 연구는 측정 기반 연구가 주를 이루는 반면, 신뢰성 연구는 레이블링된 실패 데이터의 희소성으로 인해 시뮬레이션에 크게 의존합니다.
• 재현성: 약 8%의 연구만이 공개 코드를 제공하고, 약 20%만이 데이터를 제공하여 직접적인 비교와 누적적인 발전을 저해하고 있습니다.
• 평가 지표: 표준화가 부족합니다. 커버리지/용량 연구는 종종 점 오차 지표(RMSE, MAE)를 사용하는 반면, 지연 시간/신뢰성 연구는 테일 민감 지표(p95/p99, NLL)를 요구하지만 항상 보고되지는 않습니다.

5. 의의 및 주장

본 논문은 미래 6G 네트워크를 위해 특별히 설계된 데이터 기반 KPI 예측 방법론에 관한 최초의 종합적이고 체계적인 리뷰로서 자리매김합니다. 그 의의는 다음과 같습니다:

1. 격차 해소: 이론적 예측 알고리즘을 3GPP 및 O-RAN 생태계의 실질적인 배포 현실과 연결하며, "오프라인-투-라이브" 통합 격차를 강조합니다.
2. AI 네이티브 자동화를 위한 로드맵: 정확한 KPI 예측이 제로 터치(zero-touch), 의도 기반(intent-driven) 네트워크 운영을 위한 기초적인 엔에이블러(enabler)라고 주장합니다. 신뢰할 수 있는 예측 없이는 자율 제어 루프가 안전하거나 효율적으로 작동할 수 없습니다.
3. 미래 방향 정의: 본 서의는 고립된 정확도 향상에서 벗어나 견고하고, 불확실성을 인지하며, 유지보수가 가능한 시스템으로의 전환을 명시적으로 촉구합니다. 저자들은 다음을 강조합니다:
   • 재현성을 개선하기 위한 표준화된 벤치마크 및 오픈 데이터셋.
   • 위험 인지형 의사결정을 지원하기 위한 확률적 및 설명 가능한 예측.
   • 동적인 6G 환경에서 개념 드리프트(concept drift) 및 모델 노후화를 처리하기 위한 지속 가능한 데이터 라이프사이클 관리.

저자들은 KPI 예측이 상당히 성숙했지만, 다음 단계의 프런티어는 점진적인 정확도 향상이 아니라 배포 견고성, 도메인 간 일반화, 그리고 폐쇄 루프 제어 시스템으로의 안전한 통합을 보장하는 데 있다고 결론짓습니다.