Deep Learning Based Multi-Step Channel Prediction for Adaptive Underwater Acoustic OFDM Systems

기술 요약: 적응형 수중 음향 OFDM 시스템을 위한 딥러닝 기반 다단계 채널 예측

문제 정의
수중 음향(UWA) 통신은 주파수 종속적 감쇄, 심각한 시변 다중 경로 페이딩, 운동 유발 도플러 이동, 그리고 낮은 음속으로 인한 긴 전파 지연 등의 상당한 어려움에 직면해 있다. 이러한 요인들은 채널 상태 정보(CSI)의 적시 획득을 어렵게 만든다. 킬로미터 규모의 링크에서 왕복 지연 시간은 수 초에 달할 수 있으며, 이는 채널 코히어런스 시간과 유사한 수준일 때 기존의 피드백 기반 링크 적응 방식은 실용적이지 않게 만든다. 채널 예측은 선제적인 링크 적응을 가능하게 함으로써 해결책을 제시하지만, 기존 방법론에는 한계가 있다. 전통적인 적응형 필터링(예: 재귀 최소 제곱법, RLS)은 UWA 채널의 비선형적이고 급격히 변화하는 특성을 처리하는 데 어려움을 겪는다. 또한, RNN 기반 아키텍처와 같은 기존의 딥러닝(DL) 접근 방식은 다단계 예측 시 오차 누적 문제를 겪으며, 교차 차원 특징 혼합(cross-dimension feature mixing)을 사용하는 모델은 해상 측정 데이터의 부족으로 인해 과적합(overfitting)에 취ền하기 쉽다.

방법론
저자들은 두 가지 주요 구성 요소로 이루어진 적응형 직교 주파수 분할 다중화(OFDM) 프레임워크를 제안한다:

1. PatchCSI-T (채널 예측 모델):

   • 아키텍처: PatchTST 시계열 예측 모델에서 영감을 받은 트랜스포머(Transformer) 기반 모델이다.
   • 패칭(Patching): 계산 복잡도를 줄이고 세그먼트 수준의 의존성을 포착하기 위해, 입력 CSI 시퀀스를 개별 시간 샘플로 처리하는 대신 중첩된 패치(overlapping patches)로 분할한다. 이를 통해 자기 주의(self-attention) 복잡도를 $O(T_{win}^2)$에서 $O(N_{patch}^2)$로 줄인다.
   • 특징 독립적 모델링(Feature-Independent Modeling): 상관관계를 포착하기 위해 특징들을 혼합하는(예: 부반송파 또는 탭 간) 기존의 많은 딥러닝 방식과 달리, PatchCSI-T는 특징들을 독립적으로 취급한다. 특징 차원을 배치(batch) 차원으로 병합하여, 모든 특징이 공유된 모델 파라미터와 함께 병렬로 처리되도록 한다. 이 접근 방식은 학습 데이터가 제한적인 상황에서 과적합을 완화하고, 명시적인 교차 특징 모델링의 복잡성을 피하는 것을 목표로 한다.
   • 결합 다단계 예측: 모델은 단일 순방향 패스(forward pass)를 통해 전체 미래 예측 시퀀스($T_{pred}$ 단계)를 생성하며, 이를 통해 자기회귀적 재귀 방식에서 발생하는 오차 전파 문제를 방ည်း한다.

2. 탐욕적 적응형 변조 및 전력 할당 (Greedy Adaptive Modulation and Power Allocation):

   • 시스템은 예측된 CSI를 사용하여 부반송파당 변조 차수와 송신 전력을 공동으로 선택한다.
   • 목표 비트 오차율(BER)을 충족하기 위해, 예측된 채널 이득과 예측 오차 분산(가우시안으로 모델링됨)을 기반으로 폐쇄형(closed-form) 최소 전력 임계값을 도출한다.
   • 저복잡도 탐욕 알고리즘은 총 전력 예산이 소진되거나 목표 BER 제약을 위반할 때까지, 가장 적은 증분 전력을 필요로 하는 부반송파의 변조 차수를 반복적으로 업그레이드한다. 채널 상태가 악화되는 경우, 알고와리즘은 한계 비용이 가장 큰 부반송파를 다운그레이드한다.

주요 기여

• PatchCSI-T 모델: 정확도, 추론 속도, 과적합에 대한 강건성 사이의 균형을 맞추기 위해 패칭 및 특징 독립적 모델링을 사용하여 UWA 채널에 특화된 트랜스포머 기반 아키텍처를 도입하였다.
• 통합 프레임워크: 다단계 예측 모델을 탐욕적 자원 할당 스킴과 결합한 완전한 적응형 OFDM 시스템을 개발하였다.
• 실증적 검증: 실제 현장 측정된 UWA 채널 데이터셋(중국 완루 저수지)을 통해 평가를 수행하였으며, 최신 기술(state-of-the-art) 베이스라인 대비 개선된 성능을 입증하였다.

실험 결과
실험은 중국 완루 저수지 데이터셋(2,137개의 CIR 측정값, 256개 부반송파, 6 kHz 대역폭)을 사용하여 수행되었다. PatchCSI-T 모델을 RLS, BiGRU, CNN1d-LSTM, MTL-LSTM과 비교하였다.

• 예측 정확도: 예측 지평(prediction horizon) $T_{pred} = 32$에서, PatchCSI-T는 -14.76 dB의 정규화 평균 제곱 오차(NMSE)를 달성하였다. 이는 베이스라인 대비 1.4 ~ 4.9 dB의 이득을 나타낸다. 특히, CNN1d-LSTM과 BiGRU는 더 큰 지평에서 -10 dB 근처에서 NMSE 포화 현상을 보였다.
• 추론 효율성: PatchCSI-T는 현저히 빠른 추론 시간($T_{pred}=32$에서 14.7 ms)을 보여주었으며, 이는 CNN1d-LSTM/BiGRU보다 약 6배 빠르고 MTL-LSTM보다는 50배 이상 빠르다.
• 시스템 성능: SNR 15 dB에서 적응형 OFDM 시스템에 통합되었을 때:
  • PatchCSI-T는 전송된 심볼의 89.7%를 BER $\le 10^{-3}$ 내에서 유지하였다.
  • 5.14 bps/Hz의 스펙트럼 효율을 달성하였다.
  • 이는 RLS(72.9% 심볼, 4.15 bps/Hz) 및 MTL-LSTM(75.8% 심볼, 4.34 bps/Hz)보다 우수한 성능을 보였다.
• 적응 동작: 탐욕적 할당 알고리즘은 채널 변화를 성공적으로 추적하여, 채널 이득이 높을 때는 더 많은 부반송파를 활성화하고 더 높은 차수의 변조를 선택하는 한편, 페이딩 구간에서는 목표 BER을 유지하기 위해 자원을 줄였다.

의의
본 논문은 제안된 프레임워크가 UWA 통신의 핵심적인 지연 시간 및 정확도 트레이드오프 문제를 해결한다고 주장한다. 특징 독립적 모델링과 패칭을 활용함으로써, PatchCSI-T는 과적합을 효과적으로 완화하고 저지연 고정밀 CSI 예측을 가능하게 한다. 이 예측기를 탐욕적 할당 스킴과 결합함으로써 적응형 시스템이 업데이트되지 않은 과거의 채널 조건이 아닌 예측된 조건에 기반하여 작동할 수 있게 하며, 이를 통해 실제 UWA 환경에서 엔드 투 엔드 비트 오차율(BER)과 스펙트럼 효율을 향상시킨다. 저자들은 향후 연구에서 도플러 효과가 더 강하고 지연이 더 긴 해상(at-sea) 데이터로 검증을 확장하고, 실시간 폐루프 실험을 수행할 것이라고 언급하였다.