🔢 mathematics

Maximizing Connectivity of Uplink RIS-Assisted UAV Networks

본 논문은 SINR 제약 조건을 만족하면서 상향링크 RIS 보조 UAV 네트워크의 피들러 값(Fiedler value)을 최대화하기 위해 UAV 위치 선정, RIS 파티셔닝 및 링크 선택을 공동으로 최적화하는 효율적인 반복적 접근 방식을 제안한다.

원저자: Mohammed Saif, Shahrokh Valaee

게시일 2026-06-11

📖 3 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Mohammed Saif, Shahrokh Valaee

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

복잡한 도시에서 드론(UAV) 그룹이 지상의 사람들(사용자 단말기)로부터 패키지를 받으려고 노력하고 있는 상황을 상상해 보십시오. 문제는 높은 건물과 나쁜 날씨가 때때로 사람들과 드론 사이의 직접적인 경로를 가로막아 연결이 끊어지는 현상이 발생한다는 점입니다.

이 문제를 해결하기 위해, 연구진은 이 논문에서 건물 측면에 설치된 '스마트 거울'이라 불리는 **재구성 가능한 지능형 표면(RIS)**을 사용하는 방안을 제안합니다. 이 거울은 지상의 신호를 받아 드론 쪽으로 반사할 수 있습니다. 하지만 단순히 거울 하나를 갖는 것만으로는 충분하지 않습니다. 드론을 정확히 어디로 날릴지, 거울을 어떻게 조절할지, 그리고 여러 대의 드량을 동시에 서비스하기 위해 거울의 표면을 어떻게 분할할지를 결정해야 합니다.

다음은 이들의 솔루션을 쉬운 비유를 사용하여 정리한 내용입니다.

1. 목표: 팀의 연결성 유지

연구진은 네트워크 연결성을 극대화하고자 합니다. 드론과 사람들을 무선 통신을 유지하려고 노력하는 등산객 팀이라고 생각해 보십시오.

지표: 그들은 **피들러 값(Fiedler value)**이라는 수학적 개념을 사용합니다. 이것을 "팀 결속력 점수"라고 상상해 보십시오. 점수가 높으면 팀이 긴밀하게 결합되어 있어 모두가 서로 대화할 수 있습니다. 점수가 0이면 팀이 고립된 그룹들로 나뉘어 통신이 무너집니다.
과제: 드론은 배터리가 소진되거나 추락(실패)할 수 있습니다. 목표는 한 대의 드론이 실패하더라도 나머지 팀원들이 연결 상태를 유지할 수 있도록 시스템을 배치하는 것입니다.

2. 세 부분으로 구성된 퍼즐

연구진은 가장 높은 "팀 결속력 점수"를 얻기 위해 세 가지 문제를 동시에 해결해야 한다는 것을 깨달았습니다. 그들은 이 거대하고 어려운 퍼즐을 세 개의 작은 단계로 나누어 최선의 결과를 얻을 때까지 반복적으로 해결합니다.

A. 최적의 경로 선택 (링크 선택)

스마트 거울이 번화한 교차로라고 상상해 보십시오. 지상의 어떤 사람이 어떤 드론에게 신호를 보낼지 결정해야 합니다.

전략: 추측하는 대신, 그들은 "섭동법(perturbation method)"을 사용합니다. 이는 마치 교통 혼잡을 가장 많이 줄일 수 있는 몇 가지 다른 경로를 테스트해보는 것과 같습니다. 그들은 현재의 연결 지도를 살펴보고, "팀 결속력 점수"를 가장 많이 높일 수 있는 새로운 경로를 선택합니다.

B. 거울 분할 (RIS 파티셔닝)

이것은 가장 창의적인 부분입니다. 보통 거울은 신호를 단 한 곳으로 반사합니다. 하지만 이 논문은 **가상 분할(virtual partitioning)**을 제안합니다.

비유: 거울이 커다란 피자라고 상상해 보십시오. 피자 한 판을 배고픈 한 사람에게 통째로 주는 대신, 조각을 냅니다.
- 조각 A는 신호를 드론 1에게 반사하도록 각도가 조절됩니다.
- 조각 B는 신호를 드론 2에게 반사하도록 각도가 조절됩니다.
최적화: 연구진은 모든 드론이 연결을 유지할 수 있을 만큼 충분한 신호 강도를 받으면서도, 조각이 너무 작아져서 쓸모없어지지 않도록 거울의 요소(element)를 나누는 완벽한 수학적 방법을 찾아냈습니다. 그들은 정확히 각 조각의 크기를 계산하기 위한 특정 공식을 도출했습니다.

C. 드론을 적절한 위치로 비행시키기 (UAV 포지셔닝)

완벽한 거울이 있더라도 드론이 잘못된 위치에서 비행하고 있다면 신호는 약해질 것입니다.

전략: 그들은 하늘을 거대한 3D 격자 형태의 잠재적 주차 공간이라고 취급합니다. 그들은 정교한 수학 도구(준정부정치 계획법, Semi-Definite Programming)를 사용하여 드론의 최적의 "주차 공간"을 찾습니다.
결과: 이를 통해 드론이 거울 조각으로부터 가장 강한 신호를 받을 수 있는 위치에 배치되도록 하여, 전체적인 네트워크 강도를 극대화합니다.

3. 시뮬레이션 결과

연구진은 실제 도시 환경을 모사한 컴퓨터 시뮬레이션에서 이 아이디어를 테스트했습니다.

거울이 많을수록 = 더 나은 연결: 거울의 "타일(요소)"이 많아질수록 연결 점수가 크게 향상된다는 것을 발견했습니다.
스마트한 비행 vs 무작위 비행: 드론을 무작위로 비행시키거나 거울을 한 번에 하나의 드론만을 위해 사용하는 것보다, 드론의 위치를 정교하게 배치하고 거울을 분할하는 방식이 훨씬 더 효과적이었습니다.
오류 처리: 그들은 시스템이 드론의 정확한 위치를 완벽하게 알지 못하는 경우(불완전한 데이터)에도 테스트했습니다. 그 결과, 그들의 시스템은 매우 견고하여 데이터가 100% 완벽하지 않더라도 잘 작동하며, 오차가 매우 커질 때만 성능이 저하된다는 것을 확인했습니다.

요약

요약하자면, 이 논문은 드론 네트워크를 더 신뢰할 수 있게 만드는 레시피를 제시합니다. 단순히 드론을 무작위로 날리거나 거울을 한 번에 한 사람만을 위해 사용하는 대신, 다음과 같은 시스템을 제 제안합니다:

여러 대의 드론을 동시에 서비스하기 위해 스마트 거울을 조각냅니다.
드론의 완벽한 비행 경로를 계산합니다.
이러한 단계들을 반복하여 일부 드론이 실패하더라도 전체 네트워크가 연결 상태를 유지하도록 합니다.

그 결과, 장애물이 있더라도 "팀"이 결속력을 유지할 수 있는 더 강력하고 탄력적인 네트워크가 만들어집니다.

기술 요약: 업링크 RIS 지원 UAV 네트워크의 연결성 극대화

문제 정의
본 논문은 업링크 재설정 가능한 지능형 표면(RIS) 지원 무인 항공기(UAV) 네트워크에서 네트워크 연결성을 극대화하는 과제를 다룬다. UAV는 가시선(LoS) 링크를 구축하고 커버리지를 확장하기 위해 유연한 배포를 제공하지만, 에너지 제약으로 인해 고장 발생 가능성이 있다. 저자들은 다음 세 가지 핵심 변수를 공동 최적화함으로써 네트워크 회복력과 연결성을 향强化하고자 한다:

UAV 위치 선정: UAV의 최적 3차원 위치 결정.
RIS 파티셔닝: 단일 RIS를 여러 개의 가상 섹션으로 나누어 서로 다른 UAV를 동시에 서비스하도록 함.
링크 선택: 어떤 사용자 단말(UE)-RIS-UAV 링크를 구축할지 결정.

목표는 개별 UAV의 신호 대 간섭 및 잡음비(SINR) 제약 조건과 RIS 요소 할당 제한을 준수하면서, 네트워크의 대수적 연결성(그래프 라플라시안 행렬의 두 번째로 작은 고윳값인 **피들러 값(Fiedler value)**으로 정량화됨)을 극대화하는 것이다. 이 문제는 계산 비용이 많이 드는 조합 최적화 문제로 식별되었다.

방법론
비볼록(non-convex) 조합 최적화 문제를 해결하기 위해, 저자들은 문제를 세 가지 하위 문제로 분해하고 수렴할 때까지 순차적으로 해결하는 반복적 최적화 프레임워크를 제안한다:

RIS 지원 링크 선택 (섭동법/Perturbation Method):
대수적 연결성을 반복적으로 계산하는 대신, 저자들은 원래의 네트워크 그래프에 대한 피들러 벡터를 기반으로 한 저복잡도 휴리스틱을 제안한다. 이 방법은 UAV의 신뢰도와 연결된 노드들의 피들러 벡터 항목 간 제곱 차이의 곱으로 정의되는, 연결성을 가장 크게 가중 증가시키는 UE-RIS-UAV 링크를 반복적으로 선택한다.
RIS 파티셔닝 최적화:
UAV 위치와 링크 선택이 고정된 상태에서, 저자들은 RIS 파티셔닝 계수( $\alpha$ )에 대한 **폐쇄형 해(closed-form solution)**를 도출한다. 이 접근 방식은 UAV 신뢰도에 기반하여 최소 SINR 임계값을 만족하면서 새로운 링크들의 합계 SINR을 극대화하도록 RIS 요소를 할당한다. 구체적으로, 다른 UAV들이 임계값을 충족하기 위해 필요한 최소 할당량을 받은 후, 가장 신뢰도가 높은 UAV에게 남은 RIS 요소들을 할당한다.
UAV 위치 선정 최적화:
링크 선택과 RIS 파티셔닝이 주어졌을 때, UAV 위치 선정 문제를 재구성한다. 탐색 공간을 그리드로 이산화함으로써, 이 문제는 UAV를 위한 최적의 그리드 점을 선택하는 문제로 변환된다. 이는 다시 이진 조합 문제에서 연속적인 볼록 문제로 완화되며, 표준 CVX 솔버를 사용하는 **저복잡도 준정부호 계획법(SDP)**으로 해결된다.

주요 기여

공동 최적화 프레임워크: 피들러 값을 사용하여 네트워크 연결성 극대화 문제를 정식화하였으며, 여기에 UAV 신뢰도에 영향을 받는 RIS 요소 할당 및 SINR 제약을 통합하였다.
반복 알고리즘: 연결성을 고려한 섭동법 기반의 링크 선택, 폐쇄형 해를 이용한 RIS 파티셔닝, 그리고 SDP 기반의 UAV 위치 선정을 결합한 새로운 반복 솔루션을 개발하였다.
연결성을 위한 RIS 가상 파티셔닝: 단일 링크나 물리 계층 보안을 위해 RIS를 사용하는 기존 연구와 달리, 본 연구는 RIS 가상 파티셔닝을 활용하여 다수의 동시 통신 링크를 구축함으로써 공간 효율성과 네트워크 연결성을 높인다.
효율적 해결 가능성: UAV 위치 선정 하위 문제를 SDP로 변환함으로써, 원래의 조합적 정식화의 난해함을 피하고 기성 도구를 사용하여 효율적으로 해결할 수 있게 하였다.

시뮬레이션 결과
제안된 방식은 세 가지 벤치마크 모델(전체 RIS를 하나의 링크에 사용하는 단일 링크 RIS 설정, 기존 UAV 위치 선정 문헌에서 영감을 얻은 RIS 미사용 방식, 그리고 무작위 UAV 위치를 가진 제안된 방식의 랜덤 위치 모델)을 대상으로 평가되었다.

연결성 이득: 제안된 방식은 RIS가 다중 링크를 구축하게 하고 링크 품질을 개선하도록 UAV 위치를 최적화함으로써, 특히 잘 연결된 네트워크에서 벤치마크 방식들보다 일관되게 우수한 성능을 보였다.
RIS 요소의 영향: RIS 요소의 수( $N$ )가 증가함에 따라 새로 구축된 링크의 품질이 향상되어 네트워크 연결성이 개선됨이 확인되었다.
희소 네트워크 vs 밀집 네트워크: 희소 네트워크 시나리오(높은 SINR 임계값)에서는 UAV를 추가하더라도 링크 실패로 인해 반드시 연결성이 증가하는 것은 아니었으나, 제안된 RIS 지원 방식은 견고함을 유지하였다.
CSI 불완전성: 불완전한 채널 상태 정보(CSI)에 관한 시뮬레이션 결과, CSI 오차 분산이 증가함에 따라 성능이 저하되기는 하지만, 네트워크 연결성은 중간 정도의 불완전성에 대해 비교적 견고함을 유지하였다.

의의
본 논문은 제안된 반복 솔루션이 기존 문헌에 비해 네트워크 연결성 측면에서 상당한 잠재적 이득을 보여준다고 주장한다. RIS 가상 파티셔닝을 UAV 위치 선정과 통합함으로써, 본 연구는 추가적인 하드웨어 배치 없이도 UAV 고장을 완화하고 서비스 커버리지를 확장할 수 있는 실용적인 접근 방식을 제공한다. 저자들은 향후 연구에서 현재의 '하나의 RIS당 하나의 UE 할당' 제약을 넘어, 단일 RIS에 다수의 송신 UE를 스케줄링하는 방안을 탐구할 수 있을 것이라고 제언한다.