Adaptive 5G Resource Allocation for Multistatic ISAC-Based UAV Detection and Tracking

기술 요약: 다중 정적(Multistatic) ISAC 기반 UAV 탐지 및 추적을 위한 적응형 5G 자원 할당

문제 정의
소형 무인 항공기(UAV)의 급증은 주요 기반 시설 및 제한 구역 근처에서 심각한 보안 위험을 초ลสร้าง하고 있으며, 이는 강력한 탐지 및 추적 능력을 필요로 한다. 통합 센싱 및 통신(ISAC)은 기존 5G 네트워크를 감시 용도로 활용할 수 있는 경로를 제공하지만, 실제 배포 시 두 가지 주요 과제에 직면한다:

1. 자원 경쟁: 센싱과 통신 기능은 한정된 무선 자원을 두고 경쟁해야 한다. 정적인 센싱 할당은 시변하는 네트워크 부하 하에서 비효율적이며, 이는 트래픽이 적을 때는 자원이 낭비되고 혼잡할 때는 센싱 성능이 저하되는 결과를 초래한다.
2. 추적 견고성: 낮은 레이더 단면적(RCS)을 가진 고기동 UAV를 추적하는 것은 특히 네트워크 자원이 제한된 상황에서 어렵다. 단일 모달리티 시스템(예: 모노스태틱 레이더)은 복잡한 환경에서 커버리지 공백과 위치 결정 부정확성을 겪는 경우가 많다.

방법론
저자들은 5G New Radio(NR) 인터페이스 상에서 작동하는 부하 인지형(load-aware), 적응형 다중 정적 ISAC 프레임워크를 제안한다. 이 시스템 아키텍처는 능동적인 5G gNB(제어된 조명원 역할)와 분산된 소프트웨어 정의 센서(SDS) 노드 네트워크(수동 수신기 역할)를 통합한다.

주요 방법론적 구성 요소는 다음과 같다:

• 적응형 파형 설계: gNB는 실시간 네트워크 부하($\eta$) 및 관측된 신호 대 잡음비(SNR)에 따라 Zadoff-Chu(ZC) 센싱 시퀀스 길이($N_{ZC}$), 센싱 전송률, 빔 할당을 동적으로 조정한다. 긴 시퀀스는 더 높은 코히어런트 처리 이득과 더 나은 거리 해상도를 제공하지만 더 많은 물리적 자원 블록(PRB)을 소비한다.
• 공유 자원 모델링: 통신 처리량과 센싱 오버헤드 사이의 트레이드오프를 정량화하는 수학적 모델을 제시한다. 시스템은 네 가지 자원 할당 정책을 정의한다: 고정 센싱 지향, 고정 통신 지향, 적응형 ISAC, 그리고 신호 기회(Signal of Opportunity, SoO) 보조형 적응형 ISAC이다.
• SoO 보조 다중 정적 센싱: 네트워크 자원이 능동적 5G 센싱 요구 사항을 지원하기에 너무 제한적인 경우, 프레임워크는 패시브 SDS 노드를 통해 외부 신호 기회(예: 위성, FM 방송 또는 기타 셀룰러 전송)를 활용한다. 이러한 노드들은 추가적인 5G 자원을 소비하지 않고 표적 반사파를 포착한다.
• 성능 지표:
  • 탐지/추적: 탐지 확률을 위해 Marcum Q-함수를 사용하고, 추적 연속성을 위해 $M$-of-$N$ 모델(N번의 기회 중 M번의 성공적인 탐지 필요)을 사용하여 분석한다.
  • 위치 결정 정확도: 모노스태틱(gNB 전용) 대 다중 정적(gNB + SDS) 기하 구조를 비교하기 위해 크라메르-라오 하한(CRLB)을 사용하여 평가한다.

주요 기여
본 논문은 5G ISAC 분야에 네 가지 구체적인 기여를 한다:

1. 부하 인지형 자원 모델: 공유 5G 자원 하에서 ZC 파형 길이, 업데이트율 및 빔 개수의 함수로서 센싱 오버헤드를 정량화하는 모델을 개발하였다.
2. 트레이드오프 특성화: 적응형 파형 스케일링이 통신 부하가 증가함에 따라 성능을 점진적으로 저하시키면서도(graceful degradation) 추적 능력을 보존할 수 있음을 입증하여, 고정 예약 방식의 경직된 비효율성을 피할 수 있음을 보여준다.
3. SoO 보조 아키텍처: 5G 자원이 부족할 때 SDS 노드가 외부 SoO를 활용하여 추적 연속성을 유지하는 분산형 센싱 아키텍처를 도입함으로써, 심한 혼잡 상황에서도 추적 중단(outage)을 크게 줄인다.
4. 다중 정적 CRLB 프레임워크: 다중 정적 기하 구조가 모노스태틱 센싱에 비해 위치 결정 정확도와 공간 커버리지 균일성을 크게 향상시킨다는 이론적 분석을 제시하며, 특히 더 긴 파형과 더 넓은 대역폭을 활용할 때 그 효과가 두드러진다.

결과
5G NR FR1 시스템(3.5 GHz, 50 MHz 대역폭)을 기반으로 한 시뮬레이션 결과는 다음과 같다:

• 처리량 vs 센싱: 적응형 정책이 고정 예약 베이스라인보다 우수한 성능을 보인다. 고정 센싱 정책은 처리량을 제한(예: 제공된 부하의 85% 또는 97%)하는 반면, 적응형 정책은 제공된 부하를 밀접하게 추적한다.
• 혼잡 탄력성: 극심한 혼잡 상황(정규화된 부하 $\eta \to 1.0$)에서 "적응형 + SoO" 정책은 제공된 부하와 동일한 처리량을 유지하면서 낮은 추적 중단 확률을 유지한다. 반면, (SoO가 없는) 순수 적응형 정책은 자원이 통신으로 전환됨에 따라 급격한 추적 실패를 경험한다.
• 파형 스케일링: ZC 시퀀스 길이($N_{ZC}$)를 71에서 1291로 늘리면 목표 추적 중단 확률($10^{-3}$)을 위한 필요 입력 SNR이 약 12.6 dB 개선되어, 더 낮은 SNR 조건에서도 안정적인 추적을 가능하게 한다.
• 위치 결정 정확도: CRLB 분석 결과, 다중 정적 센싱이 모노스태틱 센싱을 크게 능가함을 보여준다. 긴 파형($N_{ZC}=1291$)의 경우, 다중 정적 센싱의 평균 위치 오차 경계(PEB)는 0.85 m까지 떨어지는 반면, 모노스태틱 센싱은 ~6.9 m 수준에 머물러 있어 분산 노드의 기하학적 이점을 입증한다.

의의
본 논문은 협력적 적응형 센싱과 분산형 다중 정적 지원의 결리된 결합이 미래 무선 네트워크에서 회복 탄력적인 UAV 감시를 위한 실질적인 경로임을 주장한다. 파형 자원을 동적으로 스케일링하고 수동 외부 신호를 활용함으로써, 제안된 프레임워크는 혼잡한 RF 환경에서 고품질 통신 서비스를 유지하는 것과 지속적이고 정확한 UAV 추적을 보장하는 것 사이의 핵심적인 긴장 관계를 해결한다. 본 연구는 ISAC가 정적인 자원 분할을 넘어, 기존 및 기회적 무선 인프라의 잠재력을 최대한 활용하는 동적이고 부하 인지적인 패러다임으로 진화할 수 있음을 검증한다.