⚡ electrical engineering

Physically Constrained Federated Additive Models for O-RAN SLA-Risk Prediction

본 논문은 연합 학습 과정에서 주요 성능 지표에 대한 단조성을 강제함으로써 모순된 예측을 제거하는 동시에 정확도 손실을 최소화하면서 업링크 트래픽을 크게 줄임으로써, 멀티 테넌트 O-RAN을 위한 감사 가능하고 물리적으로 유효한 SLA 리스크 예측을 보장하는 물리적 제약 기반의 연합 가산 모델인 Monotone FedNAM을 소개한다.

원저자: Aubida A. Al-Hameed, Mohammed M. H. Qazzaz, Maryam Hafeez, Syed A. Zaidi

게시일 2026-07-27

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Aubida A. Al-Hameed, Mohammed M. H. Qazzaz, Maryam Hafeez, Syed A. Zaidi

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

당신은 거대하고 빠른 오케스트라의 지휘자라고 상상해 보십시오. 모든 음악가가 서로 다른 악기를 연주하고 있지만, 모두 별도의 방음실에 격리되어 있습니다. 당신은 음악이 음이 이탈하기 전에 이를 미리 알고 즉각적으로 수정해야 합니다. 이것이 바로 현대 모바일 네트워크, 특히 O-RAN이라고 불리는 새롭고 유연한 시스템이 직면한 과제입니다. 이 세계에서 네트워크는 고속도로의 개별 차선처럼 '슬라이스(slices)'로 나뉘며, 각 슬라이스는 자신들만의 엄격한 속도와 신뢰성 규칙을 가진 서로 다른 기업(테넌트)들에게 임대됩니다. 문제는 이 기업들이 자신의 사적인 트래픽 데이터를 서로 공유하거나 네트워크 운영사와 공유하고 싶어 하지 않는다는 점입니다. 이는 그들의 영업 비밀이기 때문입니다.

이 문제를 해결하기 위해 엔지니어들은 '연합 학습(Federated Learning)'이라는 기술을 사용합니다. 이것은 마치 학생들이 수학 문제를 푸는 것과 같습니다. 학생들은 자신의 개인 노트를 중앙 교사에게 보내는 대신, 각자의 방에서 문제의 각 부분을 스스로 풀고 최종 답안(모델 업데이트)만을 교사에게 보냅니다. 교사는 이 답안들을 결합하여 하나의 마스터 가이드를 만듭니다. 하지만 여기에는 함정이 있습니다. 때때로 학생들의 답안이 너무 이상하거나 모순적이어서 마스터 가이드가 말이 안 되는 경우가 발생합니다. 예를 들어, 가이드가 "날씨가 좋아지면" "교통 체증이 심해진다"라고 제안할 수도 있는데, 이는 물리적으로 불가능한 일입니다. 이 논문은 AI 가이드가 비밀을 유지할 뿐만 아니라 기본적인 물리 법칙과 논리를 따르도록 하여, 네트워크가 위험한 조언을 하지 않도록 만드는 문제를 다룹니다.

논문의 이야기: 물리학을 존중하도록 AI를 가르치기

로마의 실제 테스트베드 데이터를 사용하여 연구를 진행한 연구진은 AI가 네트워크 장애를 예측하는 방식에서 놀라운 결함을 발견했습니다. 그들은 '신경 가법 모델(Neural Additive Model, NAM)'이라는 스마트 모델을 사용하고 있었습니다. NAM을 전문가 팀이라고 생각하면 쉽습니다. 각 전문가는 "온라인 접속자 수"나 "신호 강도"와 같이 단 하나의 요소만을 담당합니다. 각 전문가가 독립적으로 작업하기 때문에, 우리는 그들의 작업 내용을 보고 그들이 어떻게 생각하는지 정확히 파악할 수 있습니다. 이는 '감사 가능성(auditability)' 측면에서 매우 훌륭합니다. 즉, 인간이 수학적 계산 과정을 검증할 수 있다는 뜻입니다.

하지만 반전이 있습니다. 수학적 계산을 눈으로 볼 수 있다고 해서 그것이 반드시 '옳다'는 뜻은 아닙니다. 연구팀은 이러한 모델이 데이터를 통해 학습할 때, 상식에 어긋나는 결론을 내리는 경우가 많다는 것을 발견했습니다. 한 사례에서는 무선 신호가 좋아질수록 네트워크 장애 위험이 실제로 높아진다는 결론을 학습했습니다. 이는 마치 날씨 앱이 "날씨가 화창하니 폭풍이 올 것에 대비해 우산을 챙기라"고 알려주는 것과 같습니다. 이는 모델이 중앙에서 학습할 때도 발생했으며, 모델들이 서로 다른 위치에서 함께 학습하려고 시도하는 연합 학습 환경에서는 상황이 더욱 악화되었습니다. 기지국들의 서로 다른 '목소리'가 뒤섞이면서 왜곡되고 물리적으로 불가능한 전역 규칙을 만들어낸 것입니다.

해결책: "단조성(Monotone)" 가드레일

이를 해결하기 위해 저자들은 Monotone FedNAM이라는 새로운 시스템을 만들었습니다. 당신이 로봇에게 자동차 운전법을 가르친다고 상상해 보십시오. 단순히 관찰하며 배우게 하는 것이 아니라, 하드코딩된 가드레일을 설치합니다. 로봇이 빨간불을 보면 가드레일이 정지하도록 강제합니다. 초록불을 보면 가동하도록 강제합니다. 아무리 많은 데이터를 보더라도 초록불에 멈추거나 빨간불에 가라고 명령할 수는 없습니다.

이 논문에서 '가드레일'은 **단조성(monotonicity)**이라는 수학적 제약 조건입니다. 연구진은 어떤 네트워크 요소들이 명확하고 모호하지 않은 방향성을 갖는지 식별했습니다. 예를 들어, "채널 품질(신호 강도)"이 올라가면 장애 위험은 반드시 내려가야 합니다. "백로그(데이터 적체)"가 늘어나면 위험도 반드시 올라가야 합니다. 그들은 이러한 특정 요소들에 대해 AI가 물리적 규칙을 반드시 따르도록 모델을 구축했습니다. 이는 AI에게 "교통 상황에 대해서는 무엇이든 배워도 좋지만, 신호가 강해지는 것이 사고를 유발한다고 생각하는 것은 엄격히 금지한다"라고 말하는 것과 같습니다.

연구 결과

연구진이 7개의 서로 다른 기지국을 시뮬레이션한 ColO-RAN 테스트베드에서 이 새로운 시스템을 테스트했을 때, 결과는 놀라웠습니다.

물리 법칙 위반 제로: 제약이 없는 기존 모델은 물리 법칙을 끊임없이 위반했습니다. 하지만 새로운 Monotone FedNAM은 이를 단 한 번도 위반하지 않았습니다. 즉, 역전된 예측 현상을 완전히 제거했습니다.
안전의 대가: 이 안전함을 위해 치러야 할 작은 대가가 있었습니다. 모델의 전체적인 예측 정확도(AUC로 측정)가 제약이 없는 버전의 약 0.943에서 제약이 있는 버전의 0.901로 약간 감소했습니다. 저자들은 이를 작은 트레이드오프라고 언급합니다. 즉, 논리의 완전한 신뢰를 얻기 위해 아주 약간의 원시 추측 능력을 양보한 것입니다.
통신 효율 향상: 모델이 엄격한 규칙을 따라야 했기 때문에, 기지국과 중앙 서버 사이에서 주고받는 데이터 양이 줄어들었습니다. 네트워크를 통해 전송되는 데이터 양이 65% 감소하여 시스템을 훨씬 빠르고 저렴하게 운영할 수 있게 되었습니다.
일반화 능력: 이 모델은 학습한 내용을 새로운 스케줄링 정책(교통을 관리하는 새로운 방식)에 적용할 수 있었으며, 성능 저하 없이 작동했습니다. 이는 모델이 단순히 교통 패턴을 암기한 것이 아니라 '도로의 규칙'을 배웠음을 증명합니다.

거시적 관점

이 논문은 '블랙박스' 형태의 AI 모델이 숫자를 맞히는 데는 약간 더 정확할 수 있지만, 왜 그런 실수를 했는지 설명할 수 없거나, 혹은 논리적으로 보이지만 물리적으로는 불가능한 실수를 저지를 수 있기 때문에 핵심 인프라에서는 위험하다고 결론짓습니다. 물리 법칙(예: "신호가 좋아지면 = 위험이 낮아진다")을 준수하도록 강제함으로써, 연구진은 유용할 만큼 정확하면서도 네트워크 운영자가 신뢰할 수 있을 만큼 안전한 시스템을 만들었습니다. 그들은 적절한 가드레일 안에서 작동하도록 설계한다면, AI가 똑똑한 예측자인 동시에 논리적인 사고가로서 기능할 수 있음을 보여주었습니다.

기술 요약: O-RAN SLA-리스크 예측을 위한 물리적 제약 기반 연합 가법 모델

문제 정의

Open Radio Access Network (O-RAN)에서 선제적인 서비스 보증을 위해서는 개별 네트워크 슬라이스의 SLA 위반이 발생하기 전에 이를 예측해야 합니다. 이 과제는 세 가지 핵심적인 문제에 직면해 있습니다:

데이터 프라이버시 및 민감도: 슬라이스별 KPI(Key Performance Indicator)는 테넌트의 트래픽 패턴과 부하를 드러내므로 상업적으로 민감합니다. 기지국 간에 원시 데이터를 공유하는 것은 계약상 또는 법적으로 금지되는 경우가 많으며, 이는 로컬에서 모델을 학습시키고 업데이트만을 공유하는 연합 학습(Federated Learning, FL) 접근 방식을 필요로 합니다.
감사 가능성 및 신뢰성: 운영자는 제어 루프를 구동하기 전 ML 모델을 감사할 수 있어야 합니다. 표준 딥러닝 모델(예: 심층 강화 학습)은 불투명한 "블랙박스"이며, 사후 설명 가능성(post-hoc explainability) 방법론은 근실시간(Near-RT) RIC 추론에 있어 충실도가 떨어지거나 계산 비용이 너무 많이 듭니다.
물리적 타당성: 신경 가법 모델(Neural Additive Models, NAMs)은 각 특성에 대한 가시적인 형상 함수(shape function)를 학습함으로써 내재적 해석 가능성을 제공하지만, 저자들은 해석 가능성이 물리적 타당성을 보장하지는 않는다는 점을 입증했습니다. 측정된 O-RAN 트레이스 상에서, 제약이 없는 NAM은 무선 물리 법칙에 모순되는 효과를 학습하는 경우가 빈번합니다(예: 채널 품질이 개선될 때 SLA 리스크가 높아진다고 예측함). 이 문제는 클라이언트 간의 비독립 동일 분포(non-IID) 데이터로 인해 전역적 효과가 왜곡되는 연합 환경에서 더욱 악화됩니다.

방법론: Monotone FedNAM

저자들은 해석 가능성을 유지하면서 물리적 제약을 강제하도록 설계된 연합 신경 가법 모델인 Monotone FedNAM을 제안합니다.

모델 아키텍처: 모델은 예측값을 특성별 함수의 합으로 분해합니다 ( $f(x) = \beta_0 + \sum g_j(x_j)$ $f (x) = β_{0} + \sum g_{j} (x_{j})$ ).
- 제약된 특성(Constrained Features): 명확한 물리적 방향성을 가진 KPI(예: 백로그가 높을수록 리스크 증가, 채널 품질이 좋을수록 리스크 감소)는 **단조 선형 스플라인(monotone linear splines)**으로 표현됩니다. 이 스플라인은 주변부 특성 분위수(marginal feature quantiles)에 배치된 16개의 공유 노드(knots)를 사용합니다. 형상은 스플라인 증분(increment)을 softplus 함수를 사용하여 매개변수화함으로써 강제되며, 이를 통해 모든 증분이 엄격하게 양수(또는 음수)가 되도록 하여 구조적으로 단조성을 보장합니다.
- 제약되지 않은 특성(Unconstrained Features): 논쟁의 여지가 있거나 방향이 불분명한 KPI(예: 특정 할당 지표)는 제약이 없는 작은 다층 퍼셉트론(MLP) 서브 네트워크 또는 선형 항을 사용하여 모델링됩니다.
제약이 적용된 연합 집계: 모델은 수정된 FedAvg 알고리즘을 채택합니다. 결정적으로, 단조성 제약이 집계 과정에서도 유지됩니다. 제약이 스플라인 매개변수의 부호 있는 증분에 인코딩되어 있기 때문에, 로컬 클라이언트로부터 온 비음수(또는 비양수) 증분의 가중 평균은 서버에서도 비음수(또는 비양수)로 유지됩니다.
식별성을 위한 앵커링(Anchoring): 로컬 형상 함수의 임의적인 수직 이동이 집계 중 전역 모델을 왜곡하는 것을 방지하기 위해, 각 특성 함수는 고정된 공공 참조점(예: 표준화된 특성의 경우 $x=0$ )에 앵커링됩니다. 오프셋은 로컬에서 제거되어 전역 절편(intercept)에 포함됩니다.
배포 경로: 모델은 Non-RT RIC rApp(연합 학습 및 모델 거버넌스 담당)으로서 학습 및 관리됩니다. 생성된 전역 모델(매개변수 및 제약 명세 포함)은 Near-RT RIC xApp으로 배포되어, 가법적 설명을 포함한 온라인 per-slice SLA 리스크 추론을 수행합니다.

주요 기여

제약 없는 NAM의 물리적 부적절성 입증: 저자들은 제약 없는 가법 모델이 물리적으로 잘못된 형상 함수를 학습한다(예: 채널 품질과 리스크 사이의 관계를 반전시킴)는 것을 측정된 O-RAN 트레이스를 통해 보여주었습니다. 이러한 실패는 중앙 집중식 및 연합 설정 모두에서 발생하며, non-IID 연합 평균은 이러한 왜곡을 악화시킵니다.
Monotone FedNAM: 구조적으로 집계 시 단조성을 보존하는 새로운 연합 아키텍처입니다. 이 모델은 명확한 물리적 방향을 가진 KPI만을 선택적으로 제약하고 논쟁적인 KPI는 제약 없이 둠으로써, 물리적 타당성과 모델 유연성 사이의 균형을 맞춥니다.
rApp-to-xApp 배포 프레임워크: 논문은 물리적으로 일관된 모델의 학습을 Non-RT RIC가 관리하고, 이를 Near-RT RIC에 배포하여 감사 가능하고 실시간적인 추론을 수행하는 실질적인 배포 경로를 정의합니다.

실험 결과

모델은 7개의 기지국, 3가지 슬라이스 유형(eMBB, MTC, URLLC), 3가지 스케줄링 정책을 포함하는 ColO-RAN 테스트베드 데이터셋에서 평가되었습니다.

물리적 타당성: Monotone FedNAM은 제약된 KPI 세트에 대해 0.000의 단조성 위반율을 달enc성했습니다. 반면, 제약 없는 로컬 NAM은 0.461, 중앙 집중식 NAM은 0.508, 제약 없는 FedNAM은 0.652의 위반율을 보였습니다. 제약 모델은 "제약된 형상 일관성"(클라이언트 간 KPI 효과의 형태에 대한 일치도)을 0.71에서 1.00으로 높였습니다.
예측 성능: 물리적 제약을 적용하는 데 약간의 정확도 손실이 발생했습니다. Monotone FedNAM은 0.901의 AUC를 달성했으며, 이는 제약 없는 FedNAM(0.943) 및 블랙박스 FedAvg-MLP(0.973)와 비교됩니다. 물리적 거버넌스의 비용은 제약 없는 연합 모델 대비 약 0.04 AUC였습니다.
효율성 및 일반화:
- 통신 오버헤드: 제약된 특성을 수백 개의 MLP 가중 대신 16개의 값으로 구성된 증분 벡터로 표현함으로써, 모델은 총 업링크 트래픽을 65% 감소시켰습니다(30 라운드 동안 약 10.75 MB에서 2.15 MB로).
- 일반화: 모델은 미지의 스케줄링 정책(leave-one-scheduler-out 테스트)에 대해서도 AUC 0.887로 성공적으로 일반화되었으며, 이는 관리된 KPI-리스크 관계가 견고함을 입증합니다.
- 누출 강건성: 데이터 누출 가능성이 있는 특성(예: 현재 전송 속도)을 제거해도 성능에 미미한 영향만을 주어, 모델이 실제 인과적 특성에 의존하고 있음을 확인했습니다.

의의 및 주장

본 논문은 해석 가능성만으로는 충분하지 않다고 주장합니다. O-RAN 서비스 보증을 위해서는 모델이 물리적으로 타당하여 신뢰할 수 있어야 합니다. 저자들의 주장은 다음과 같습니다:

물리적 제약은 명시적 사전 지식(prior)이어야 함: 데이터에만 의존하여 올바른 무선 물리 법칙을 학습하는 것은 부족하며, 특히 non-IID 데이터가 존재하는 연합 환경에서는 더욱 그렇습니다.
선택적 거버넌스가 최적임: 명확한 물리적 방향을 가진 KPI(보수적 집합, conservative set)만을 제약함으로써, 논쟁적인 특성의 해석 가능성을 희생하지 않으면서도 모든 위반을 제거하고 클라이언트 간의 형상을 일치시킬 수 있습니다. 과도한 제약(공격적 집합, aggressive set)은 해석 가능성의 가치를 더하지 못하면서 정확도만 떨어뜨립니다.
O-RAN에 대한 실현 가능성: 물리적으로 제약된 연합 가법 모델은 감사 가능한 SLA 리스크 추론을 지원할 수 있습니다. 제안된 Monotone FedNAM은 compact하여 Near-RT RIC 배포에 적합하며, 통신 오버헤드를 줄여 데이터 프라이버시와 모델 신뢰가 매우 중요한 멀티 테넌트 O-RAN 환경에서 실행 가능한 솔루션이 됩니다.

본 연구는 단일 에뮬레이션 테스트베드에서 정적 사용자 및 대리(proxy) URLLC 레이블을 사용하여 수행되었다는 한계를 인정하며, 향후 동적 모빌리티, 더 큰 연합 규모, 다중 운영자 신뢰 도메인에서의 검증이 필요함을 언급합니다.