ML-based Predictive Models for Power Consumption in Virtualised O-RANs

기술 요약: 가상화된 O-RAN의 전력 소비를 위한 머신러닝 기반 예측 모델

문제 정의
5G 및 그 이상의 네트워크가 급격히 배포됨에 따라 에너지 소비 문제가 심화되었으며, 특히 전체 모바일 시스템 에너지 사용량의 70% 이상을 차지하는 무선 접속 네트워크(RAN)에서의 문제가 두드러지고 있다. EARTH 모델과 같은 기존의 분석적 전력 모델은 점차 부적합해지고 있다. 이러한 레거시 모델들은 선형 구조와 하드웨어 불가지론적 파라미터에 의존하기 때문에 가상화된 환경의 복잡한 비선형 역학을 포착하지 못한다. 구체적으로, 이들은 기능 분할(functional splits), 가속기 이질성, 이산적 에너지 상태, 실시간 스케줄러 버스트와 같은 O-RAN 특유의 요인들을 반영할 수 없다. 결과적으로, 에너지 효율적인 네트워크 오케스트레이션을 가능하게 하기 위해 분산형 소프트웨어 정의 O-RAN 아키텍처에서 전력 소비를 정확하게 예측할 수 있는 데이터 기반 접근 방식이 절실히 요구된다.

방법론
저자들은 하드웨어 계측이 된 O-RAN 테스트베드에서 수집된 데이터셋을 사용하여, 딥 뉴럴 네트워크(DNN)를 중심으로 한 머신러싱(ML) 기법의 효용성을 조사한다. 실험 설정은 Docker 컨테이너화 기술이 적용된 범용 x86 서버에서 실행되는 가상화된 O-RAN 시스템을 포함하며, 무선 유닛(RU)은 USRP B210을 통해 구현되었고, 분산 유닛(DU)과 중앙 집중 유닛(CU)은 가상화된 기능으로 구현되었다. 전력 소비는 GW-Instek 전력계를 사용하여 전역적으로 측정된다.

본 연구는 엄격한 데이터 전처리 및 모델링 파이프라인을 채택한다:

1. 특징 공학(Feature Engineering): 순열 특징 중요도(Permutation feature importance) 분석을 통해 송신 이득(transmission gain), 변조 및 코딩 방식(MCS), 에어타임(airtime)이 전력 소비의 주요 예측 변수임을 식별하였다.
2. 데이터셋 분할: 데이터 누수를 방지하고 견고한 평가를 보장하기 위해, 구성 파라미터(예: 이득, MCS)별로 데이터셋을 그룹화한 후 훈련(80%), 검증(10%), 테스트(20%) 서브셋으로 분할하였다.
3. 모델 개발: 세 가지 차별화된 아키텍처를 설계하고 평가하였다:
   • 모델 1 (베이스라인 DNN): ReLU 활성화 함수와 Adam 최적화 기법을 사용하는 3개의 은닉층(64-64-32 뉴런)을 가진 표준 피드포워드 신경망.
   • 모델 2 (정규화된 DNN): 과적합을 완화하고 학습을 안정화하기 위해 드롭아웃(p=0.3), L2 정규화(가중치 감쇠 λ=0.01), 배치 정규화를 통합한 개선된 아키텍처.
   • 모델 3 (하이브리드 DNN–XGBoost): DNN이 특징 추출기 역할을 하는 2단계 파이프라인이다. DNN은 입력 특징을 16차원의 잠재 공간(bottleneck layer)으로 압축하며, 이 결과값이 XGBoost 회귀 모델의 입력으로 사용된다. 이 하이브리드 접근 방식은 DNN의 표현 학습 능력과 그래디언트 부스팅의 규칙 기반 의사결정 능력을 결합하는 것을 목표로 한다.

주요 결과
모델들은 송수신 이득, MCS 인덱스, 에어타임 비율을 포함한 다양한 시스템 구성에 대해 평가되었으며, 주요 지표로 평균 상대 오차(MRE)를 사용하였다.

• 베이스라인 vs. 정규화 모델: 정규화된 DNN(모델 2)이 베이스라인(모델 1)보다 일관되게 우수한 성능을 보였으며, 베이스라인이 2.5~5%의 오차를 보이는 것에 비해 송신 이득 전반에서 오차를 크게 줄였다(예: <1.5% 유지).
• 하이브리드 모델의 우위: 하이브로 DNN–XGBoost 모델(모델 3)이 테스트된 모든 파라미터에서 가장 높은 정확도를 달est했다. 모델 3은 평균 상대 오차를 지속적으로 0.5% 미만으로 유지하였다.
  • 송신 이득 분석에서 모델 3은 최대 오차 약 0.5%를 기록하였으며, 다른 모델들이 성능이 저하되는 임계 저이득 영역에서는 오차가 약 0.1%까지 낮아졌다.
  • MCS 인덱스(업링크 및 다운링크 모두)에 대해 모델 3은 0.1% 미만에서 0.25% 미만의 미미한 오차를 보였으며, 변조 복잡도와 CPU 처리 수요 간의 관계를 효과적으로 모델링하였다.
  • 에어타임과 관련하여, 모델 3은 모든 부하 시나리오에서 0.1% 미만의 오차를 유지하며, 고부하 또는 유휴 상태 근처에서 발생하는 타 모델의 예측 스파이크 현상을 방지하였다.

의의 및 주장
본 논문은 하이브리드 모델, 특히 DNN–XGBoost 아키텍처가 단독 DNN이나 전통적인 분석 모델에 비해 가상화된 O-RAN의 전력 소비를 예측하는 데 있어 더 우수한 정확도와 안정성을 제공한다고 주장한다. 저자들은 이 접근 방식이 버스트형 트래픽 및 특정 플랫폼 구성에 의해 발생하는 비선형 스케일링과 이산적 에너지 변화를 성공적으로 포착한다고 단언한다.

본 연구의 의의는 O-RAN 시스템 내 AI 기반 에너지 예측을 위한 실질적인 벤치마크를 구축했다는 점에 있다. 저자들은 이러한 고정밀 예측 모델을 O-RAN 관리 도구에 통합함으로써 적응형 송신 전력 제어 및 선택적 무선 체인 비활성화와 같은 지능형 에너지 관리 전략을 촉진할 수 있다고 제안한다. 본 연구는 순차적 학습을 통한 시계열 역학의 통합과 데이터 부족 문제를 해결하기 위한 전이 학습의 적용을 향후 연구 방향으로 제시하며, 이를 통해 에너지 효율적인 5G-Advanced 및 6G 네트워크를 위한 토대를 마련하며 결론을 맺는다.