기술 요약: 대규모 HAPS 네트워크를 위한 GNN-RSMA

1. 문제 정의

본 논문은 수직 이종 네트워크(vHetNet)를 형성하기 위해 지상 인프라와 통합된 대규모 고고도 플랫폼 스테이션(HAPS) 네트워크에서의 간섭 관리에 관한 과제를 다룹다. HAPS는 넓은 커버리지와 낮은 지연 시간을 제공하지만, 고고도 배치는 다음과 같은 특정 전파 특성을 생성한다:

• 강한 가시선(LoS) 링크: 이는 사용자 단말(UE) 간의 채널 상관관계를 높여, 공간 빔포밍만으로는 사용자를 구분하기 어렵게 만든다.
• 자원 부족: 단일 HAPS는 한정된 무선 자원(Resource Blocks, RB)으로 매우 많은 수의 UE를 서비스한다. 결과적으로 여러 UE가 동일한 RB를 공유해야 하며, 이는 심각한 RB 내 간섭을 유발한다.
• 계산 복잡도: 성공적 볼록 근사(Successive Convex Approximation, SCA)와 같은 전통적인 최적화 방법은 Max-Min Fairness(MMF) 전력 할당 문제를 해결할 수 있지만, 네트워크 규모가 커짐에 따라 과도한 계산 복급도를 겪는다. 이러한 방법들은 새로운 네트워크 실현이 발생할 때마다 처음부터 최적화를 수행해야 하므로, 실시간 대규모 배포에는 부적합하다.

핵심 문제는 멀티 클러스터 HAPS 네트워크에서 모든 UE 사이의 최소 스펙트럼 효율(SE)을 극대화하는 확장 가능하고 저복잡도인 간섭 관리 기법을 설계하는 것이다. 이를 위해 Rate-Splitting Multiple Access(RSMA)를 사용한다.

2. 방법론

제안된 솔루션인 GNN-RSMA는 UE 클러스터링과 RSMA를 통합하고, 전력 할당을 위해 그래프 신경망(GNN)을 활용한다.

A. 시스템 모델 및 클러스터링

• 클러스터링: 네트워크는 "최악의 UE(Worst-UE, WU)" 클터링 알고리즘을 채택한다. UE들은 각도 근접성에 따라 클러스터로 그룹화된다. 각 클러스터의 빔은 해당 클러스터 내에서 가장 열악한 채널 조건을 가진 UE를 향해 조향되어 최소 빔 이득을 극대화한다.
• RSMA 프레임워크: 각 클러스터 내에서 UE들은 직교 RB를 공유한다. 그러나 서로 다른 클러스터들은 동일한 RB를 공유하여 클러스터 간 간섭을 생성한다. RSMA는 각 UE의 메시지를 공통 스트림(모든 UE가 RB에서 디코딩)과 프라이빗 스트림(의도된 UE만 디코딩)으로 분리함으로써 이를 관리한다.
• 최적화 목표: 총 전력 및 디코더블리티 제약 조건 하에서 최소 달성 속도($\min_u R_u$)를 극대화하기 위해 공통 및 프라이빗 스트림의 송신 전력($p^{(c)}_{r,\ell}$ 및 $p^{(p)}_u$)과 공통 속도 할당($C_u$)을 공동으로 최적화한다.

B. 그래프 표현

HAPS 네트워크는 복잡한 상호작용을 포착하기 위해 이종 그래프 $\mathcal{G} = (\mathcal{V}, \mathcal{E})$로 모델링된다:

• 노드 유형: 세 가지 뚜렷한 노드 유형이 정의된다: UE, 클러스터, RB.
• 노드 특징:
  • UE: 위치, 서빙 빔 이득, 최대/평균 간섭 이득을 포함한다.
  • 클러스터: 중심점 위치, 서빙 이득 통계 및 누설 특성을 포함한다.
  • RB: RB를 공유하는 UE들의 통계(최소/최대/평균 이득) 및 클러스터 간 간섭 잠재력을 포함한다.
• 엣지 유형: 네 가지 관계 유형이 물리적 상호작용을 포착한다: UE-to-UE (간섭), UE-to-Cluster (서빙/간섭), UE-to-RB (할당), Cluster-to-RB (사용).

C. GNN 아키텍처

제안된 GNN 정책은 반복적인 최적화 없이 그래프 표현을 RSMA 전력 할당 결정으로 직접 매핑한다.

• 이종 메시지 전달: 네트워크는 멀티 헤드 어텐션을 갖춘 Edge-Conditioned Graph Attention Networks (GAT)를 사용한다. 서로 다른 엣지 유형(관계)은 물리적 링크 조건(예: 채널 이득)에 따라 이웃의 가중치를 조절하는 독립적인 어텐션 메커니즘을 가진다.
• 글로벌 컨텍스트: MMF 목적 함수(최악의 성능을 보이는 UE에 의존함)의 전역적 특성을 해결하기 위해, UE 임베딩의 풀링(평균, 최대, 최소)을 통해 컨텍스트 벡터를 추출하고 이를 다시 UE 표현에 주입한다.
• 제약 조건 충족 디코딩: 손실 함수에 페널티 항을 사용하는 대신, 미분 가능한 디코더를 사용하여 구조적으로 제약 조건을 준수한다:
  • Softmax 레이어는 출력 로짓(logits)을 스케일링하여 모든 공통 및 프라이빗 전력의 합이 총 송신 전력 예산($P_T$)과 일치하도록 한다.
  • RB별 Softmax는 해당 RB를 공유하는 UE들 사이에서 공통 속도를 배분하여 디코더블리티 제약 조건을 보장한다.
• 반복적 정밀화: SCA의 반복적 특성을 모방하기 위해, GNN은 $N_p$번의 정밀화 패스(refinement passes)에 걸쳐 언롤링(unrolled)된다. 한 패스에서 달성된 속도는 다음 패스의 "속도 힌트"로 입력되어, 정책이 할당을 점진적으로 정밀화하고 병목 UE를 식별할 수 있게 한다.
• 비지도 학습: 모델은 레이블이 있는 데이터 없이(SCA 솔루션 불필요) 학습된다. 무작위로 생성된 네트워크 실현의 미니 배치에 대해 매끄러운 대리 목적 함수(log-sum-exp 하한)를 극대화한다.

3. 주요 기여

1. 이종 GNN 정책: 본 논문은 멀티 클러스터 HAPS 네트워크에서의 MMF-RSMA 전력 할당을 위해 맞춤 설계된 최초의 GNN 기반 프레임워크를 제안한다. 이는 네트워크를 이종 그래프(UE, 클러스터, RB 노드)로 표현하여, 정책이 기저의 통신 토폴로지를 포착하고 다양한 네트워크 크기에 걸쳐 일반화할 수 있도록 한다.
2. 제약 조건 충족 아키텍처: 구조적으로 총 전력 및 공통 속도 디코더블리티 제약 조건을 만족하는 전력 할당을 생성하는 디코더를 설계에 포함하여, 학습 중 제약 조건 페널티를 제거하였다.
3. 확장성 및 일반화: GNN의 치환 불변(permutation-invariant) 특성 덕 인해, 학습된 단일 정책은 재학습 없이도 다양한 수의 UE, 클러스터, RB를 가진 네트워크에 적응할 수 있다.
4. 반복적 정밀화 메커니즘: SCA 알고리즘의 내부 반복을 모방하는 언롤링된 추론 프로세스를 통해, 최소한의 계산 오버헤드로 병목 UE를 식별하고 전력 할당을 정밀화한다.

4. 시뮬레이션 결과

제안된 GNN-RSMA를 60개의 UE와 10개의 RB를 가진 HAPS 네트워크에서 SCA 기반 RSMA 벤치마크, NOMA 및 SDMA 스킴과 비교 평가하였다.

• 성능: GNN-RSMA는 SCA 벤치마크의 Max-Min Fairness 성능의 약 **92%**를 달성한다 (SCA의 중앙값 SE 0.536 b/s/Hz 대비 0.493 b/s/Hz). 이는 NOMA 및 SDMA보다 크게 우수한 성능을 보인다.
• 공정성: 알고리즘은 Jain's fairness index 중앙값 0.995를 달성하여, UE 간 매우 공평한 자원 배분을 보여준다.
• 계산 효율성: GNN-RSMA의 추론 시간은 SCA보다 수십 배 빠르다. 60개의 UE에 대해 GNN-RSMA는 약 0.3초가 소요되는 반면, SCA는 약 10.8~27.9초가 소요된다 (40개에서 100개 UE 사이의 관찰된 범위). 이 격차는 UE 수가 증가함에 따라 더 벌어진다 (100개 UE에서 60배 이상의 속도 향상).
• 일반화: 가변 크기 네트워크에서 학습된 단일 모델은 재학습 없이도 다양한 UE 수(40~100개)에 대해 안정적인 성능을 유지하는 반면, SCA 성능은 간섭이 증가함에 따라 약간 저하된다.
• 클러스터링 영향: WU-클러스터링 알고리즘이 결정적임이 입증되었다. 이를 중심점 기반 클러스터링으로 대체하면 UE 수가 증가함에 따라 SEmin이 63% 급락하는 반면, WU-클러스터링은 거의 일정한 성능을 유지한다.

5. 의의 및 주장

본 논문은 GNN-RSMA가 실시간 RSMA 배포를 위한 기존의 볼록 최적화 기반 간섭 관리의 확장 가능하고 실용적인 대안임을 주장한다.

• 실시간 실행 가능성: 반복적인 최적화를 몇 번의 저복잡도 순방향 패스로 대체함으로써, SCA가 너무 느린 동적이고 대규모인 네트워크에서도 실시간 자원 할당을 가능하게 한다.
• 강건성: 이 접근 방식은 AI 기반 방법이 네트워크 상태로부터 최적의 자원 할당으로 가는 복잡한 매핑을 학습할 수 있으며, 재학습 없이도 보지 못한 네트워크 크기와 토폴로지에 효과적으로 일반화될 수 있음을 입증한다.
• 간섭 관리: 본 연구는 RSMA와 GNN 기반 전력 할당을 결합하는 것이 광범위한 커버리지를 가진 고고도 HAPS 배치에 내재된 심각한 RB 내 간섭을 효과적으로 관리하여, 이론적 최적화 벤치마크에 필적하는 공정성을 달 수 있음을 검증한다.