⚡ electrical engineering

Transceiver Design for Cell-Free Unsourced Random Access

본 논문은 반복 복호 기술과 유한 블록 길이 분석을 결합하여 우수한 성능을 달성함으로써 최대 1800명의 활성 사용자를 지원하고 기존 방식 대비 최대 4.5 dB의 이득을 제공하는, 셀 프리 비소스 랜덤 액세스를 위한 저복잡도, 에너지 효율적 트랜시버 설계를 제안한다.

원저자: Mert Ozates, Mohammad Kazemi, Eduard Jorswieck, Deniz Gündüz

게시일 2026-08-12

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Mert Ozates, Mohammad Kazemi, Eduard Jorswieck, Deniz Gündüz

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

수십억 개의 작고 조용한 장치들—숲속의 스마트 센서나 공장 바닥의 추적기처럼—이 갑자기 중앙의 뇌를 향해 동시에 메시지를 외쳐야 하는 세상을 상상해 보십시오. 이것은 미래 6G 퍼즐의 핵심 조각인 '대규모 기계형 통신(massive machine-type communication)'의 혼란스러운 현실입니다. 문제는 이 장치들이 산발적이라는 점입니다. 그들은 말할 것이 있을 때만 대화를 나누며, 서로 협력하지 않습니다. 만약 그들이 모두 동시에 말을 하려고 한다면, 그들의 목소리는 뒤섞여 혼란스러운 굉음이 될 것이고, 중앙의 뇌는 단 한 마디도 이해할 수 없게 됩니다. 이를 해결하기 위해 과학자들은 '비소스 무작위 접속(unsourced random access)'이라는 영리한 기술을 사용합니다. 여기서 장치들은 이름으로 자신을 소개하지 않습니다. 대신 그들은 그저 신호를 보낼 뿐이며, 수신자의 임무는 단순히 '누가' 말했는지가 아니라 '무엇이' 말해졌는지를 파악하는 것입니다. 마치 군중을 하나의 합창단처럼 취급하여, 가수의 이름이 아니라 멜로디를 듣는 데 집중하는 것과 같습니다.

이제, 하나의 거대하고 강력한 뇌(기지국)가 이 혼란스러운 군중의 소리를 들으려고 노력하는 대신, 주변에 흩어져 있는 수많은 작고 친절한 귀들(액세스 포인트)이 당신을 돕고 있다고 상상해 보십시오. 이들은 모두 중앙의 뇌와 연결되어 있습니다. 이것이 바로 '셀 프리(cell-free)' 방식입니다. 이는 마치 한 사람이 현문에서 모든 것을 들으려고 애쓰는 대신, 백 명의 이웃이 파티 소리를 듣는 것을 도와주는 것과 같습니다. 하지만 백 개의 귀가 있다 하더라도, 군중이 너무 커지면 소음은 압도적이 됩니다. 이 논문의 연구자들은 질문을 던졌습니다. 단순히 효율적인 것을 넘어, 혼란에 빠지지 않고도 엄청난 수의 외치는 장치들을 처리할 수 있는 청취 시스템을 설계할 수 있을까? 그들은 장치들이 말하는 새로운 방식과 귀들이 듣는 새로운 방식을 제안했으며, 여기에는 혼란을 풀기 위한 탐정 작업과 팀워크의 결합이 담겨 있습니다.

새로운 청취 전략

이 논문의 저자인 메르트 오자테스(Mert Ozates)와 그의 팀은 이 '셀 프리 비소스 무작위 접속' 문제에 대해 저복잡도, 고효율 에너지 솔루션을 설계했습니다. 그들의 시스템을 거꾸로 진행되는 매우 조직적인 '전화기 놀이(telephone game)'라고 생각해 보십시오. 그들의 설정에서, 모든 장치는 두 부분으로 구성된 메시지를 보냅니다. 첫째, "내가 여기 있다"라고 알리는 짧고 고유한 '외침'(파일럿 시퀀스)을 보내고, 둘째, 특정 온-오프 패턴으로 프레임 전체에 흩어져 있는 실제 메시지(폴라 코드워드)를 보냅니다.

이를 이해하기 위해, 시스템은 영리하고 단계적인 탐정 과정을 사용합니다. 먼저, 분산된 귀들(액세스 포인트)은 직교 매칭 추적(Orthogonal Matching Pursuit, OMP) 기법을 사용하여 스포트라이트처럼 작동하며, 어떤 장치가 활성화되어 있고 어디에 있는지 파악하기 위해 가장 큰 '외침'들을 찾아냅니다. 일단 누가 말하고 있는지 알게 되면, 그들은 선형 최소 평균 제곱 오차(Linear Minimum Mean Square Error, LMMSE)라는 수학적 도구를 사용하여 메시지가 소음에 파묻혀 있더라도 메시지를 추측합니다.

여기서 팀워크가 빛을 발합니다. 모든 귀가 혼자서 전체 퍼즐을 풀려고 노력하는 대신, 그들은 각자의 최선의 추측을 중앙의 뇌로 전달합니다. 그러면 뇌는 모든 귀로부터 받은 추측들을 결합하여 더 선명한 그림을 얻고, 메시지를 해독한 후, 순차적 간섭 제거(Successive Interference Cancellation, SIC) 기술을 사용합니다. SIC는 뇌가 "좋아, 저 메시지는 명확하게 들렸으니, 저 메시지를 소음에서 빼내어 남은 것이 무엇인지 확인하겠다"라고 말하는 것과 같습니다. 이를 통해 시스템은 소음의 층을 하나씩 벗겨내어, 그 아래에 있는 더 작은 소리의 장치들을 들을 수 있습니다.

그들이 발견한 것

연구진은 상세한 컴퓨터 시뮬레이션을 사용하여 그들의 아이디어를 테스트했으며, 결과는 매우 인상적이었습니다. 그들은 그들의 새로운 방식이 기존 방식보다 현저히 뛰어나다는 것을 발견했습니다. 실제로, 이 방식은 다른 저복잡도 방식들에 비해 최대 4.5 dB의 성능 향상을 제공합니다. 이를 체감하기 위해 설명하자면, 4.5 dB의 개선은 시끄러운 선풍기 소리 위로 속삭임을 명확하게 들릴 만큼 볼륨을 높이는 것과 같습니다.

아마도 가장 흥ante로운 발견은 그들의 시스템이 얼마나 많은 장치를 수용할 수 있는지일 것입니다. 기존 방식들이 수백 명의 활성 사용자 때문에 어려움을 겪었던 반면, 이 새로운 접근 방식은 특정 설정에서는 최대 1,800명, 다른 설정에서는 1,400명의 활성 사용자를 수용하면서도 높은 신뢰성을 유지할 수 있습니다. 연구팀은 또한 시스템이 어떻게 작동해야 하는지를 예측하는 그들의 수학적 분석이 시뮬레이션 결과와 매우 밀접하게 일치한다는 것을 보여주었으며, 이를 통해 이론이 실제에서도 유효하다는 확신을 주었습니다.

그들은 또한 귀와 뇌가 어떻게 협력할지에 대한 다양한 방법들을 비교했습니다. 놀랍게도, 귀들이 로컬에서 일부 무거운 작업을 수행하게 하고(레벨 2 협력), 그 후 뇌에 최선의 추측만을 전달하는 것이 뇌가 모든 귀로부터 가공되지 않은 오디오를 직접 듣는 것(레벨 4 협력)보다 종종 더 낫다는 것을 발견했습니다. 귀가 먼저 소음을 걸러내는 것이, 특히 군중이 매우 커질 때 전체 팀을 더 효율적이고 정확하게 만든다는 사실이 밝혀졌습니다.

마지막으로, 그들은 벽과 같이 신호를 차단하는 장애물이 생겼을 때 어떤 일이 일어나는지 살펴보았습니다. 이러한 차단 현상에도 불구하고 시스템은 견고함을 유지했으며, 이는 청취 귀들을 넓은 지역에 분산시키는 것이 네트워크를 간섭에 훨씬 더 강하게 만든다는 것을 증명했습니다. 이 논문은 이 새롭고 확장 가능하며 에너지 효율적인 설계가 대규모 장치들을 연결하기 위한 미래의 강력한 후보이며, 수백만 개의 사물들이 동시에 말을 하려고 할 때도 디지털 세계를 연결된 상태로 유지할 수 있는 방법을 제시한다고 결론짓습니다.

기술 요약: 셀 프리 비소스 랜덤 액세스를 위한 트랜시버 설계

문제 정의
본 논문은 6G 및 대규모 기계형 통신(mMTC)의 핵심 사용 사례인 셀 프리 대규모 MIMO(Cell-Free Massive MIMO) 환경에서의 비소스 랜덤 액세스(Unsourced Random Access, URA) 과제를 다룹다. URA에서는 방대한 수의 장치들이 조정 없이 산발적으로 전송하며 공통 코드북을 사용하며, 수신기의 목표는 특정 사용자를 식별하는 것이 아니라 메시지 목록을 복구하는 것이다. 기존의 저복잡도 URA 방식(예: [37])은 셀룰러 또는 단일 기지국 설정에는 존재하지만, 대규모 페이딩 시나리오에서 확장성과 에너지 효율성이 제한적인 경우가 많다. 구체적으로, 기존의 셀 프리 URA 방식(예: [37])은 활성 사용자 수를 제한적으로 지원하며(시뮬레이션에서 최대 약 450명), 에너지 효율이 최적화되지 못하는 문제를 겪는다. 본 논문은 더 높은 수의 활성 사용자(최대 1800명)를 지원하면서도 견고한 성능을 유지할 수 있는 저복잡도, 고에너지 효율 트랜시버를 설계하고자 한다.

방법론
제안된 솔루션은 분산된 액세스 포인트(AP)가 중앙 처리 장치(CPU)로 결과를 보내기 전에 로컬 처리를 수행하는 **레벨 2 협력(Level 2 cooperation)**을 활용하는 확장 가능한 셀 프리 URA 방식이다. 시스템은 다음과 같이 작동한다:

전송 구조: 각 사용자는 두 부분으로 구성된 프레임을 전송한다:
- 파일럿 부분: 메시지 비트의 일부를 기반으로 선택된 공통 비직교 코드북으로부터의 파일럿 시퀀스.
- 데이터 부분: CRC가 포함된 폴라(Polar) 코드워드가 QPSK를 통해 변조되며, 메시지 비트에 의해 결정된 온-오프 분할 다중 접속(On-Off Division Multiple Access, ODMA) 패턴에 따라 데이터 부분에 확산된다. 이 패턴은 구조적 희소성(structured sparsity)을 생성한다.
수신기 처리 (반복 복호화):
- 로컬 처리 (AP에서): 각 AP는 **직교 매칭 추적(Orthogonal Matching Pursuit, OMP)**을 사용하여 결합된 활동 탐지 및 채널 추정을 수행한다. 그 후, 선형 최소 평균 제곱 오차(LMMSE) 해법을 사용하여 전송된 심볼을 추정한다. 확장성을 보장하기 위해, 각 AP는 가장 강한 사용자들의 부분 집합( $K_m$ )만을 탐지한다.
- 중앙 처리 (CPU에서): AP들로부터 온 심볼 추정치들을 각 탐지된 사용자에 대해 결합(평균화)한다. 결합된 심볼들은 CRC 체크와 함께 단일 사용자 폴라 복호화를 거친다.
- 순차적 간섭 제거 (Successive Interference Cancellation, SIC): 성공적으로 복호화된 메시지는 재인코딩 및 변조되어 채널 계수를 재추정하는 데 사용된다. 정밀해진 이 계수들은 수신 신호에서 복호화된 사용자들의 간섭을 제거하는 데 사용되어, 이후 반복 단계에서 남은 사용자들을 탐지할 수 있게 한다.
협력 레벨: 본 논문은 세 가지 레벨을 분석한다:
- 레벨 1: 협력 없음; 각 AP가 독립적으로 복호화함.
- 레벨 2 (제안됨): AP들이 심볼을 추정하여 CPU로 보내 결합함.
- 레벨 4 (중앙 집중형): AP들이 원시 수신 신호를 CPU로 보내 모든 처리를 수행함.

주요 기여

확장 가능한 트랜시버 설계: 본 논문은 ODMA 전송, OMP 기반 탐지, LMMSE 추정 및 SIC를 활용하는 방식을 제안한다. 이는 단일 안테나 AP 시나리오에서 최대 1800명, 다중 안테나 시나리오에서 1400명의 활성 사용자를 지원할 수 있음을 입증하며, 이는 기존 CEFURA [37] 방식의 용량을 크게 상회한다.
성능 이득: 수치 결과에 따르면, 제안된 방식은 단일 안테나 AP 시나리오에서 [37]의 베이스라인보다 최대 9 dB, 다중 안테나 AP 시나리오에서 5 dB 더 우수한 성능을 보인다. 또한, 사용자당 오류 확률(Per-User Probability of Error, PUPE)을 베이스라인 대비 두 자릿수 낮춘다.
유한 블록 길이(Finite Blocklength, FBL) 분석: 저자들은 채널 실현 상태에 따른 PUPE의 폐쇄형 표현식을 유도하였다. 이는 폴라 복호기 입력에서의 신호 대 간섭 및 잡음비(SINR)를 계산하고 정규 근사를 적용함으로써 달성되었다. 이 분석은 시스템 성능을 정확하게 특징짓는 것으로 검증되었다.
협력 레벨 비교: 연구 결과, 레벨 2 협력이 완전히 중앙 집중화된 레벨 4 방식보다 종종 더 우수한 성능을 보임을 밝혀냈다. 저자들은 이를 중앙 집중식의 모든 사용자 동시 탐지가 활동 탐지 성능을 저하시키는 반면, AP에서의 로컬 탐지(레벨 2)가 더 나은 활동 탐지 정확도를 제공하기 때문이라고 설명한다.
복잡도 분석: 상세한 복잡도 분석을 통해 제안된 방식이 저복잡도임을 확인하였다. 구체적으로 심볼 추정 복잡도는 $O(n_d M_r K_m)$ 이며, 이는 베이스라인 방식인 [37]의 $O(L^3 M_r^3 n_d)$ 복잡도(여기서 $L$ 은 확산 시퀀스 길이)보다 현저히 낮다.

수치 결과

사용자 용량: 시스템은 목표 PUPE 0.05를 유지하면서 베이스라인 CEFURA 방식의 450명과 비교하여 최대 1800명의 활성 사용자를 지원한다 ( $M=100, M_r=1$ ).
에너지 효율: 제안된 방식은 목표 PUPE를 달성하기 위해 단일 안테나 AP 시나리오( $M=100, M_r=1$ )에서 CEFURA보다 최대 4.5 dB 적은 $E_b/N_0$ 를 필요로 하며, 다중 안테나 AP 시나리오( $M=49, M_r=2$ )에서는 1.5 dB 적게 필요하다.
ODMA vs. 슬롯형 전송: 높은 사용자 부하( $K_a=800$ ) 하에서, ODMA 기반 방식은 최신 슬롯형 전송보다 PUPE $10^{-2}$ 지점에서 약 8 dB 더 우수한 성능을 보인다.
강건성: 시스템은 안테나가 분산되어 있을 때 대규모 페이딩에 대한 강건성을 보여준다. 또한, 차단(사용자가 특정 AP로부터 차단됨)으로 인한 성능 저하는 높은 $E_b/N_0$ 에서 더 덜 두드러진다.
분석적 정확도: FBL 분석 결과는 몬테카를로 시뮬레이션 결과와 매우 잘 일치하며, PUPE $10^{-2}$ 에서 성능 차이는 약 5 dB에 불과하다.

의의 및 주장
본 논문은 제안된 셀 프리 URA 방식이 6G의 대규모 연결성을 위한 우수하고, 저복잡도이며, 에너지 효율적인 솔루션을 제공한다고 주장한다. ODMA와 레벨 2 협력 구조를 결합함으로써, 이 방식은 사용자 용량 및 에너지 효율성과 관련된 기존 접근 방식의 한계를 효과적으로 완화한다. 저자들은 자신들의 FBL 분석이 시스템 성능을 적절히 특징지어 설계에 대한 신뢰할 수 있는 이론적 토대를 제공한다고 강조한다. 본 연구는 대규모 랜덤 액세스 시나리오에서 프로세싱을 분산시키는 것(레벨 2)이 완전한 중앙 집중화(레벨 4)보다 더 효과적일 수 있음을 보여준다. 마지막으로, 현재의 연구는 동기화된 설정을 가정하고 있으나, 비동기 시나리오로의 확장 또한 향후 연구 방향임을 명시하며 마무리한다.

새로운 청취 전략

그들이 발견한 것

유사한 논문