Temporal portfolio stress-testing for candidate 5G upgrades under future operational burden

기술 요약: 후보 5G 업그레이드를 위한 시계열 포트폴리오 스트레스 테스트

문제 정의
모바일 사업자들은 고정된 예산 제약 하에서 기존 매크로 사이트 중 어떤 것을 5G로 업그레이드할지 선택해야 하는 점진적인 과제에 직면해 있다. 이 결정은 여러 가지 상충하는 목표들, 즉 미래의 운영 부담(트래픽, 백플로우, 사용자 도달 범위) 확보, 관할 구역 간의 지역적 형평성 보장, 공간적 중복성 관리, 그리고 엔지니어링 복잡성을 균형 있게 고려할 것을 요구한다. 기존의 우선순위 지정 방식은 흔히 두 가지 결정적인 결함을 가진다:

1. 시계열적 혼란(Temporal Confounding): 많은 연구가 동일한 기간을 사용하여 순위를 구성하고 평가(횡단면 분석)함으로써, 미래의 운영 상태를 예측하는 능력보다는 내부적 일관성만을 측정한다.
2. 선호 불확실성(Preference Uncertainty): 다기준 의사결정(MCDM)에서의 단일 고정 가중치 벡터는 어떤 목표(예: 상업적 트래픽 완화 vs 공공 서비스 커버리지)를 우선시해야 하는지에 대한 불확실성을 은폐한다.

또한, 특정 사이트의 높은 미래 부담이 반드시 업그레이드 시 비례적인 처리량이나 수익 증대로 이어진다는 인과 관계를 의미하지는 않는다. 본 연구의 목적은 엄격하게 미래 부하 신호를 기반으로 엔지니어링 검토를 위한 후보지를 식별하는 것이지, 업그레이드 후의 인과적 결과를 추정하는 것이 아니다.

방법론
저자들은 16개 도시, 14,129개의 물리적 매크로 사이트로 구성된 한 성(province)의 모바일 네트워크 데이터를 사용하여 시계열 포트폴리오 스트레스 테스트 프레임워크를 제안한다.

• 데이터 및 시계열 분리: 본 연구는 두 개의 월간 스냅샷을 활용한다. 12월 데이터는 결정 시점의 입력값(특징량)으로 사용되며, 1월 데이터는 미래 평가 대상(그라운드 트루스)으로 사용된다. 이러한 엄격한 분리는 데이터 누수(data leakage)를 방지하고 의사결정 규칙의 전이 가능성을 테스트한다.
• 부담(Burden) 정의: 12월의 세 가지 특징량(사용자 도달 범위, 5G 백플로우 트래픽, 평균 사이트 트래픽)의 경험적 백분위수를 사용하여 복합 운영 부담 지표를 구축한다. '높은 4G/5G 없음' 발생일도 분석되었으나, 낮은 시계열 지속성으로 인해 주요 타겟에서는 제외되었다.
• 예측: 미래의 부담은 머신러닝(Elastic Net, Random Forest, Gradient Boosting)을 사용하여 모델링하며, 도시별 그룹 교차 검증(GroupKFold)을 적용한다. 이는 모델이 훈련 과정에서 해당 도시의 1월 데이터를 관찰하지 않고도 해당 도시의 1월 결과를 예측하도록 보장한다.
• 포트폴리오 구성:
  • 베이스라인: 원시 백플로우 순위, 동일 가중치 스코어링, 엔트로피-TOPSIS, 그리고 예측 전용 순위를 포함한다.
  • 강건한 스코어링(Robust Scoring): 대칭 디리클레 분포(symmetric Dirichlet distribution)에서 1,000개의 가중치 벡터를 샘플링하여, 가능한 선호 시나리오 전반에서 유틸리티 변동이 큰 사이트에 페널티를 부여하는 강건한 선호도 점수를 생성한다.
  • 순차적 선택: 다음을 결합한 한계 가치 함수를 최대화하는 그리디(greedy) 알고리즘을 통해 포트폴리오를 구성한다:
    1. 강건한 수요 유틸리티.
    2. 로컬 중복성 페널티 (3km 거리에 따른 지수적 감소).
    3. 지역적 부족 보너스 (16개 모든 도시에 대한 대표성 확보).
    4. 엔지니어링 복잡성 페널티 (사이트당 고유 셀 레코드 수 기반).
• 평가 지표: 효율성은 1월 총 복합 부담 점유율로 측정한다. 형평성은 도시 서비스 비율의 Jain 지수로 측정한다. 공간적 중복성은 평균 최근접 이웃 거리를 통해 평가한다. 엔지니어링 복잡성은 관련 셀 레코드의 총 개수를 통해 감사한다.

주요 결과

• 시계열 지속성: 5G 백플로우는 월간 높은 지속성(Spearman $\rho$ = 0.968)을 보인 반면, '높은 4G/5G 없음' 발생일은 불안정했다($\rho$ = 0.252).
• 예측 정확도: Gradient Boosting 모델은 강력한 도시 홀드아웃 성능($R^2$ = 0.847, Spearman $\rho$ = 0.911)을 달성하여, 12월의 특징량이 1월의 부담을 효과적으로 예측함을 확인했다.
• 점수 포화(Score Saturation): 100개 사이트 예산 기준, "예측 전용" 순위는 전체 1월 부담의 1.349%를 포착했다. 제약 조건이 적용된 포트폴리오(공간-형평성 및 엔지니어링 인지형)는 각각 1.334%와 1.333%를 포착했다. 미래 부담 포착량의 차이는 미미했으며(<0.02 퍼센트 포인트), 통계적 검정(paired sign-flip) 결과 효율성 손실은 유의미하지 않았다.
• 형평성 및 다양성 이득: 유사한 효율성에도 불구하고, 제약된 포트폴리오는 실질적으로 다른 엔지니어링 목록을 생성했다:
  • 도시 대표성: 예측 전용 순위는 9개 도시에만 사이트를 배치했으나, 공간-형평성 강건 포트폴리오는 16개 도시 전체를 대표했다.
  • 형평성 지수: Jain 지수는 0.397(예측 전용)에서 0.967(강건 포트폴리오)로 개선되었다.
  • 공간적 도달 범위: 평균 최근접 이웃 거리가 18.1km에서 28.7km로 증가하여 지리적 클러스터링을 감소시켰다.
  • 교체율(Turnover): 강건 포트폴리오는 예측 전용 베이스라인이 선택한 사이트의 50%를 대체했다.
• 엔지니어링 복잡성: (셀 개수에 페널티를 주는) 엔지니어링 인지형 확장을 적용했을 때, 예측 전용 포착량의 98.6%를 유지하면서도 선택된 셀 레코드를 217개에서 193개로 줄였으며 높은 형평성(Jain = 0.946)을 유지했다.

의의 및 주장
본 논문은 다음과 같은 완만하지만 운영상 유의미한 발견, 즉 **점수 포화(score saturation)**를 주장한다: 시계열 예측이 강력할 때, 순수하게 예측 점수만을 최적화하여 얻는 미래 부담 포착의 한계 이득은 최소화된다. 따라서 운영자는 미래의 운영 부담을 포착한다는 일차적 목표를 실질적으로 희생하지 않으면서도 지역 형평성, 공간적 다양성 및 엔지니어링 복잡성을 위한 제약 조건을 부과할 수 있다.

이 프레임워크는 초점을 "완벽한" 최적화 도구를 찾는 것에서 투명한 스크리닝 계층을 만드는 것으로 전환한다. 이는 다음을 입증한다:

1. 시계열 홀드아웃은 기술적 지표와 실제 배포 가능한 의사결정 규칙을 구분하는 데 필수적이다.
2. 다목적 제약 조건(형평성, 중복성, 복잡성)은 '포착' 지표 자체가 평탄하게 유지되더라도 엔지니어링 목록을 더 균형 있고 관리 가능한 방향으로 재조정할 수 있다.
3. 이 접근법은 인과적 업그레이드 혜택(처리량/수익)을 추정하는 것이 아니라, 미래의 운영 압력 하에서 엔지니어링 검토를 위한 후보를 선정하는 강건한 방법을 제공한다.

본 연구는 이 프레임워크가 비용, 커버리지 및 업그레이드 후 결과에 대한 더 풍부한 데이터가 확보되어 완전한 네트워크 최적화가 이루어지기 전까지, 후보 선별 계층으로서 적합하다고 결론짓는다.