⚡ electrical engineering

Adaptive Threshold Optimization for Energy Detection-Based Spectrum Sensing in Cognitive Radio Networks Using Swarm Intelligence

본 연구는 인공 벌 군집 알고리즘(Artificial Bee Colony)과 반딧불이 알고리즘(Firefly Algorithms)을 구체적으로 비교함으로써, 군집 지능 기반의 적응형 임계값 최적화가 기존의 고정 임계값 에너지 탐지 방식과 비교하여 탐지 확률을 높이고 오경보율을 균형 있게 조절함으로써 인지 무선 네트워크에서의 스펙트럼 감지 성능을 유의미하게 향상시킨다는 것을 입증한다.

원저자: Syeda Sundus Zehra, Syed Muhammad Nabeel Mustafa, Muhammad Aamir

게시일 2026-09-08

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Syeda Sundus Zehra, Syed Muhammad Nabeel Mustafa, Muhammad Aamir

원본 논문은 CC BY 4.0 (https://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

우리 주변의 공기는 비상 방송부터 휴대폰 메시지에 이르기까지 모든 것을 실어 나르는 보이지 않는 라디오파로 가득 차 있습니다. 수십 년 동안 이 파동들은 엄격하게 차선이 나뉘어 왔으며, 텔레비전 방송국과 같은 허가된 사용자들을 위해 예약된 차선이 있는 반면, 다른 이들을 위해 개방된 차선도 존재해 왔습니다. 이 경직된 시스템은 효과적이긴 하지만, 점점 더 비효율적으로 변하고 있습니다. 연결된 기기의 수가 폭발적으로 증가함에 따라, 개방된 차선은 막히는 반면 많은 예약된 차선은 신호가 오기를 기다리며 비어 있는 상태로 방치되고 있기 때문입니다. 이를 해결하기 위해 엔지니어들은 인지 무선(cognitive radio)이라는 개념을 개발했습니다. 이것은 공기 중의 소리를 듣고, 허가된 사용자가 특정 주파수를 사용하지 않을 때를 감지하여, 간섭을 일으키지 않으면서 그 빈 공간을 일시적으로 빌려 쓸 수 있는 스마트한 라디오입니다. 핵심적인 과제는 바로 '듣는 행위' 자체에 있습니다. 라디오는 조용한 채널과 먼 곳에 있는 사용자로부터 오는 약한 신호를 구별할 수 있어야 합니다. 만약 너무 형편없이 듣는다면 사용자를 놓쳐 충돌을 일으킬 것이고, 너무 조심스럽게 듣는다면 귀중한 빈 공간을 낭비하게 될 것입니다.

최근 한 연구에서 연구자들은 이러한 스마트 라디오가 어떻게 더 잘 들을 수 있을지를 개선하는 데 집중했습니다. 그들은 신호의 유무를 결정하기 위해 단순히 신호의 전력을 측정하는 에너지 탐지(energy detection)라는 흔한 방식에 주목했습니다. 이 전통적인 방식의 문제는 결정을 내릴 때 단일 숫자로 설정된 볼륨 조절기처럼 고정된 규칙을 사용한다는 점입니다. 신호가 사라지고 노이즈가 변하는 세상에서, 고정된 규칙은 종종 실패하기 마련입니다. 이를 해결하기 위해 연구팀은 컴퓨터 과학의 한 분야인 군집 지능(swarm intelligence)으로 눈을 돌렸습니다. 이 접근 방식은 꿀벌이나 반딧불이와 같은 단순한 생명체들이 중앙의 리더 없이 어떻게 협력하여 문제에 대한 최적의 해결책을 찾아내는지 모방합니다. 연구진은 두 가지 구체적인 방법을 테스트했는데, 하나는 꿀벌이 꽃을 찾는 방식에서 영감을 얻은 것이고, 다른 하나는 반딧불이가 짝을 유혹하기 위해 빛을 내는 방식에 기반한 것입니다. 그들은 가상의 에이전트 집단이 완벽한 청취 규칙을 검색하도록 하는 것이 기존의 고정된 방식보다 더 효과적일지 확인하고자 했습니다.

연구팀은 수천 개의 기록된 신호와 일차 사용자의 존재 여부에 대한 정답을 포함한 방대한 양의 실제 무선 데이터 컬렉션을 사용하여 실험을 진행했습니다. 그들은 먼저 정적인 임계값을 사용하는 전통적인 방식을 사용하여 기준점을 설정했습니다. 이 오래된 방식은 사용자의 존재를 약 23%의 확률로만 정확히 식별해 내며 심각한 어려움을 겪었습니다. 이는 대다수의 신호를 놓쳐 네트워크가 점유된 채널을 인지하지 못하게 만들었습니다. 연구진은 동일한 데이터에 두 가지 군집 지능 알고리즘을 도입했습니다. 단일한 고정 규칙 대신, 알고리즘은 가상의 에이전트 집단을 배치하여 광범위한 가능한 결정 임계값을 탐색하게 했습니다. 각 에이전트는 서로 다른 설정을 테스트하고, 그 결과를 학습하며, 가장 효과적인 값을 찾아가도록 정보를 공유했습니다.

결과는 두 가지 군집 방식 모두 라디오의 신호 탐지 능력을 극적으로 향에게했음을 보여주었습니다. 꿀벌에서 영감을 받은 방식은 탐지율을 평균 약 54%까지 높였고, 반딧불이 방식은 성능이 더 뛰어나 사용자를 약 65%의 확률로 탐지했습니다. 그러나 이러한 민감도 향상은 트레이드오프(trade-off)를 동반했습니다. 라디오가 신호를 더 잘 찾게 되면서, 배경 소음을 실제 사용자로 오인할 가능성도 높아졌습니다. 꿀벌 방식은 약 50%의 오경보율을 보였고, 반딧불이 방식은 약 61%로 약간 더 높았습니다. 이와 대조적으로, 기존의 고정 방식은 오경보율이 약 21%에 불과했지만, 실제 신호를 찾는 데 실패함으로써 동적 네트워크에서는 사실상 무용지물이었습니다. 연구진은 반딧불이 알고리즘이 솔루션을 찾는 속도가 평균 약 9초로, 꿀벌 방식의 약 10초에 비해 약간 더 빠르다는 것을 발견했습니다. 또한 에이전트의 규모를 20명에서 50명으로 늘렸을 때 도움이 되는지도 테스트했습니다. 더 큰 집단이 약간 더 나은 솔루션을 찾아내기는 했지만, 그 개선 정도는 미미했습니다. 이는 더 작고 효율적인 집단이 적은 계산 노력으로도 거의 동일한 결과를 달 수 있음을 시사합니다.

궁극적으로 이 연구는 단순한 에이전트 집단이 최적의 청취 규칙을 검색하도록 하는 것이 경직된 사전 설정 표준을 고수하는 것보다 훨씬 우월하다는 것을 입증합니다. 반딧불이 알고리즘은 순수한 탐지 능력 측면에서 가장 강력한 성능을 보이며, 테스트된 어떤 방식보다 신호를 더 자주 찾아냈습니다. 꿀벌 방식은 오경보를 더 적게 발생시키면서도 전통적인 방식보다 훨씬 뛰어난 성능을 보여 다소 균형 잡힌 성능을 제공했습니다. 연구진은 이러한 군집 기반 기술이 인지 무선을 더욱 적응력 있고 신뢰할 수 있게 만드는 강력한 방법이라고 결론지었습니다. 정적인 규칙을 동적인 집단 기반 탐색으로 대체함으로써, 네트워크는 현대 무선 통신의 혼잡하고 변화하는 환경을 더 잘 헤쳐 나갈 수 있으며, 가장 필요한 사용자들에게 혼란을 주지 않으면서 귀중한 스펙트럼을 효율적으로 사용할 수 있게 됩니다.

기술 요약: 군집 지능을 이용한 인지 무선 네트워크 내 에너지 탐지 기반 스펙트럼 감지의 적응형 임계값 최적화

문제 정의
인지 무선 네트워크(CRN)는 스펙트럼 부족 문제를 해결하고 차세대 무선 시스템의 저지연, 고신뢰 요구 사항을 충족하는 데 필수적입니다. CRN의 핵심 구성 요소는 일반적으로 에너지 탐지 방법(EDM)을 사용하여 수행되는 스펙트럼 감지입니다. 그러나 전통적인 EDM은 평균 신호 에너지로부터 도출된 고정된 결정 임계값에 의존합니다. 이러한 정적 접근 방식은 노이즈, 채널 페이딩, 섀도잉 및 간섭으로 특징지되는 동적인 무선 환경에서 효과적이지 못합니다. 결과적으로, 고정된 임계값은 특히 탐색 공간이 넓고 신호 조건이 급격히 변하는 밀집된 5G 및 그 이상의 네트워크에서 높은 미탐지율(낮은 탐지 확률, $P_d$ )과 오경보율( $P_f$ )을 포함한 최적이 아닌 성능을 초래합니다. 머신러닝(ML)과 딥러닝(DL)이 이러한 문제를 해결하기 위해 제안되기도 했으나, 이들은 종종 광범위한 학습 데이터와 상당한 계산 자원을 필요로 합니다.

방법론
본 연구는 EDM 기반 스펙트럼 감지의 성능을 향상시키기 위해 군집 지능(SI)을 사용하는 적응형 임계값 최적화 프레임워크를 제안합니다. 본 연구는 두 가지 메타휴리스틱 알고리즘인 인공 벌 군집(ABC) 알고리즘과 반딧불이 알고리즘(FFA)을 비교하는 데 중점을 둡니다.

실험 설정: 실험에는 31개의 특징(수신 신호 전력 $power\_dB$ 및 1차 사용자(PU) 존재 여부 포함)을 포함하는 공개 CASS 스펙트럼 데이터셋이 활용되었습니다. 데이터셋은 전처리 과정을 거쳐 신호 전력을 dB에서 선형 스케일로 변환되었습니다.
최적화 프레임워크:
- 목적 함수: 두 알고리즘 모두 EDM의 결정 임계값( $\lambda$ )을 최적화하는 것을 목표로 합니다. 각 후보 솔루션(임계값)의 적합도는 탐지 확률과 오경보 확률의 균형을 맞추는 복합 탐지 적합도(CDF) 지표를 사용하여 평가되었습니다.
- 알고리즘:
  - ABC: 꿀벌의 먹이 찾기 행동을 모델링하였으며, 데이터셋의 최소 및 최대 선형 전력 값으로 정의된 탐색 공간을 탐색하기 위해 "고용된 벌(employed)", "방관자 벌(onlooker)", "정찰 벌(scout)"을 활용합니다.
  - FFA: 반딧불이의 발광 행동을 모델링하였으며, 반딧불이(후보 임계값)가 매력도와 거리에 따라 더 밝은(높은 적합도를 가진) 반딧불이를 향해 이동합니다.
- 실험 구성: 알고리즘의 견고성과 군집 크기의 영향을 평가하기 위해, 두 알고리즘 모두에 대해 에이전트 수를 20, 30, 50으로 설정한 세 가지 설정을 테스트했습니다. 모든 실행은 최대 50회의 반복 횟수로 제한되었습니다.
- 베이스라인: 최적화된 알고리즘의 성능은 수신 전력의 평균 및 표준 편차( $k=1$ )를 통해 계산된 고정 임계값을 사용하는 전통적인 EDM과 비교되었습니다.

주요 기여

SI 알고리즘의 비교 분석: 본 논문은 다른 SI 기법들에 비해 FFA에 대한 연구가 제한적이었던 CRN 스펙트럼 감지 내 임계값 최적화 분야에서 ABC와 FFA를 직접적으로 비교 평가를 제공합니다.
적응형 임계값 설정: 본 연구는 정적 임계값을 군집 에이전트에 의해 최적화된 데이터 기반의 적응형 임계값으로 대체하는 방법을 입증하며, 이는 광범위한 ML 학습 데이터셋의 필요성을 제거합니다.
매개변수 민감도 조사: 본 연구는 군집 인구 규모(20, 30, 50명의 에이전트)가 탐지 성능 및 최적화 시간에 미치는 영향을 체계적으로 분석하여, 계산 오버헤드와 감지 정확도 사이의 트레이드오프에 대한 통찰을 제공합니다.
다중 퓨전 센터 컨텍스트: 본 방법론은 다수의 퓨전 센터(FC)가 관여하는 CRN 환경 내에서 프레임워크화되어, 효율적이고 국지적인 스펙트럼 감지 결정의 필요성을 다룹니다.

결과
CASS 데이터셋으로부터 도출된 실험 결과는 전통적인 EDM에 비해 유의미한 개선을 나타냅니다:

전통적 EDM: 탐지 확률( $P_d$ ) 22.94%, 오경보 확률( $P_f$ ) **20.82%**를 달성했습니다.
ABC 최적화 EDM:
- 평균 $P_d$ 53.66%, 평균 $P_f$ **50.20%**를 달성했습니다.
- 군집 규모가 커질수록 $P_d$ 는 향상되지만 $P_f$ 또한 증가하는 경향을 보였습니다.
- 평균 최적화 시간은 10.06초였습니다.
FFA 최적화 EDM:
- 평균 $P_d$ 65.03%, 평균 $P_f$ **61.20%**를 달성했습니다.
- ABC보다 높은 탐지 확률을 보였으나, 이는 더 높은 오경보율을 동반했습니다.
- 평균 최적화 시간은 8.92초로, ABC보다 빠른 수렴 속도를 보였습니다.

의의 및 주장
본 논문은 군집 지능이 적응형 스펙트럼 감지를 위한 효과적인 무학습(training-free) 최적화 프레임워크를 제공한다고 주장합니다. 주요 연구 결과는 다음과 같습니다:

성능 향상: 두 SI 알고리즘 모두 전통적인 고정 임계값 EDM을 크게 능가하며, 탐지율을 30 퍼센트 포인트 이상 향상시켰습니다.
트레이드오프 분석: 연구는 두 알고리즘 간의 뚜렷한 트레이드오프를 식별했습니다. ABC 알고리즘은 탐지 확률과 오경보 확률 사이에서 더 균형 잡힌 트레이드오프를 달성하여, 민감도와 신뢰성 사이의 절충이 필요한 시나리오에 더 적합합니다. 반면, FFA 알고리즘은 (더 높은 오경보율에도 불구하고) 더 강력한 탐지 능력( $P_d$ )을 보여주었으며, ABC에 비해 평균 최적화 시간이 짧았습니다.
확장성: 결과는 군집 인구를 20에서 50명으로 늘려도 성능 향상이 미미하다는 것을 시사합니다. 이는 더 작은 군집 규모로도 대등한 탐지 성능을 달{%할 수 있음을 의미하며, 이는 자원이 제한된 CRN 환경에 유익합니다.

저자들은 비록 오경보 측면에서의 개선이 절대적인 수치로는 완만할지라도, 정적 임서값에서 SI로 최적화된 적응형 임계값으로의 전환이 딥러닝 모델의 무거운 계산 부담 없이 동적 스펙트럼 접근을 향상시키기 위한 실행 가능한 전략임을 결론짓습니다. 향후 연구로는 하이브리드 SI 접근 방식 및 적응형 최적화 전략에 대한 탐구가 제안되었습니다.

유사한 논문