A Hybrid Machine Learning Approach for Predictive Handover Management in 5G mmWave Networks Using the ACPT-LB Framework

현대 통신의 보이지 않는 고속도로에서 데이터는 무선 전파의 형태로 이동하며, 사용자가 이동함에 따라 한 타워에서 다른 타워로 끊임없이 도약해야 합니다. 핸드오버(handover)라고 알려진 이 과정은 사용자가 명확한 신호를 유지하기 위해 전화기가 다음 셀 사이트(cell site)로 연결을 전환하는 순간을 의미합니다. 엄청나게 빠른 속도를 전달하기 위해 초고주파를 사용하는 최신 세대의 무선 네트워크에서는 이러한 도약이 훨씬 더 빈번하게 발생하며 훨씬 더 큰 어려움을 수반합니다. 이 파동은 매우 짧아서 모퉁이를 돌거나 벽, 나뭇잎, 심지 even 인체를 통과하지 못합니다. 결과적으로, 무언가가 경로를 가로막으면 연결이 순식간에 사라질 수 있으며, 이는 네트워크가 즉시 새로운 타워를 찾아내도록 강요합니다. 만약 네트워크가 전환을 너무 오래 기다리면 통화가 끊기고, 너무 자주 혹은 잘못된 타워로 전환하면 연결이 끊기거나 에너지를 낭비하게 됩니다. 수년 동안 엔지니어들은 이러한 문제들이 발생한 후에야 반응하여, 끊어진 링크를 복구하거나 사용자가 두 타워 사이를 왔다 갔다 하는 현상을 막으려는 시스템을 구축해 왔습니다. 과제는 이러한 반응적인 상태에서 벗어나, 네트워크가 문제를 예견하고 사용자가 결함을 인지하기도 전에 이를 해결할 수 있는 선제적인 상태로 이동하는 것이었습니다.

나이지리아 아쿠레 소재의 연방 기술 대학교(The Federal University of Technology in Akure)의 연구진은 PACPT-LB라고 불리는 새로운 시스템을 개발함으로써 이 목표를 향한 중요한 진전을 이루었습니다. 이 프레임워크는 이미 타워 간의 협력을 통해 사용자를 분산시키는 데 도움을 주었던 기존 방식인 ACPT-LB를 기반으로 구축되었습니다. 새로운 추가 사항은 그 토대 위에 머신러닝 파이프라인을 계층화한 것으로, 네트워크가 세 가지 특정 유형의 문제, 즉 핸드오버 실패, 연결이 완전히 끊기는 무선 링크 실패, 그리고 사용자가 두 타워 사이를 반복적으로 오가게 되는 '핑퐁(ping-pong)' 현상을 발생하기 전에 예측할 수 있도록 합니다. 이 시스템을 학습시키기 위해 연구진은 지저분하거나 불완전할 수 있는 실제 전화 데이터를 사용하는 대신, 특수 소프트웨어를 사용하여 5G 네트워크의 거대하고 정교한 시뮬레이션을 생성했습니다. 그들은 이 가상 도시 안에 183개의 셀 타워를 배치하고, 느린 걸음부터 시속 160km에 이르는 다양한 속도로 이동하는 최대 500명의 사용자를 시뮬레이션했습니다. 실험 과정에서 그들은 모든 신호 변동, 모든 차단, 그리고 네트워크가 내린 모든 결정을 포착하는 약 2,700만 개의 레코드를 포함하는 데이터셋을 생성했습니다.

그들 작업의 핵심은 이 방대한 데이터의 바다 속에서 패턴을 인식하도록 컴퓨터 모델을 훈련하는 것이었습니다. 그들은 일련의 규칙을 따르는 단순한 결정 트리(decision trees), 확률을 계산하는 확률 모델(probabilistic models), 그리고 직선적 관계를 찾는 선형 모델(linear models)을 포함한 여러 가지 알고리즘을 테스트했습니다. 또한 알고리즘들을 하이브리드 팀으로 결합하여 협업이 정확도를 높일 수 있는지 확인했습니다. 연구진은 네트워크의 동작이 균일하지 않으며, 최선의 접근 방식은 예측하려는 구체적인 문제에 따라 전적으로 달라진다는 것을 발견했습니다. 핸드오버 실패를 예측하는 데 있어서는 결정 트리와 확률 모델의 조합이 가장 신뢰할 수 있는 것으로 나타났으며, 해당 문제를 거의 98.5%의 확률로 정확히 식별해 냈습니다. 연결의 완전한 상실을 예측하는 데 있어서는 결정 트리 단독 모델이 가장 우수한 성능을 보이며 98% 이상의 성공률을 달ей 했습니다. 아마도 가장 놀라운 점은, '핑퐁' 문제의 경우 단순한 확률 모델 하나만으로도 많은 시나리오에서 완벽한 정확도로 사건을 예측할 수 있었다는 것인데, 이는 사용자가 타워 사이를 오가게 만드는 조건들이 뚜렷하고 식별하기 쉽기 때문입니다.

본 연구는 더 복잡한 모델이 항상 더 낫다는 아이디어를 명시적으로 배제했습니다. 연구진은 세 가지 서로 다른 알고리즘의 하이브리드 조합을 테스트했지만, 모델을 팀에 더 많이 추가한다고 해서 반드시 결과가 개선되는 것은 아니라는 사실을 발견했습니다. 실제로 무선 링크 실패를 예측할 때는 모델을 결합하는 것이 단일 최적 모델을 사용하는 것보다 예측 성능을 약간 저하시키기도 했습니다. 이는 개별 알고리즘의 품질이 팀의 규모보다 더 중요하다는 것을 시사합니다. 또한 연구진은 사용자의 속도가 학습 능력에 결정적인 역할을 한다는 것을 발견했습니다. 모델은 사용자가 걷고 있는지, 도시 속도로 운전 중인지, 혹은 고속도로 속도로 이동 중인지에 따라 다르게 작동했으며, 이는 하나의 정적인 규칙이 이 모든 조건을 관리할 수 없음을 나타냅니다. 시스템은 고속 주행 시에는 네트워크가 더 빠르게 움직여야 하고, 저속 주행 시에는 더 오래 기다릴 수 있다는 것을 학습했으며, 머신러닝 모델은 이러한 변화하는 역학 관계에 성공적으로 적응했습니다.

이 연구의 가장 중요한 발견 중 하나는 시뮬레이션 자체의 타당성을 입증한 것입니다. 머신러닝을 시작하기 전, 연구진은 자신들의 가상 세계가 실제 네트워크처럼 작동하는지 증명해야 했습니다. 그들은 연결이 얼마나 자주 성공하는지, 사용자가 얼마나 자주 타워 사이를 오가는지, 그리고 링크가 얼마나 안정적으로 유지되는지를 측정했습니다. 결과에 따르면, 시스템이 완벽하지는 않았지만 사용자 수와 속도에 따라 논리적으로 변화하는 현실적인 실패와 성공 패턴을 생성했습니다. 이 현실성은 매우 중요했습니다. 만약 시뮬레이션이 너무 완벽했다면, 머신러닝 모델은 학습할 수 있는 어려운 사례들을 얻지 못했을 것이기 때문입니다. 시뮬레이션이 의도적으로 다양한 결과를 생성하도록 함으로써, 연구진은 모델이 무선 통신의 복잡한 현실을 반영하는 데이터로 훈련되도록 보장했습니다. 최종 결과물은 현재의 네트워크 상태를 살펴보고 연결이 실패할 것인지, 사용자가 루프에 갇힐 것인지, 혹은 핸드오버가 잘못될 가능성이 있는지 높은 확신을 가지고 예측할 수 있는 프레임워크입니다.

이 연구는 무선 네트워킹의 모든 문제를 해결했다고 주장하거나, 이 모델들이 아직 실제 하드웨어에서 작동한다고 주장하는 것이 아닙니다. 결과는 전적으로 시뮬레이션에 기반하고 있으며, 연구진은 예측 불가능한 트래픽 패턴이나 하드웨어 지연과 같은 실제 세계의 요인들이 결과를 바꿀 수 있음을 인정합니다. 또한 그들은 세 가지 특정 유형의 알고리즘만을 테스트했으므로, 더 복잡한 모델이 훨씬 더 나은 성능을 낼 가능성이 열려 있음을 언급했습니다. 그러나 본 연구는 반응적인 네트워크 관리에서 선제적인 예측으로 나아가는 명확한 로드맵을 제공합니다. 하이브리드 접근 방식이 다양한 속도와 사용자 밀도 전반에서 높은 정확도로 실패를 예견할 수 있음을 입증함으로써, 연구진은 네트워크가 사용자의 통화가 끊기기 전에 스스로를 수정하는 법을 곧 배울 수 있음을 보여주었습니다. 앞으로의 과제는 이러한 예측을 물리적 테스트베드에서 테스트하고 더욱 복잡한 실제 시나리오를 처리할 수 있도록 모델을 정교화하는 것이지만, 더 똑똑하고 선제적인 5G 네트워크를 위한 토대는 확고히 마련되었습니다.