다중셀 시스템에서의 공동 기회적 스케줄링 연구

초록

본 논문은 셀 호흡(Cell Breathing) 기반의 인터셀 간섭 제어와 ARQ 피드백을 활용한 채널 학습을 결합하여, 다중셀 환경에서 부분적인 채널 정보만을 이용한 다중 사용자 스케줄링 문제를 수학적으로 모델링하고 최적 정책을 탐구한다. 문제를 일반화된 Restless Multi‑armed Bandit(RMAB) 형태로 정의하고, 인덱스 가능성(indexability)을 검증함으로써 그레이디(즉시 보상 최대화) 정책과 인덱스 기반 정책 사이의 구조적 관계를 제시한다.

상세 분석

이 논문은 기존 단일셀에서의 기회적 스케줄링 연구를 다중셀 시나리오로 확장함으로써 두 가지 핵심 기술을 융합한다. 첫 번째는 인터셀 간섭을 완화하기 위한 ‘셀 호흡’ 메커니즘이다. 셀 호흡은 인접 셀 간에 전송 전력을 교대로 높이고 낮추어, 멀리 있는(Far) 사용자와 가까운(Near) 사용자가 각각 높은 전력과 낮은 전력으로 서비스를 받게 함으로써 캡처 확률을 균등화한다. 이는 기존의 주파수 재사용 방식이나 CDPA와 달리 시간 축에서 전력 패턴을 리듬처럼 변화시켜, 동일 주파수 대역을 공유하면서도 간섭을 효과적으로 억제한다.

두 번째는 ARQ 기반 채널 학습이다. 각 사용자는 패킷 전송 결과를 ACK/NACK 형태로 반환하고, 이 피드백은 인접 셀 간에 즉시 공유된다. 채널은 2‑state Markov 모델(Gilbert‑Elliott)로 가정되며, ‘ON’ 상태에서는 성공적인 전송이, ‘OFF’ 상태에서는 실패가 발생한다. 채널 상태는 시간에 따라 양의 상관성을 가지므로, 과거 ACK/NACK 정보를 이용해 미래 상태를 예측할 수 있다.

논문은 이러한 두 메커니즘을 동시에 고려한 스케줄링을 ‘제어 구간(k)’ 단위의 마코프 결정 과정(MDP)으로 정형화한다. 목표는 전체 시스템의 평균 스루풋을 최대화하는 정책을 찾는 것이며, 제약조건으로는 각 구간마다 정확히 하나의 사용자만 전송하도록 하고, 셀 호흡 규칙을 위반하지 않도록 한다.

핵심 이론적 기여는 문제를 일반화된 Restless Multi‑armed Bandit(RMAB) 형태로 변환한 점이다. 각 사용자는 독립적인 ‘팔(arm)’로 간주되며, 팔의 상태 전이와 보상은 스케줄링 결정에 따라 달라진다. RMAB 이론에서 최적 정책을 직접 구하기는 NP‑hard하지만, ‘인덱스 가능성(indexability)’이 성립하면 Whittle 인덱스를 이용한 근사 정책이 효율적으로 적용될 수 있다. 저자는 수치 실험을 통해 다중셀 다중사용자 스케줄링 문제가 인덱스 가능함을 확인하고, 인덱스 정책과 그레이디 정책 사이에 부분적인 구조적 일치를 보인다. 특히, 전력 레벨이 두 가지(P1>P2)로 제한된 셀 호흡 상황에서, 인덱스 값이 높은 사용자(채널이 ‘ON’에 가까운 사용자)를 우선 선택하는 것이 그레이디 정책과 동일한 선택을 만든다.

또한 논문은 비대칭 셀 협력, 호흡 패턴 제한, 완전 협력 등 다양한 시나리오를 분석한다. 비대칭 경우에는 각 셀의 전력 제한이 다를 수 있기에 인덱스 계산에 셀별 가중치를 부여한다. 호흡 패턴 제한(예: 일정 주기 내에 Near‑Far‑Near 순서 유지)에서는 정책이 패턴을 위반하지 않도록 추가 제약을 도입하고, 이를 만족하면서도 인덱스 기반 선택이 가능함을 보인다. 완전 협력 상황에서는 두 셀을 하나의 통합 제어 엔터티로 보고, 전체 시스템의 마코프 상태 공간이 급격히 확대되어 직접 DP 해법이 실용적이지 않다. 따라서 저자는 RMAB 프레임워크를 통해 문제를 분해하고, 인덱스 정책이 근사 최적성을 유지함을 제시한다.

실험 결과는 셀 호흡과 ARQ 기반 학습을 결합한 정책이 전통적인 고정 전력·고정 스케줄링 대비 평균 스루풋을 15~30% 향상시킨다는 것을 보여준다. 특히 채널 상관도가 높을수록(즉, p≫r) 그레이디 정책과 인덱스 정책 간 차이가 감소하여, 단순 그레이디 정책도 거의 최적에 근접함을 확인한다.

요약하면, 이 논문은 (1) 셀 호흡을 통한 인터셀 간섭 제어, (2) ARQ 피드백을 이용한 저오버헤드 채널 학습, (3) RMAB 이론을 적용한 인덱스 가능성 분석이라는 세 축을 결합함으로써, 다중셀 환경에서 실용적인 기회적 스케줄링 프레임워크를 제시한다.