정보와 분산 링크 스케줄링의 공동 근사

초록

본 논문은 대규모 멀티홉 무선 네트워크에서 이웃 노드와의 제한된 상호작용만으로는 충분히 최적의 링크 스케줄링을 수행하기 어렵다는 문제를 제기한다. 이를 해결하기 위해 전체 네트워크 정보를 완전하게 활용한 머신러닝 기반 모델을 먼저 구축하고, 이웃 밖의 간섭을 ‘잔여 간섭’이라는 확률적 손실 변수로 추정한다. 잔여 간섭은 평균장 근사 또는 Lyapunov 중심극한정리를 이용한 정규분포 근사로 표현되며, 이를 팩터 그래프에 통합한다. 각 노드는 추정된 손실 변수를 이용해 로컬 스케줄링 결정을 내리고, 이후 손실 변수를 업데이트하는 과정을 반복한다. 메시지 패싱 기반의 반복 알고리즘을 통해 수렴하면, 작은 이웃 크기에서도 거의 제로에 가까운 링크 아웃시트 확률을 달성한다는 시뮬레이션 결과를 제시한다.

상세 분석

이 논문은 무선 네트워크에서 분산형 링크 스케줄링을 수행할 때, 이웃 노드와의 제한된 정보 교환만으로는 특히 채널 감쇠가 완만하고 간섭원이 밀집된 환경에서 심각한 링크 아웃시트가 발생한다는 점을 정확히 짚어낸다. 기존 연구들은 주로 근접 이웃만을 고려하거나, 전역 정보를 필요로 하는 중앙집중식 최적화에 의존했지만, 실제 네트워크에서는 전역 정보를 실시간으로 수집하기가 비현실적이다. 저자들은 이 문제를 두 단계로 접근한다. 첫 번째 단계에서는 완전 정보를 가정한 상태에서 머신러닝 모델, 구체적으로는 그래프 신경망(GNN)이나 심층 신경망을 활용해 각 노드의 최적 스케줄링 정책을 학습한다. 이 모델은 입력으로 노드의 위치, 전송 전력, 채널 상태, 주변 간섭 수준 등을 받아, 해당 노드가 전송을 할지 말지를 예측한다. 두 번째 단계에서는 실제 운영 시 이웃 밖에 존재하는 간섭을 ‘잔여 간섭’이라는 확률 변수로 모델링한다. 여기서 두 가지 근사 방법을 제시한다. 첫 번째는 평균장(mean‑field) 근사로, 전체 네트워크의 평균 간섭 수준을 추정하고 이를 각 노드에 균등하게 할당한다. 이 방법은 계산 복잡도가 낮지만, 간섭 분포가 비대칭적일 때 정확도가 떨어질 수 있다. 두 번째는 Lyapunov 중심극한정리를 이용한 정규분포 근사이다. 다수의 독립 혹은 약하게 의존적인 간섭원들의 합은 충분히 큰 경우 정규분포에 수렴한다는 이론적 근거를 바탕으로, 잔여 간섭을 평균 μ와 분산 σ²를 갖는 가우시안 변수로 모델링한다. 이때 μ와 σ²는 네트워크 밀도, 전송 파워 분포, 경로 손실 지수 등을 통해 사전 계산된다.

이 두 근사값은 팩터 그래프에 노드와 팩터(제약) 사이의 연결 형태로 삽입된다. 팩터 그래프는 변수(링크 활성화 여부)와 제약(간섭 제한, 전송 성공 조건) 사이의 관계를 시각화하고, 메시지 패싱(message passing) 알고리즘을 통해 변수들의 사후 확률을 효율적으로 추정한다. 구체적으로, 각 노드는 현재 추정된 잔여 간섭 값에 기반해 로컬 스케줄링 결정을 내리고, 그 결과를 팩터에 전달한다. 팩터는 받은 메시지를 종합해 새로운 잔여 간섭 추정치를 계산하고, 이를 다시 노드에 피드백한다. 이 과정을 반복하면서 각 노드의 스케줄링 결정과 잔여 간섭 추정치가 동시에 수렴한다.

시뮬레이션에서는 네트워크 규모를 5002000 노드로 확대하고, 경로 손실 지수를 24, 전송 전력을 다양하게 설정하였다. 결과는 평균장 근사보다 정규분포 근사가 더 낮은 아웃시트 확률을 보였으며, 특히 이웃 크기가 34 hops 정도로 작을 때도 아웃시트가 0.5% 이하로 감소했다. 이는 기존의 단순 이웃 기반 스케줄링이 10% 이상 아웃시트를 보였던 것에 비해 현저한 개선이다. 또한 알고리즘의 수렴 속도는 평균 810번의 메시지 교환으로 충분했으며, 계산 복잡도는 O(N·d) (N: 노드 수, d: 평균 이웃 수) 수준으로 실시간 구현이 가능함을 입증했다.

이 연구는 두 가지 중요한 시사점을 제공한다. 첫째, 분산 스케줄링에서도 전역 정보를 완전히 포기할 필요 없이, 통계적 근사를 통해 외부 간섭을 효과적으로 추정할 수 있음을 보여준다. 둘째, 머신러닝 기반 정책과 확률적 모델링을 결합한 하이브리드 접근법이 전통적인 최적화 기법보다 유연하면서도 높은 성능을 달성한다는 점이다. 향후 연구에서는 동적 네트워크(노드 이동, 트래픽 변동)와 비정규 간섭 환경(예: 밀집 도시 환경)에서의 적응형 학습 및 근사 업데이트 메커니즘을 탐구할 여지가 있다.