LTE 간섭 완화를 위한 자동 트러블슈팅 통계학습 방법

초록

본 논문은 LTE 네트워크에서 성능 저하 셀을 대상으로 오프라인 자동 힐링을 구현한다. KPI와 RRM 파라미터 사이의 함수 관계를 로지스틱 회귀로 추정하고, 이를 제약 최적화 엔진에 전달해 새로운 파라미터 값을 제안한다. 소수의 반복만으로 수렴하므로 실시간 적용이 어려운 오프라인 환경에 적합하다. 적용 사례로 소프트‑주파수 재사용 기반 ICIC를 복구했으며, 시뮬레이션을 통해 성능 향상을 입증한다.

상세 분석

이 연구는 무선 네트워크 운영에서 빈번히 발생하는 ‘셀 간 간섭’ 문제를 자동화된 방식으로 해결하고자 하는 시도이다. 핵심 아이디어는 두 단계로 구성된다. 첫 번째 단계는 통계학습을 통해 KPI(예: PRB 사용률, 핸드오버 성공률, 블록률 등)와 RRM 파라미터(예: 전송 전력, 재사용 계수, 스케줄링 우선순위) 사이의 비선형 관계를 모델링하는 것이다. 여기서는 로지스틱 회귀(LR)를 선택했는데, LR은 이진 혹은 다중 클래스 KPI를 확률 형태로 표현하면서도 파라미터 추정이 폐쇄형 해를 갖기 때문에 학습 속도가 빠르고 과적합 위험이 낮다. 논문은 각 KPI에 대해 독립적인 LR 모델을 구축하고, 모델의 회귀 계수를 통해 KPI 변화에 가장 민감한 RRM 파라미터를 식별한다.

두 번째 단계는 앞서 얻은 함수식들을 제약식으로 변환하여 최적화 문제를 정의한다. 목적함수는 목표 KPI(예: 셀 평균 사용자 Throughput)를 최대화하거나, 특정 KPI(예: 블록률)를 최소화하도록 설계된다. 동시에 파라미터 물리적 한계(전력 상한, 재사용 비율 범위 등)와 네트워크 전체 균형을 유지하기 위한 제약조건이 포함된다. 이때 사용된 최적화 기법은 선형/비선형 혼합 정수 계획법이며, 초기값을 LR 모델이 제시한 ‘가장 유망한’ 파라미터 집합으로 설정함으로써 수렴 속도를 크게 단축한다.

실험에서는 소프트‑주파수 재사용 기반 ICIC 시나리오에 적용하였다. 기존 ICIC는 고정된 재사용 계수를 사용해 셀 경계에서 간섭을 완화했지만, 트래픽 변동에 따라 비효율이 발생한다. 제안 방법은 트래픽 상황에 맞춰 재사용 계수와 전송 전력을 동적으로 조정한다. 시뮬레이션 결과, 평균 셀 Throughput이 약 15 % 상승하고, 블록률이 30 % 이상 감소하는 등 눈에 띄는 개선을 보였다. 또한, 평균 4~5회의 반복만으로 수렴했으며, 이는 기존 힐링 루프가 수십 회에 달하던 것에 비해 현저히 적은 횟수이다.

핵심 인사이트는 (1) 로지스틱 회귀가 복잡한 무선 환경에서도 충분히 정확한 KPI‑파라미터 매핑을 제공한다는 점, (2) 학습된 모델을 초기값으로 활용하면 제약 최적화의 탐색 공간을 크게 축소시켜 빠른 수렴을 가능하게 한다는 점이다. 한계로는 LR이 선형 결정 경계를 가정하므로 매우 비선형 관계가 강한 경우 모델 정확도가 떨어질 수 있다는 점이며, 향후 딥러닝 기반 비선형 모델과의 비교가 필요하다.