대기열 인식 동적 클러스터링과 전력 할당을 위한 분산 학습 기반 네트워크 MIMO 최적화

초록

본 논문은 다운링크 네트워크 MIMO 시스템에서 전역 대기열 상태 정보에 기반한 장기 클러스터링과, 클러스터 내부의 채널·대기열 정보를 동시에 활용하는 단기 전력 할당을 결합한 두 단계 시간 스케일 제어 방식을 제안한다. 이를 무한 수평 평균 비용 제한 부분관측 마코프 결정 과정(CPOMDP)으로 모델링하고, 패턴 선택 Q‑팩터를 이용한 등가 벨만 방정식을 도출한다. 복잡도와 메모리 요구를 완화하기 위해 Q‑팩터를 클러스터별 잠재 함수의 합으로 근사하고, 각 클러스터 매니저와 기지국에서 분산 온라인 학습을 수행한다. 제안 알고리즘은 거의 확실히 수렴함을 증명하고, 대기열 기반 물 흐름 게임을 통해 Nash 균형을 달성한다.

상세 분석

이 연구는 네트워크 MIMO 환경에서 사용자 지연을 최소화하는 동시에 시스템 용량을 극대화하려는 목표를 갖는다. 핵심 아이디어는 제어 결정을 두 개의 시간 스케일로 분리하는 것이다. 장기 스케일에서는 전역 대기열 상태 정보(GQSI)만을 이용해 동적 클러스터링을 수행한다. 이는 BSC가 전체 네트워크의 대기열 분포를 관찰하고, 클러스터 구성을 최적화함으로써 인터클러스터 간 간섭을 구조적으로 감소시키는 역할을 한다. 반면 단기 스케일에서는 각 클러스터 매니저(CM)가 해당 클러스터 내의 채널 상태 정보(CCSI)와 클러스터 대기열 상태 정보(CQSI)를 동시에 활용해 전력 할당을 결정한다. 이렇게 함으로써 순간적인 채널 변동과 대기열 압력 모두를 반영한 세밀한 자원 배분이 가능해진다.

수학적으로는 이 문제를 무한 수평 평균 비용 CPOMDP로 모델링한다. 부분관측 마코프 결정 과정의 특성상 전역 대기열 정보를 완전하게 관측하기 어렵기 때문에, 관측 가능한 GQSI와 CCSI를 기반으로 정책을 설계한다. 저자들은 기존 CPOMDP 해법이 요구하는 고차원 가치 함수의 저장과 연산 부담을 피하기 위해, 패턴 선택 Q‑팩터라는 새로운 가치 지표를 도입한다. 이 Q‑팩터는 특정 클러스터링 패턴을 선택했을 때 기대되는 장기 비용을 나타내며, 벨만 방정식 형태로 재구성된다.

하지만 Q‑팩터 자체도 클러스터 수와 사용자 수가 늘어나면 지수적으로 커진다. 이를 해결하기 위해 Q‑팩터를 “클러스터별 잠재 함수(Per‑cluster Potential)”들의 합으로 근사한다. 각 잠재 함수는 해당 클러스터 내부에서만 정의되므로, 메모리 요구가 선형적으로 감소한다. 더 나아가, 클러스터 내부의 사용자별 대기열 구조가 birth‑death 프로세스를 따른다는 점을 이용해 잠재 함수를 “클러스터‑사용자 잠재 함수”들의 합으로 다시 분해한다. 이 단계에서 각 사용자의 대기열 변화와 서비스율을 명시적으로 모델링함으로써, 전력 할당 문제를 게임 이론적 프레임워크로 전환한다.

전력 할당은 “QSI‑aware Interference Game”으로 정의되며, 각 CM은 자신의 사용자들의 대기열 상태와 채널 이득을 고려해 물 흐름(water‑filling) 형태의 전략을 선택한다. 저자들은 QSI‑aware Simultaneous Iterative Water‑filling Algorithm(QSIWFA)을 제안하고, 이 알고리즘이 Nash Equilibrium에 수렴함을 증명한다. 또한, 온라인 학습 메커니즘을 통해 각 CM은 실시간으로 잠재 함수와 라그랑주 승수(LM)를 업데이트한다. 이 학습 과정은 확률적 근사와 마르코프 체인 수렴 이론을 활용해 거의 확실히(확률 1) 수렴함을 보인다.

시뮬레이션 결과는 제안된 두 단계 제어가 기존 고정 클러스터링·전력 할당 방식에 비해 평균 대기시간을 크게 감소시키고, 시스템 스루풋을 향상시킴을 보여준다. 특히, 대기열 부하가 높은 상황에서 동적 클러스터링이 간섭을 효과적으로 억제하고, QSI‑aware 전력 할당이 급격한 채널 변동에 빠르게 대응한다는 점이 강조된다. 전체적으로 이 논문은 복잡한 네트워크 MIMO 시스템에서 실시간 대기열 정보를 활용한 분산 최적화 프레임워크를 제시함으로써, 이론적 엄밀성과 실용적 구현 가능성을 동시에 확보한 점이 큰 의의이다.