무선 메쉬 네트워크 다중 QoS 적응형 라우팅 유전 알고리즘

초록

본 논문은 무선 메쉬 네트워크에서 최소 홉수·최소 지연·최대 대역폭이라는 세 가지 QoS 목표를 동시에 만족하는 최단 경로를 찾기 위해 적응형 유전 알고리즘(AGA)을 제안한다. AGA는 매 세대마다 선택 연산자를 동적으로 교체하여 가장 우수한 다중‑QoS 적합도를 가진 개체를 유지한다. 목표 함수는 가중합 방식과 파레토 최적화 두 가지 방법으로 해결했으며, 50노드, 200 m 전파 범위의 시뮬레이션에서 기존 라우팅 기법 대비 빠른 수렴과 경로 품질 향상을 입증하였다.

상세 분석

이 연구는 무선 메쉬 네트워크(WMN)의 라우팅 문제를 다중 목표 최적화 문제로 재구성한 점이 가장 큰 특징이다. 기존 라우팅 알고리즘은 주로 단일 목표(예: 최소 홉수 또는 최소 지연)만을 고려했으나, 실제 서비스 환경에서는 대역폭, 지연, 홉수 등 여러 QoS 지표가 동시에 충족되어야 한다. 논문은 이를 위해 “최소 홉수 + 최소 지연 − 가중 대역폭”이라는 복합 적합도 함수를 정의하고, 가중치를 조정함으로써 서비스 유형에 맞는 라우팅 정책을 유연하게 설정할 수 있게 했다.

적응형 유전 알고리즘(AGA)의 핵심은 선택 연산자를 고정하지 않고, 매 세대마다 룰렛 휠, 토너먼트, 순위 선택 등 여러 방법을 시험해 가장 높은 평균 적합도를 보인 방식을 채택한다는 점이다. 이는 전통적인 GA가 특정 선택 방식에 의해 탐색 편향이 발생할 위험을 완화하고, 다양한 탐색·활용 균형을 자연스럽게 유지한다. 또한 교차와 돌연변이 연산은 경로의 연결성을 보장하도록 설계돼, 불가능한 경로가 생성되는 것을 방지한다.

다중 목표 최적화는 가중합 방식과 파레토 프론티어 방식 두 갈래로 접근한다. 가중합 방식은 사용자가 사전에 정의한 가중치에 따라 단일 스칼라 적합도를 산출해 빠른 수렴을 가능하게 하지만, 가중치 설정이 민감하게 결과에 영향을 미친다. 반면 파레토 최적화는 목표 간 트레이드오프를 명시적으로 보여 주어, 의사결정자가 다양한 후보 경로 중에서 상황에 맞는 선택을 할 수 있게 한다. 논문은 두 방법을 모두 구현해 실험 결과를 비교함으로써, 파레토 기반이 더 풍부한 솔루션 집합을 제공하지만 계산 비용이 다소 증가한다는 점을 확인했다.

시뮬레이션 환경은 50개의 노드가 무작위로 배치된 그래프이며, 각 링크는 거리 기반으로 지연과 대역폭을 할당한다. 노드 커버리지는 200 m로 설정해 실제 도시형 WMN 환경을 모사하였다. 실험에서는 AGA가 기존 Dijkstra 기반 최단 경로와 전통적인 GA 대비 평균 15 % 이상의 수렴 속도 향상을 보였으며, 파레토 솔루션에서는 최소 지연·최대 대역폭을 동시에 만족하는 경로 비율이 30 % 이상 증가했다. 또한 네트워크 토폴로지가 동적으로 변할 때도 AGA는 적응 속도가 빠르고, 재계산 비용이 낮아 실시간 라우팅에 적합함을 입증했다.

이 논문의 한계점으로는 시뮬레이션 규모가 50노드에 국한돼 있어 대규모 네트워크(수백~수천 노드)에서의 확장성 검증이 부족하다는 점이다. 또한 파레토 프론티어를 탐색하는 과정에서 발생하는 연산량이 실시간 시스템에 적용될 경우 하드웨어 요구사항이 증가할 가능성이 있다. 향후 연구에서는 분산형 GA 구현, 클라우드/엣지 컴퓨팅 연계, 그리고 동적 트래픽 패턴에 대한 적응 메커니즘을 추가함으로써 실용성을 높일 수 있을 것이다.