대규모 MIMO에서 에너지 효율적인 분산 최악 경우 강인 전력 할당

** 본 논문은 차세대 5G·6G 네트워크의 핵심 기술인 대규모 MIMO 시스템에서 에너지 효율(EE)을 극대화하기 위한 전력 할당 방식을 제안한다. 기존 연구들은 주로 스펙트럼 효율 향상이나 전력 최소화에 초점을 맞추었으며, CSI 추정 오차(파일럿 오염)와 회로 전력 소비를 충분히 고려하지 못했다. 저자는 이러한 한계를 극복하기 위해 다음과 같은 절차를 설계하였다. 1. **시스템 및 채널 모델링** - 다중 셀( L = 3) 환경에서 각 셀의 BS는 M개의 안테나를 보유하고, 각 셀에 K = 5개의 단일 안테나 사용자들이 존재한다. - TDD 기반으로 uplink 파일럿을 전송하고, BS는 최소 자승(MMSE) 추정으로 채널 **ĥ** 를 얻는다. 실제 채널은 **h = ĥ + Δ** 로 표현되며, Δ는 구형 불확실성 영역 **R = {Δ:‖Δ‖² < a}** 에 제한된다. 이는 파일럿 재사용에 따른 파일럿 오염을 반영한다. 2. **전력 소비 모델** - 총 전력은 전송 전력 **∑p** 와 회로 전력 **Pc** 로 구성된다. 회로 전력은 고정 전력 **P_fix**, 안테나당 전력 **P_pa**, 사용자 단말 전력 **P_pu** 로 세분화된다. 이는 실제 BS 운영 비용을 정량화한다. 3. **에너지 효율 정의 및 최적화 목표** - EE는 전체 데이터율 **∑r** 를 총 전력 **∑p + Pc** 로 나눈 비율이며, 데이터율은 워스트 케이스 SINR **γ\*** 를 사용해 **r = B·log₂(1 + Γ·γ\*)** 로 계산한다. 여기서 **Γ** 은 실용적인 SINR 갭을 반영한다. - 목표는 **max_P min_Δ η** 로, 전력 벡터 **P** 를 선택해 불확실성 영역 내에서 가장 낮은 EE를 최대화한다. 제약조건은 전송 전력 한계 **P_max**, 최소 데이터율 **R_min**, 그리고 불확실성 반경 **a** 이다. 4. **워스트 케이스 SINR 해석** - SINR은 Δ에 대한 분수 형태이므로, 삼각 부등식과 코시‑슈바르츠 부등식을 적용해 분자 최소화·분모 최대화를 수행한다. 이를 통해 **γ\*** 라는 하한식이 도출되며, 이는 **p**, **w**, **a**, 그리고 **ĥ** 의 노름에 직접 의존한다. 5. **분수 프로그래밍 및 연속 볼록 근사** - Dinkelbach 알고리즘을 이용해 **η\_op** 를 고정하고 **T(P) − η\_op·E(P)** 를 최소화하는 문제로 변환한다. 여기서 **T(P)=∑r**, **E(P)=∑p+Pc**. - 비볼록성을 제거하기 위해 **log(1 + Γ·γ) ≥ α·log(Γ·γ) + β** 라는 하한을 도입하고, 전력 변수를 로그 스케일 **ĥP = log P** 로 변환한다. 매 반복마다 현재 SINR 값을 이용해 **α**, **β** 를 업데이트한다. 6. **라그랑주 및 KKT 기반 전력 해석** - 볼록화된 최적화 문제에 대한 라그랑주 함수를 구성하고, KKT 조건을 적용해 각 사용자에 대한 최적 전력 **p\_{jm}** 의 폐쇄형 식을 도출한다. 이 식은 라그랑주 승수 **λ\_{lk}** (데이터율 제약)와 **μ\_l** (전력 제한) 에 의존한다. - 인터페이스·노이즈 항 **I\_{lk}** 은 사용자들이 직접 측정해 BS에 피드백하도록 설계했으며, BS 간에 공유한다. 이는 완전 분산 구현을 가능하게 한다. 7. **라그랑주 승수 업데이트** - 서브그라디언트 방법을 사용해 **λ\_{lk}** 와 **μ\_l** 를 각각 **λ←λ − ζ·(r − R_min)**, **μ←μ − β·(P_max − ∑p)** 로 반복 업데이트한다. 이 과정은 알고리즘이 제약을 만족하도록 보장한다. 8. **전체 알고리즘 흐름** - 외부 루프: Dinkelbach 반복으로 **η** 를 갱신한다. - 내부 루프: SCA 반복으로 **α**, **β** 를 갱신하고, 라그랑주 승수와 전력 변수를 최적화한다. - 수렴 기준은 **T(P) − η·E(P) ≤ ε** 로 설정한다. 9. **시뮬레이션 및 결과** - 파라미터: 셀당 5사용자, 안테나 수 M = 50~150, 불확실성 반경 *a* = 0, 0.01, 0.02, 0.03, 전송 전력 제한 1 W, 회로 전력 **P_fix** = 20 W 등. - **수렴성**: 3~4번의 외부 반복만에 EE가 고정값에 수렴, 불확실성 반경에 관계없이 반복 횟수는 동일. - **강인성 성능**: CDF 그래프에서 강인 설계는 불확실성 반경이 커질수록 오류 확률이 증가하지만, 비강인 설계보다 전체적으로 높은 데이터율 보장을 제공한다. - **에너지 효율 비용**: 불확실성 반경이 커질수록 EE가 감소하는 경향을 보이며, 감소량은 약 10% 수준. - **최적 안테나 수**: EE는 안테나 수가 증가함에 따라 처음에는 상승(스펙트럼 효율 향상)하지만, M ≈ 102 이후 회로 전력 증가가 지배적이 되어 감소한다. 따라서 최적 안테나 수는 약 102개로 도출된다. 10. **결론** - 제안된 워스트 케이스 강인 전력 할당 프레임워크는 CSI 오차와 회로 전력 소비를 동시에 고려하면서도 분산 구현이 가능하다. - 수학적 변환(삼각·코시‑슈바르츠 부등식, Dinkelbach, SCA)과 폐쇄형 전력 식 도출을 통해 복잡도를 크게 낮추었으며, 시뮬레이션을 통해 수렴성, 강인성, 최적 안테나 수 등을 검증하였다. - 향후 연구는 다중 안테나 사용자, 비정규화된 채널 모델, 그리고 실시간 피드백 지연을 고려한 확장으로 이어질 수 있다. **