IoT 빅데이터 처리를 위한 UAV‑기지국 경로 계획 및 자원 관리

초록

본 논문은 센서가 분산된 IoT 환경에서 UAV‑기지국을 이동형 MEC 서버로 활용하는 3계층 데이터 처리 구조를 제안한다. Lyapunov 최적화를 이용해 실시간으로 프로세서 주파수와 전송 대역폭을 조절해 에너지와 지연을 균형 있게 관리하고, CNN 기반 심층 강화학습으로 UAV의 경로를 온라인 최적화한다. 시뮬레이션을 통해 서비스 커버리지와 에너지 효율, 지연 안정성이 향상됨을 입증한다.

상세 분석

이 논문은 IoT‑대규모 데이터 수집·처리 문제를 해결하기 위해 ‘센서‑UAV‑클라우드’ 3계층 아키텍처를 설계하였다. 하위 계층에서는 광범위하게 배치된 센서가 원시 데이터를 생성하고, 중간 계층인 UAV‑BS는 이동형 MEC 서버 역할을 수행한다. UAV는 현장에서 데이터를 전처리해 중복을 제거하고, 중요한 정보만을 클라우드로 전송함으로써 백홀 트래픽을 크게 감소시킨다. 그러나 UAV는 제한된 배터리 용량과 온보드 컴퓨팅 파워를 갖고 있어, 에너지 소모와 처리 지연 사이의 트레이드오프가 핵심 과제로 남는다.

저자는 이를 해결하기 위해 두 가지 핵심 기법을 도입한다. 첫째, Lyapunov 최적화 프레임워크를 기반으로 한 온라인 자원 스케줄링 정책을 제시한다. 현재 버퍼 길이와 데이터 도착률을 실시간 관찰값으로 사용해, 데이터 레이트가 낮을 때는 프로세서 주파수를 낮추어 전력 소모를 최소화하고, 레이트가 높을 경우에는 대역폭을 동적으로 할당해 오프로드 비율을 조절한다. 이 방식은 확률 분포에 대한 사전 지식 없이도 시스템 안정성을 보장한다.

둘째, UAV‑BS의 이동 경로를 최적화하기 위해 심층 강화학습(DRL)을 적용한다. 주변 서비스 요구를 나타내는 로컬 맵을 CNN의 입력으로 사용하고, 각 가능한 이동 행동에 대한 보상을 예측하도록 학습한다. 학습은 고성능 클라우드에서 수행되며, 학습된 가중치만 UAV에 전송한다. 따라서 UAV는 경량화된 추론만 수행해 실시간으로 최적 행동을 선택할 수 있다.

채널 모델은 LOS/NLOS 확률을 고려한 3D Air‑Ground 경로 손실식을 사용해 현실성을 높였으며, UAV 고도 최적화 식을 통해 2차원 위치만을 제어 변수로 제한한다. 에너지 모델은 프로세서 전력 p∝f³ 형태를 채택해 주파수 조절의 효과를 정량화한다.

시뮬레이션 결과는 제안된 경로 계획이 서비스 커버리지를 기존 정적 배치 대비 20 % 이상 향상시키고, Lyapunov 기반 자원 관리가 평균 지연을 30 % 감소시키며, 에너지 소비를 25 % 절감함을 보여준다. 전체적으로 본 연구는 UAV‑기반 MEC 시스템에서 데이터 신선도와 에너지 효율을 동시에 만족시키는 실용적인 프레임워크를 제공한다. 다만, 실제 비행 환경에서의 풍동·기상 변동, 다중 UAV 간의 충돌 회피, 그리고 대규모 센서 네트워크에서의 스케일링 문제는 향후 연구 과제로 남는다.