자율 분산형 언더레이 다이내믹 스펙트럼 접근을 위한 신경망 인지 엔진

본 논문은 1차 네트워크(PN)와 2차 네트워크(Secondary Network, SN) 사이에 어떠한 정보 교환도 없는 상황에서, 2차 네트워크에 속한 인지 라디오(Cognitive Radio, CR)들이 스스로 간섭 한계를 추정하고 전송 파워를 조절할 수 있는 완전 자율·분산형 언더레이 다이내믹 스펙트럼 접근(DSA) 방식을 제안한다. 먼저, 언더레이 DSA의 핵심 과제 두 가지—PN에 대한 허용 간섭 한계 설정과 CR이 자신이 초래하는 간섭을 실시간으로 인식하는 방법—를 명확히 정의한다. 기존 연구들은 주로 PN의 피드백 채널(전송 파워, ARQ, CSI 등)을 도청하거나, 크로스‑채널 이득을 직접 측정하는 방식에 의존했으며, 이는 네트워크 간 완전한 독립성을 해치거나 다중 링크 환경에서 적용이 어려운 단점이 있었다. 이 논문은 이러한 한계를 극복하기 위해, PN이 채택하고 있는 적응 변조·코딩(AMC) 메커니즘을 활용한다. AMC는 각 링크의 SINR에 따라 변조 차수와 채널 코딩률을 동시에 결정하므로, 해당 링크에서 사용 중인 AMC 모드(변조 차수 + 코딩률)를 정확히 추정하면 해당 링크의 실제 SINR을 역산할 수 있다. 이를 위해 저자는 비선형 자기회귀 외생 입력(NARX) 신경망(NARX‑NN) 기반의 인지 엔진(Cognitive Engine, CE)을 설계한다. CE의 입력은 두 단계로 구성된다. 첫 번째 단계에서 각 CR은 PN의 전송을 청취하면서 가장 가까운 PN 링크의 수신 전력과 변조 차수(모듈레이션 클래스)를 추정한다. 변조 차수 추정은 기존의 고성능 변조 분류 기법(예: 2차 누적 주기적 누적량 기반 방법)을 활용한다. 두 번째 단계에서는 CR이 동일한 파워로 프로빙 신호를 전송하고, 그에 따른 수신 전력 변화를 다시 측정한다. NARX‑NN은 이러한 시계열 데이터를 학습해, 변조 차수와 전력 변동을 입력으로 전체 AMC 모드(변조 차수와 코딩률)를 예측한다. 이는 기존 연구가 변조 차수만을 추정하던 것과는 달리, 코딩률까지 포함한 정확한 스루풋 추정을 가능하게 한다. 예측된 AMC 모드를 바탕으로 CR은 자신의 전송 파워를 결정한다. 목표는 PN 평균 스루풋 변화율을 사전에 정의된 최대값(예: 2 %) 이하로 유지하면서, 동시에 CR 자체의 스루풋을 최대화하는 것이다. 구체적인 파워 조정은 각 CR이 가장 가까운 PN 링크에 미치는 영향을 독립적으로 계산하고, 이를 통해 전송 파워를 미세하게 조정한다. 이 과정은 완전 분산형으로 수행되며, 중앙 조정자나 PN‑SN 간의 제어 채널이 필요하지 않다. 시뮬레이션 환경은 다중 PN 링크와 다중 CR 링크가 동시에 존재하는 현실적인 설정을 사용한다. 주요 결과는 다음과 같다. (1) 인지 엔진이 전체 AMC 모드를 정확히 예측함에 따라, 기존에 변조 차수만을 이용한 방법에 비해 파워 제어가 훨씬 정밀해졌다. (2) 정밀 파워 제어 덕분에 CR은 더 높은 전송 기회를 확보했으며, PN 평균 스루풋 변동을 목표값 이하(실제 2 % 목표에 대해 3 % 이하)로 유지하면서, SN에서는 180 kbps에서 50 kbps 사이의 유의미한 평균 스루풋을 달성했다. (3) 프로빙 메시지 전송 빈도를 3배 감소시킨 변형 버전에서도 성능 저하가 최소화돼, 프로빙 오버헤드와 성능 간의 트레이드오프를 효과적으로 관리할 수 있음을 확인했다. 또한, 본 논문은 NARX‑NN 기반 인지 엔진이 다중 링크 환경에서도 안정적으로 동작함을 보였으며, 학습 데이터가 충분히 확보될 경우 실시간 적용이 가능함을 시사한다. 이는 1차·2차 네트워크 간의 정보 비대칭을 완전히 해소하고, 스펙트럼 효율을 크게 향상시킬 수 있는 실용적인 솔루션으로 평가된다. 결론적으로, 본 연구는 인공지능 기반 인지 엔진을 통해 완전 자율·분산형 언더레이 DSA를 구현함으로써, 기존의 피드백 채널 의존형 방법보다 높은 스루풋, 낮은 간섭, 그리고 낮은 오버헤드를 동시에 달성한다는 점에서 차세대 무선 스펙트럼 관리 기술에 중요한 기여를 한다.