무선 전력 공급 IoT 네트워크에서 업링크·다운링크 전송 최적화

초록

**
본 논문은 무선 전력 공급(RF‑charging)과 레이트 스플리팅 다중접속(RSMA)을 결합한 IoT 시스템에서, 시간 슬롯을 다운링크 혹은 업링크 모드로 선택하고 전송 전력·파워 스플리팅 비율·업링크 SIC 디코딩 순서를 동시에 최적화하는 MILP 모델을 제시한다. 또한, 비인과적 CSI가 없는 실시간 환경을 위해 강화학습 기반 슬롯 모드 결정 방식을 제안하고, 시뮬레이션을 통해 제안 방법이 최적 MILP의 90% 성능을 달성하면서 기존 라운드‑로빈·무작위 방식보다 15%~25% 더 많은 패킷을 전송함을 입증한다.

**

상세 분석

**
이 연구는 세 가지 핵심 기술을 융합한다는 점에서 독창적이다. 첫째, RSMA을 이용해 공통 메시지와 사설 메시지를 동시에 전송함으로써 다중 사용자 간의 간섭을 효과적으로 관리한다. 둘째, 파워 스플리팅 기반 SWIPT 방식을 채택해 각 디바이스가 수신 신호를 에너지와 정보로 동시에 활용하도록 설계했으며, 이는 기존의 시간 스위칭 방식보다 에너지 효율을 크게 향상시킨다. 셋째, 전통적인 TDD 구조를 탈피해 ‘모드 기반’ 시간 슬롯을 도입함으로써, 특정 슬롯이 다운링크에 유리한지 업링크에 유리한지를 채널 상태에 따라 동적으로 결정한다.

논문은 이러한 시스템 모델을 수학적으로 정형화하여, (i) 슬롯 모드 선택, (ii) 각 패킷의 전송 전력, (iii) 다운링크 슬롯에서의 파워 스플리팅 비율, (iv) 업링크 슬롯에서의 SIC 디코딩 순서를 동시에 결정하는 혼합 정수 선형 프로그램(MILP)을 구축한다. MILP는 비인과적(Non‑causal) CSI를 가정하므로, 최적 해는 이론적 한계치를 제공한다. 실제 운영에서는 미래 채널 정보를 알 수 없기 때문에, 저자는 강화학습(RL) 에이전트를 설계하여 현재 CSI만을 이용해 슬롯 모드만을 예측한다. 모드가 결정되면, 각 슬롯에 대해 선형 프로그램을 별도로 풀어 전송 전력·스플리팅·디코딩 순서를 최적화한다는 2‑단계 구조를 채택한다.

성능 평가에서는 (a) 최적 MILP 해와 (b) RL 기반 스케줄러를 비교했으며, RL이 최적 해의 90% 수준의 패킷 전송량을 달성함을 확인했다. 또한, 라운드‑로빈 및 무작위 모드 선택 방식에 비해 각각 15%와 25% 더 많은 패킷을 성공적으로 전송했다. 이러한 결과는 모드 기반 구조가 전통적인 TDD에 비해 에너지와 스펙트럼 효율을 동시에 개선할 수 있음을 시사한다.

하지만 몇 가지 한계점도 존재한다. MILP는 비인과적 CSI를 전제로 하므로 실제 시스템에 바로 적용하기는 어렵고, 계산 복잡도가 시간 슬롯 수와 디바이스 수에 따라 급격히 증가한다. RL 에이전트는 학습 단계에서 충분한 데이터와 적절한 보상 설계가 필요하며, 채널 변동이 급격한 환경에서는 성능 저하가 우려된다. 또한, 논문은 단일 안테나 HAP와 단일 주파수 대역을 가정했으며, 다중 안테나·다중 캐리어 확장에 대한 논의가 부족하다. 향후 연구에서는 분산 학습, 온라인 적응형 파라미터 조정, 그리고 다중 안테나·다중 서브캐리어 환경을 포함한 확장 모델을 고려할 필요가 있다.

**