5G 환경에서 증강 현실을 위한 지능형 자원 관리 방안

초록

본 논문은 높은 대역폭과 낮은 지연을 요구하는 증강 현실(AR) 애플리케이션을 5G 모바일 엣지 컴퓨팅(MEC) 시스템에서 효율적으로 지원하기 위한 자원 관리 방안을 제안한다. 기지국의 대역폭과 엣지 서버의 GPU 주파수를 Multi-Armed Bandit 알고리즘을 활용해 실시간으로 조절하여 왕복 지연 제약을 충족시키면서도 대역폭 사용량과 전력 소비를 크게 줄일 수 있음을 OpenAirInterface 5G 테스트베드 실험을 통해 입증했다.

상세 분석

이 연구의 핵심 기술적 기여는 다중 홉(네트워크 업링크, 엣지 처리, 네트워크 다운링크)을 포괄하는 통합 자원 관리 체계를 실제 오픈소스 5G 테스트베드에 구현하고 검증했다는 점이다. 대부분의 관련 연구가 시뮬레이션에 머물거나 네트워크/컴퓨팅 자원 중 한 가지만을 고려한 반면, 본 논문은 OpenAirInterface 기반의 실제 5G RAN과 OpenRTiST AR 애플리케이션, NVIDIA GPU를 통합한 엔드투엔드 MEC 테스트베드를 구축했다.

제안 방안의 기술적 핵심은 다음과 같다.

1. 문제 분해: 전체 왕복 지연 예산을 세 개의 홉(UL, 엣지 처리, DL)으로 정적으로 분배한다. 이는 동적 SLA 분해 방법의 초기값으로 활용 가능한 실용적인 접근법이다.
2. 모노토닉 관계 활용: 각 홉에서 할당된 자원(PRB 수, GPU 주파수)이 증가하면 성능(지연)이 개선되는 단조로운 관계를 Multi-Armed Bandit(MAB) 알고리즘에 명시적으로 반영했다. 이 간단하지만 중요한 가정은 학습 속도와 정책의 효율성을 크게 향상시킨다.
3. 경량 온라인 학습: 복잡한 신경망 기반 방법론을 사용하지 않고 MAB를 채택함으로써, 시뮬레이션 환경에 의존하는 pre-training이 필요 없으며, 실제 시스템에서 빠른 적응(수초 단위)이 가능하다. 이는 ‘sim2real gap’ 문제를 회피하는 실용적인 선택이다.

실험 결과는 제안 방안이 고정 자원 할당 또는 지연 임계값 기반 반응형 정책 대비 평균 대역폭 사용량과 전력 소비를 현저히 줄이면서도 높은 QoS 제공 비율을 유지함을 보여준다. 이는 자원의 희소성(특히 라이선스 대역)과 전력 소비 문제를 동시에 해결할 수 있는 지능형 네트워크 자동화의 실질적인 가능성을 입증한다. 또한 연구팀은 전체 테스트베드 구축 및 자동화 코드를 GitHub에 공개하여 재현성을 보장했다.