동적 안테나 전력 적응으로 에너지 효율을 높인 다운링크 mMIMO

초록

본 논문은 다중 CSI‑RS 구성을 활용한 안테나 적응과 POLITE 기반 전력 적응을 결합한 동적 스킴을 제안한다. 슬롯 단위로 안테나 포트 수와 전송 전력 스펙트럼 밀도를 최적화함으로써 네트워크 에너지 절감(NES)을 극대화하면서도 사용자 인지 처리량(UPT)을 유지한다. 시뮬레이션 결과, 특히 저부하·경부하 상황에서 intra‑cell 간섭이 감소하고 전체 전력 소비가 크게 낮아지는 동시에 사용자 throughput은 변동이 없음을 확인하였다.

상세 분석

이 연구는 6G 시대의 고속 데이터 요구와 지속 가능한 네트워크 운영이라는 두 축을 동시에 만족시키기 위해, 대규모 MIMO(gNB)에서 안테나와 전력을 공동으로 적응시키는 프레임워크를 설계하였다. 핵심 아이디어는 다중 CSI‑RS(configuration) 구조를 이용해 gNB가 동적으로 사용 가능한 안테나 포트 수를 조절하고, 그에 따라 전송 전력 스펙트럼 밀도(PSD)를 POLITE(Link Adaptation) 알고리즘으로 최소화하는 것이다.

먼저, 시스템 모델에서는 N개의 다중 안테나 UE가 동일한 시간‑주파수 슬롯을 공유하고, 전체 대역폭 B를 RB(Resource Block) 단위로 나눈다. 각 UE는 M개의 CSI‑RS 구성을 통해 서로 다른 안테나 포트 집합에 대한 채널 정보를 보고한다. 여기서 m=M은 전체 안테나를 사용하는 기준 상황이며, m<M은 일부 포트만 활성화된 경우를 의미한다. 각 구성에 대해 SINR γₙ,ₘ = Sₙ,ₘ·α̂ₙ,ₘ 로 정의하고, 전송 전력 Pₙ,ₘ은 최대 허용 전력 ¯Pₘ 이하로 제한한다.

링크 어댑테이션(LA) 문제는 기존의 MCS 선택 최적화(P1)와 POLITE 기반 전력 최소화(P2)로 구분된다. P1은 BLER 제약(≤¯ε)과 PSD 상한(≤¯Sₙ,ₘ)을 만족하면서 전송률 Rₙ(k)를 최대화한다. P2는 MCS를 낮추어 PSD를 최소화하되, 새로운 전송률이 원래 전송률의 βₙ 배 이상(βₙ≤1) 유지되도록 제약한다. βₙ은 버퍼 상태 Qₙ와 평균 처리량 Rₙ,avg를 이용한 로드‑드리븐 함수로, 네트워크 부하에 따라 동적으로 조정된다.

알고리즘 1은 다음 순서로 동작한다. (1) 기준 구성(m=M)에서 PF 스케줄러를 이용해 초기 MCS와 RB 할당을 산출한다. (2) 안테나 적응 단계에서는 M을 역순으로 탐색하며, 각 m에 대해 P1을 풀어 새로운 MCS와 필요 RB 수 Bₙ를 얻는다. 모든 UE의 버퍼 Qₙ가 비워질 경우 해당 m을 최적 안테나 포트 수 m′로 채택한다. (3) 안테나 적응이 완료되면 POLITE 단계로 넘어가 βₙ를 계산하고, P2를 풀어 PSD를 감소시킨 새로운 MCS와 RB 할당을 얻는다. (4) 남은 RB가 존재하면 PF 기준으로 재배분한다. 이 과정은 매 슬롯마다 반복되어, CSI와 버퍼 정보를 실시간으로 반영한다.

시뮬레이션은 3GPP 규격을 따르는 시스템 레벨 시뮬레이터를 사용했으며, 주요 KPI는 사용자 인지 처리량(UPT)과 gNB 전력 소비 모델(마이크로·라이트·딥 슬립 상태 기반)로 정의된 네트워크 에너지 절감(NES)이다. 결과는 저부하·경부하 상황에서 안테나 포트 수를 크게 축소하고 POLITE가 전력 스펙트럼 밀도를 추가 감소시켜, intra‑cell 간섭이 감소하고 전체 전력 소비가 20~30% 정도 절감되는 동시에 UPT는 거의 변동이 없음을 보여준다. 중·고부하에서는 안테나 포트 축소가 제한되지만, POLITE만으로도 일정 수준의 전력 절감이 유지된다.

본 논문의 강점은 (1) 안테나와 전력 적응을 독립적으로가 아니라 상호 보완적으로 설계해 전체 시스템 효율을 극대화한 점, (2) CSI‑RS 기반 안테나 선택을 실제 5G‑A/6G 표준에 부합하도록 구현한 점, (3) POLITE의 로드‑드리븐 βₙ 설계가 버퍼 기반 트래픽 변동에 민감하게 반응한다는 점이다. 한계점으로는 (가) 안테나 포트 전환 시 발생할 수 있는 하드웨어 스위칭 지연과 전이 손실을 모델링에 포함하지 않았으며, (나) 실험적 검증이 시뮬레이션에만 의존했다는 점이다. 향후 연구에서는 실제 시험베드에서 전환 지연을 측정하고, 딥러닝 기반 예측기로 m과 βₙ을 동시에 최적화하는 확장 방안을 모색할 수 있다.