AI 에이전트를 활용한 자율 네트워크 구현: 레퍼런스 아키텍처와 실증 연구

초록

본 논문은 Joseph Sifakis가 제안한 자율 네트워크(AN) 에이전트 레퍼런스 아키텍처를 실제 5G 라디오 액세스 네트워크(RAN) 링크 어댑테이션(LA) 에이전트에 적용하고, 프로액티브·리액티브 런타임을 혼합한 하이브리드 지식 표현을 통해 10 ms 이하의 실시간 제어와 기존 OLLA 대비 4 % 향상된 다운링크 스루풋, URLLC 시나리오에서 85 % 감소된 블록 오류율(BLER)을 달성함을 실증한다.

상세 분석

이 연구는 L4 수준의 자율 네트워크 구현을 목표로, 기존 AI 기반 자동화가 갖는 ‘지능 플래토’와 ‘가속 저항’ 문제를 해결하기 위해 두 가지 핵심 설계를 제시한다. 첫째, Sifakis의 이중 구동(프로액티브·리액티브) 아키텍처를 그대로 차용하면서, 장기 기억(Long‑Term Memory, LTM)을 그래프 DB와 벡터 DB를 결합한 하이브리드 형태로 구축하였다. 이는 3GPP 표준과 같은 구조화된 지식은 그래프 형태로, 실시간 네트워크 상태와 운영 로그는 고차원 임베딩으로 저장해, RAG(Retrieval‑Augmented Generation) 기반 심볼릭·신경망 혼합 추론을 가능하게 한다. 둘째, 런타임 계층을 명확히 분리해 워크플로우 코디네이터가 리액티브와 프로액티브 서브시스템을 동적으로 스케줄링한다. 리액티브 서브시스템은 Kalman 필터와 LSTM 기반 상황 인식을 통해 1 ms 이내에 환경 변화를 감지하고, MCTS와 DRL을 결합한 의사결정 엔진으로 즉시 적절한 MCS(Modulation and Coding Scheme)를 선택한다. 프로액티브 서브시스템은 LLM을 활용해 고수준 메타‑Goal을 생성하고, 비용‑편익 분석을 통해 장기 최적화를 수행한다.

RAN LA 에이전트 구현에서는 5G NR sub‑6 GHz 대역에서 실시간 링크 어댑테이션을 수행했으며, 실험 결과는 다음과 같다. (1) 평균 제어 지연 9.8 ms, 이는 5G 표준이 요구하는 10 ms 이하를 만족한다. (2) eMBB 트래픽에 대해 기존 Outer Loop Link Adaptation(OLLA) 대비 평균 4 % 높은 다운링크 스루풋을 달성했으며, 이는 MCS 선택 정확도가 향상된 결과이다. (3) URLLC 시나리오에서는 BLER이 0.1 % 수준으로 85 % 감소했으며, 이는 미션 크리티컬 서비스에서 지연·오류 허용범위를 크게 완화한다. 또한, 에이전트는 자체 학습을 통해 시간에 따라 목표 선택 정책을 미세 조정했으며, 운영 중 발생한 비정상적인 채널 변동에도 안정적으로 대응했다.

기술 선택 측면에서, LLM 기반 메타‑Goal 생성은 few‑shot 프롬프트와 사전 정의된 프로토콜 규칙을 결합해 ‘Hallucination’ 위험을 최소화했으며, DRL 기반 목표 선택은 다중 목표(MCS 최적화, 전력 제한, 지연 제한)를 동시에 고려하는 다중 목적 강화학습으로 구현되었다. 또한, 안전성을 보장하기 위해 규칙 엔진이 모든 행동을 3GPP 규격에 맞게 검증하고, 비정상 행동이 감지되면 즉시 리액티브 서브시스템으로 전환한다. 이러한 설계는 시스템 전반에 걸친 ‘자기‑진화(Self‑Evolution)’ 메커니즘을 제공해, 운영자가 개입하지 않아도 지속적인 성능 향상이 가능하도록 만든다.

전체적으로 이 논문은 이론적인 레퍼런스 아키텍처를 실제 통신 시스템에 적용함으로써, L4 수준 자율성을 실현할 수 있는 구체적인 구현 로드맵을 제시한다는 점에서 학술적·산업적 의의가 크다.