AI 기반 LTE·5G 네트워크 최적화와 엣지 AI 서비스 구현

초록

본 논문은 LTE·5G‑NR 라디오 액세스 네트워크(RAN)를 AI·ML로 자동 최적화하고, 제한된 백홀 환경에서도 AI 기반 헬스케어·교육·LLM 서비스를 기지국 엣지에서 컨테이너로 실행하는 실용적 아키텍처를 제안한다. 계획 단계에서는 그래프 신경망·클러스터링으로 최적 전송전력·안테나 기울기·빔패턴을 예측하고, 강화학습(Q‑learning·Actor‑Critic)으로 실시간 파라미터를 연속 조정한다. 디지털 트윈을 활용해 안전하게 정책을 검증하고, 관측‑학습‑검증‑제어의 폐쇄‑루프를 구현한다. 또한 Bentocell 기반 엣지 컴퓨팅 플랫폼에 컨테이너화된 AI 애플리케이션을 배치해 지연·대역폭을 최소화하고, 전력·운영 비용을 절감한다.

상세 분석

이 논문은 두 가지 핵심 문제를 동시에 해결하려는 통합 접근법을 제시한다. 첫 번째는 전통적인 수동형 RAN 설계가 급변하는 사용자 밀도·전파 환경에 적응하지 못한다는 점이다. 저자는 기존 플래너(Planet, Atoll 등)가 RAN 컨트롤러와 직접 연동되지 못하는 구조적 한계를 지적하고, 실시간 텔레메트리(RSRP, RSRQ, SINR, HARQ, CQI 등)를 상태 변수로 활용하는 강화학습 기반 제어 루프를 설계한다. 특히 그래프 신경망(GNN)을 이용해 기지국 간 간섭·백홀 관계를 그래프 형태로 모델링하고, 이를 통해 커버리지 경계와 과중복 영역을 자동 탐지한다. 클러스터링·비지도 학습은 시간‑공간적 트래픽 패턴을 추출해 사전‑예측 기반 파라미터 조정에 활용된다.

두 번째는 백홀 대역폭이 부족한 지역에서 클라우드‑중심 AI 서비스(예: 텔레메디신, 대형 언어 모델)를 제공하기 어렵다는 현실이다. 논문은 LTE/5G 기지국에 고성능 컴퓨팅 모듈을 탑재한 Bentocell을 엣지 노드로 활용하고, Docker/Kubernetes 기반 컨테이너를 통해 AI 애플리케이션을 현장 실행한다. 이렇게 하면 데이터 전송량을 크게 줄이고, 지연을 수 밀리초 수준으로 낮출 수 있다. 또한 엣지에서 실행되는 모델은 로컬 텔레메트리를 활용해 동적 리소스 할당과 전력 관리가 가능해, 전체 네트워크 에너지 효율을 향상시킨다.

폐쇄‑루프 제어 아키텍처는 관측(Observer) 레이어, 학습 파이프라인, 디지털 트윈 검증, 실행(Actuator) 레이어로 구성된다. 관측 레이어는 3GPP 표준에 정의된 PHY·MAC 메트릭을 실시간 스트리밍하고, 학습 파이프라인은 주기적 재학습과 온라인 추론을 지원한다. 디지털 트윈은 가상 환경에서 정책을 사전 검증함으로써 실서비스 중 장애 위험을 최소화한다. 마지막으로 액추에이터 레이어는 기지국 API와 연동해 파라미터를 즉시 적용한다.

이러한 설계는 기존 O‑RAN 인터페이스와도 호환 가능하도록 설계돼, 벤더 독립적인 배포가 가능하다. 실험 결과는 전력 소비 15 % 절감, 평균 사용자 지연 20 % 감소, 스펙트럼 효율 10 % 향상을 보이며, 엣지 AI 서비스는 백홀 사용량을 70 % 이상 절감한다는 점을 강조한다. 전체적으로, 데이터‑드리븐 RAN 최적화와 엣지 AI 실행을 하나의 통합 프레임워크로 묶은 점이 학술·산업 양측에 큰 시사점을 제공한다.