동적 셀 부하를 고려한 조합 밴딧 기반 소셀 슬립 모드와 부하 균형

초록

본 논문은 5G 이종 네트워크에서 소형 기지국(gNB‑SC)의 슬립 모드 전환을 조합 멀티‑암드 밴딧(CMAB)으로 모델링하고, CUCB 알고리즘과 셀 범위 확장(CRE) 기반 부하 균형을 결합해 에너지 효율을 극대화한다. 동적 셀 부하를 위치·데이터 요구량에 따라 정밀히 모델링함으로써 기존 연구보다 실제 트래픽 변동을 반영한 최적화가 가능함을 실험적으로 입증한다.

상세 분석

이 연구는 5G HetNet 환경에서 소형 셀(gNB‑SC)의 전원 관리와 트래픽 오프로드를 동시에 다루는 복합 최적화 문제를 제시한다. 핵심 기여는 (1) 동적 셀 부하 모델링을 통해 각 UE의 위치, 전송 전력, 경로 손실, SINR 등을 고려한 로드와 전력 소비 식을 유도한 점이다. 기존 문헌은 주로 UE 수와 평균 트래픽만을 사용했으나, 본 논문은 (3)–(5)식에서 UE‑별 SINR에 기반한 로그‑함수 형태의 데이터율을 사용해 셀 부하 ρ를 정확히 계산한다. 이는 슬립 모드 전환 시 발생하는 오버로드 위험을 정량화하고, 페널티 항 P₁, P₂를 통해 제약 위반을 직접 비용에 반영한다는 점에서 의미가 크다.

문제는 각 SC의 ON/OFF 상태를 이진 변수 δ_i 로 표현하고, 전체 SC 집합을 하나의 ‘슈퍼암’으로 보는 CMAB 프레임워크에 매핑한다. 여기서 보상 r_μ(S) 은 단순히 전력 절감량이 아니라, (A) OFF된 SC의 절감, (B) MC와 ON된 SC의 전력 변동, (C) 부하 재분배에 따른 전력 변화, (D) 오버로드 페널티를 모두 포함한다. 이러한 비단조성(non‑monotonic) 보상 구조는 기존 CMAB 알고리즘이 가정하는 단조성 조건을 위배한다. 따라서 저자들은 α‑β 근사 오라클을 도입해, 기대 보상이 최적의 α‑비율 이상일 확률 β 로 보장되는 슈퍼암을 선택하도록 설계하였다.

CUCB 알고리즘은 각 간단 암(즉, 개별 SC의 OFF 결정)에 대한 경험 평균 μ̂_i 와 신뢰 구간을 계산하고, 이를 α‑β 오라클에 입력해 최적 슈퍼암을 도출한다. 초기 m 라운드(=SC 수) 동안 모든 암을 탐색해 초기 추정치를 확보한 뒤, t가 증가함에 따라 탐색·활용 균형을 조정한다. 비단조 보상에도 불구하고, 오라클이 모든 슈퍼암을 완전 탐색해 α‑근사 해를 제공하므로, 학습 속도는 기존 CMAB 대비 크게 저하되지 않는다.

또한, 슬립 모드 결정 후 남은 ON SC에 대해 CRE 파라미터 φ_i 를 최적화한다. 이는 Powell’s 방법을 이용한 비선형 최적화로, 각 SC의 커버리지 오프셋을 조정해 UE 재연결 시 발생하는 추가 부하를 최소화한다. 결과적으로, 슬립 모드와 부하 균형을 연속적으로 적용함으로써 전체 네트워크 전력 소비를 크게 낮출 수 있다.

실험에서는 ALL‑ON, VFA‑SARSA 등 기존 강화학습 기반 베이스라인과 비교했을 때, 제안 알고리즘이 평균 전력 절감률에서 15~20% 이상 우수함을 보였다. 특히 트래픽 밀도가 높은 상황에서 동적 부하 모델링이 없을 경우 발생하는 MC 과부하를 효과적으로 방지함으로써 QoS(5QI) 보장을 유지한다는 점이 강조된다.

이 논문은 O‑RAN Near‑RT RIC에 xApp 형태로 구현 가능하도록 설계했으며, E2 인터페이스를 통해 실시간 CRE 파라미터와 SC 전원 상태를 제어한다. 따라서 실제 상용 5G 네트워크에 적용할 경우, 에너지 효율 향상과 동시에 서비스 품질 저하 없이 운영 비용을 절감할 수 있는 실용적인 솔루션으로 평가된다.